Перейти к содержимому

آموزش زبان برنامه‌ نویسی آر برای تحلیل داده‌ های تاریخ و زمان

FaraDars | فرادرس

0:00 / 0:00

آموزش زبان برنامه‌ نویسی آر برای تحلیل داده‌ های تاریخ و زمان

275 просмотров · 2 года назад
FaraDars | فرادرس
94,8 тыс. подписчиков
275 просмотров · 2 года назад
FaraDars: برای دسترسی به نسخه کامل‌تر «آموزش زبان برنامه‌ نویسی آر برای تحلیل داده‌ های تاریخ و زمان» و دانلود فایل‌های همراه آموزش روی لینک زیر کلیک کنید: https://fdrs.ir/p1sg زمان‌بندی ویدئو: 0:00:00 درس ۱: نمایش و نحوه سنجش تاریخ، زمان و منطقه زمانی در R 0:05:43 درس ۲: معرفی استاندارد ISO 8601 0:08:57 درس ۳: انواع کلاس زمان و تاریخ در R 0:20:25 درس ۴: ساخت تاریخ و زمان 0:30:07 درس ۵: قالب‌بندی زمان و تاریخ زبان برنامه‌نویسی R چیست؟ R، یک زبان برنامه‌نویسی و محیط نرم‌افزاری متن‌باز برای تجزیه‌وتحلیل داده، استخراج اطلاعات و تصویرسازی داده‌ها است. این زبان، در سال ۱۹۹۳ در دانشگاه آکسفورد توسعه داده شد و به مرور زمان به یکی از ابزارهای بسیار محبوب در زمینه تحلیل داده تبدیل شد. اهمیت یادگیری زبان برنامه‌نویسی R برای تحلیل داده‌های تاریخ و زمان چیست؟ کار کردن با داده‌های تاریخ و زمان می‌تواند پیچیده باشد، زیرا داده‌های تاریخ و زمان‌ در قالب‌های مختلفی ثبت می‌شوند که تشخیص و تجزیه آن‌ها توسط R را با مشکل مواجه می‌سازد؛ لذا باید قادر باشیم قالب مورد نظر خود را به R معرفی کرده و اجزای تاریخ و زمان مانند سال، ماه یا ثانیه را به درستی استخراج کنیم. از طرفی، انجام محاسبات ریاضی با داده‌های زمان و تاریخ هم می‌تواند پیچیدگی‌های زیادی به همراه داشته باشد. مثلا با مفاهیمی مانند مناطق زمانی، ساعت تابستانی و سال کبیسه روبه‌رو هستیم که مقایسه و تشخیص لحظات مختلف زمان را دشوار می‌کند؛ پس قوانین متفاوتی نسبت به محاسبات مربوط به دیگر داده‌ها نیاز است. در این فرادرس چه چیزی یاد می‌گیریم؟ در این دوره آموزشی ابتدا با نحوه سنجش تاریخ و زمان در R آشنا شده و امکانات هسته اصلی R برای کار با داده‌های تاریخ و زمان معرفی می‌شوند. همچنین، نحوه فراخوانی این داده‌ها در قالب مورد نظر را یاد خواهید گرفت؛ سپس به بررسی امکانات دو کتابخانه قدرتمند Lubridate و Clock پرداخته می‌شود. در این دو کتابخانه مجموعه روش‌های استانداردی را برای اکثر کلاس‌های تاریخ و زمان یاد خواهید گرفت که شناسایی، تجزیه، دستکاری و محاسبات ریاضی با این نوع داده‌ها را ساده می‌سازد. در انتها،‌ با ارائه چند مثال کاربردی با نحوه به‌کارگیری این روش‌ها در ترکیب با کتابخانه Dplyr آشنا خواهید شد.