دوره ساماندهی و پاکسازی داده‌های نامرتب با R و بسته‌های Tidyverse همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساماندهی و پاکسازی داده‌های نامرتب با R و بسته‌های Tidyverse

موضوع کلی: علوم کامپیوتر و تحلیل داده

موضوع میانی: پردازش و پاکسازی داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ساماندهی داده‌ها در R
• 2. نصب و راه‌اندازی بسته‌های Tidyverse
• 3. آشنایی با مفهوم داده‌های نامرتب
• 4. شناسایی انواع داده‌های نامرتب
• 5. ساختاردهی مجدد داده‌ها با تابع `pivot_longer`
• 6. گسترش داده‌ها با تابع `pivot_wider`
• 7. پاکسازی مقادیر گمشده (NA)
• 8. جایگزینی مقادیر گمشده
• 9. درون‌یابی مقادیر گمشده
• 10. حذف مقادیر گمشده
• 11. استانداردسازی نام ستون‌ها
• 12. رفع ناسازگاری در نام ستون‌ها
• 13. تبدیل انواع داده (Type Conversion)
• 14. تبدیل رشته به عدد
• 15. تبدیل رشته به تاریخ
• 16. تبدیل عدد به رشته
• 17. پاکسازی مقادیر تکراری
• 18. شناسایی رکوردهای تکراری
• 19. حذف رکوردهای تکراری
• 20. مدیریت داده‌های متنی
• 21. تقسیم رشته‌ها
• 22. ادغام رشته‌ها
• 23. استخراج زیررشته‌ها
• 24. اعمال توابع بر روی ستون‌ها
• 25. تابع `mutate` برای ایجاد ستون جدید
• 26. تابع `transmute` برای ایجاد و نگهداری ستون‌های جدید
• 27. فیلتر کردن داده‌ها
• 28. انتخاب ستون‌های مورد نیاز
• 29. مرتب‌سازی داده‌ها
• 30. توابع کاربردی برای پاکسازی داده
• 31. استفاده از عبارات منظم (Regular Expressions)
• 32. پاکسازی داده‌های عددی
• 33. مدیریت داده‌های تاریخ و زمان
• 34. تبدیل فرمت تاریخ
• 35. استخراج اجزای تاریخ
• 36. محاسبه اختلاف زمانی
• 37. کار با داده‌های طبقه‌بندی شده (Factor)
• 38. تبدیل متغیرهای متنی به فاکتور
• 39. مرتب‌سازی فاکتورها
• 40. ترکیب سطوح فاکتور
• 41. تجمیع داده‌ها
• 42. گروه‌بندی داده‌ها با `group_by`
• 43. خلاصه‌سازی داده‌ها با `summarise`
• 44. محاسبه میانگین، میانه و انحراف معیار
• 45. شمارش داده‌ها
• 46. ترکیب داده‌ها از منابع مختلف
• 47. ادغام داده‌ها (Binding)
• 48. الحاق سطری داده‌ها
• 49. الحاق ستونی داده‌ها
• 50. کار با داده‌های نامنظم (Unstructured Data)
• 51. پاکسازی داده‌های متنی پیچیده
• 52. استخراج اطلاعات از متن
• 53. استفاده از بسته‌های کمکی برای پاکسازی
• 54. بسته `stringr` برای کار با رشته‌ها
• 55. بسته `lubridate` برای کار با تاریخ
• 56. بسته `forcats` برای کار با فاکتورها
• 57. کار با داده‌های ساختار یافته JSON
• 58. تبدیل JSON به دیتافریم
• 59. پاکسازی داده‌های JSON
• 60. کار با داده‌های ساختار یافته XML
• 61. تبدیل XML به دیتافریم
• 62. پاکسازی داده‌های XML
• 63. استفاده از `dplyr` برای دستکاری داده‌ها
• 64. انتخاب و فیلتر کردن داده‌ها
• 65. تغییر نام ستون‌ها
• 66. ایجاد ستون‌های جدید
• 67. تغییر ترتیب ستون‌ها
• 68. مرتب‌سازی داده‌ها
• 69. استفاده از `tidyr` برای تغییر شکل داده‌ها
• 70. تبدیل از فرمت عریض به بلند
• 71. تبدیل از فرمت بلند به عریض
• 72. مدیریت مقادیر گمشده
• 73. پاکسازی داده‌های نامرتب در حالت‌های خاص
• 74. داده‌های با سطرهای خالی
• 75. داده‌های با ستون‌های خالی
• 76. داده‌های با مقادیر نامفهوم
• 77. کار با داده‌های بزرگ
• 78. بهینه‌سازی فرآیند پاکسازی
• 79. تکنیک‌های پیشرفته پاکسازی داده
• 80. اعتبارسنجی داده‌ها
• 81. بررسی سازگاری داده‌ها
• 82. مستندسازی فرآیند پاکسازی
• 83. نوشتن گزارش پاکسازی داده
• 84. نمایش بصری داده‌های نامرتب
• 85. نمودارهای اولیه برای شناسایی مشکلات
• 86. اصول پاکسازی داده در پروژه‌های واقعی
• 87. مدیریت خطا در فرآیند پاکسازی
• 88. بررسی مجدد داده‌های پاکسازی شده
• 89. خلاصه و جمع‌بندی مباحث
• 90. کاربردهای پاکسازی داده در تحلیل داده
• 91. جمع‌بندی توابع کلیدی `tidyr`
• 92. جمع‌بندی توابع کلیدی `dplyr`
• 93. اهمیت کیفیت داده در تحلیل
• 94. ملاحظات اخلاقی در پاکسازی داده
• 95. حفظ حریم خصوصی داده‌ها
• 96. تطابق با قوانین و مقررات داخلی
• 97. مدیریت داده‌های حساس
• 98. پاکسازی داده‌های آماری
• 99. پاکسازی داده‌های اقتصادی
• 100. پاکسازی داده‌های علمی