R Programming - Instant Data Scraper - Part 2 скачать в хорошем качестве

R Programming - Instant Data Scraper - Part 2

Dando continuidade ao tutorial, nesta segunda parte foco-me no tratamento e processamento dos dados que extraímos anteriormente. Começo por partilhar algumas dicas essenciais de segurança e workflow, passando depois para a manipulação avançada de dados em R para criar um histórico visual da evolução dos meus jogos. 📌 O que vais aprender nesta Parte 2: Segurança e Autenticação: A importância do Two-Factor Authentication (2FA) e por que utilizo o Proton Authenticator (com a vantagem de correr em Windows e Mobile) e o LastPass como gestor de passwords. [01:07] Manipulação de Data Frames: Como acrescentar colunas, renomear campos e ordenar registos de forma simples e eficiente no R. [08:28] Visualização Interativa: Utilização do pacote Plotly para criar gráficos de barras interativos (HTML) que permitem fazer zoom e analisar o total de plays por jogo. [11:51] Gestão de Dados Massivos: Como fazer o append de novos dados num ficheiro acumulado com anos de histórico e converter tipos de dados (ex: strings para datas). [16:41] Limpeza de Dados (Data Cleansing): Técnicas para remover espaços em branco (trimming), uniformizar nomes de jogos e eliminar registos duplicados ou incompletos. [21:27] Imputação e Interpolação: O conceito de Imputation of Missing Values — como preencher automaticamente os dias em que não houve captura de dados através de interpolação, garantindo um histórico contínuo para análise. [27:38] 👉 Capítulos do Vídeo: [00:02] - Introdução à Parte 2. [01:07] - Dica de Segurança: Proton Authenticator e 2FA no Windows. [04:48] - Gestão de Passwords com LastPass e cuidados na autenticação. [07:41] - Início do processamento: Carregamento do ficheiro Instant Data Scraper. [08:28] - Adicionar colunas de data e fazer o subsetting de campos. [11:51] - Criar gráficos interativos com o pacote Plotly. [16:41] - Acumular dados no ficheiro histórico (TugaStone.csv). [18:53] - Conversão de tipos de dados e análise do período temporal (1340 dias). [21:27] - Limpeza de dados: Trimming de white spaces e uniformização de nomes. [23:34] - Tratamento de duplicados: Manter apenas a última instância de cada dia. [27:38] - Conceitos de Ciência de Dados: Imputation of Missing Values. [32:47] - Interpolação de valores em falta para o número de plays. [36:26] - Finalização e exportação dos dados processados (formato Power BI). 💡 Ferramentas e Conceitos Chave: Packages R: plotly, tidyr, dplyr. Segurança: Proton Authenticator, LastPass, 2FA. Técnicas: Interpolação linear, Subsetting, Agregação de dados. Espero que estes conceitos de tratamento de dados sejam úteis para os vossos projetos! Se tiverem dúvidas sobre a lógica de interpolação ou sobre o RStudio, deixem nos comentários. #RProgramming #DataScience #Plotly #DataCleaning #TugaStone #Proton #SegurançaDigital #MachineLearning #RStats