add eda_caribou

eda_caribou.Rmd

@@ -1,5 +1,6 @@
 # 探索性数据分析6 {#eda06}
 
+本章我们分析加拿大哥伦比亚林地**驯鹿追踪数据**，数据包含了从1988年到2016年期间260只驯鹿，近250000个位置标签。
 
 ## 驯鹿位置跟踪
 
@@ -8,11 +9,24 @@ knitr::include_graphics("images/caribou_location.png")
 ```
 
 
-[驯鹿位置跟踪数据](https://github.com/rfordatascience/tidytuesday/blob/master/data/2020/2020-06-23/readme.md)，包含了两个数据集
+大家可以在[这里](https://github.com/tacookson/data/tree/master/caribou-location-tracking)了解数据集的信息，它包含了两个数据集
+
+
+```{r, eval=FALSE}
+# devtools::install_github("thebioengineer/tidytuesdayR")
+library(tidytuesdayR)
+
+tuesdata <- tidytuesdayR::tt_load('2020-06-23')
+# or
+# tuesdata <- tidytuesdayR::tt_load(2020, week = 26)
+```
+
 
 
 ```{r message=FALSE, warning=FALSE}
 library(tidyverse)
+library(lubridate)
+library(gganimate)
 
 individuals <- readr::read_csv('./demo_data/caribou/individuals.csv')
 locations <- readr::read_csv('./demo_data/caribou/locations.csv')
@@ -47,6 +61,10 @@ individuals %>%
 ```
 
 
+## 性别比例
+
+
+## 每个站点运动最频繁的前10的驯鹿
 
 
 ## 驯鹿的活动信息
@@ -98,6 +116,10 @@ example_animal %>%
   labs(title = "一只小驯鹿到处啊跑")
 ```
 
+## 季节模式
+看看驯鹿夏季和冬季运动模式
+
+
 ## 迁移速度
 
 ```{r}
@@ -139,3 +161,42 @@ example_animal %>%
   
 ```
 
+## 更多
+
+```{r}
+df <- locations %>%
+  filter(study_site == "Graham",
+         year(timestamp) == 2002) %>%
+  group_by(animal_id) %>%
+  filter(as_date(min(timestamp)) == "2002-01-01",
+         as_date(max(timestamp)) == "2002-12-31") %>%
+  ungroup() %>%
+  mutate(date = as_date(timestamp)) %>%
+  group_by(animal_id, date) %>%
+  summarise(longitude_centroid = mean(longitude),
+            latitude_centroid = mean(latitude)) %>%
+  ungroup() %>%
+  complete(animal_id, date) %>%
+  arrange(animal_id, date) %>%
+  fill(longitude_centroid, latitude_centroid, .direction = "down")
+```
+
+
+```{r}
+p <- df %>%
+  ggplot(aes(longitude_centroid, latitude_centroid, colour = animal_id)) +
+  geom_point(size = 2) +
+  coord_map() +
+  theme_void() +
+  theme(legend.position = "none") +
+  transition_time(time = date) +
+  shadow_mark(alpha = 0.2, size = 0.8) +
+  ggtitle("Caribou location on {frame_time}")
+p
+```
+
+
+```{r}
+p
+```
+

forcats.Rmd

@@ -1,8 +1,15 @@
 # 因子型变量 {#forcats}
 
-本章介绍R语言中的因子类型数据。
+本章介绍R语言中的因子类型数据。因子型变量在数据处理和可视化中，应用很广泛。
+
+## 什么是因子
+
+R把表示分类的数据称为因子，比如人可以分为：男人和女人。由于因子比字符串更方便处理，所以在R 4.0之前，将字符串类型默认为因子类型，但这个默认也带来一些不方便，因此在R
+R 4.0之后取消了这个默认。在tidyverse集合里，有专门处理因子的宏包`forcats`，因此，本章将围绕`forcats`宏包讲解如何处理因子类型变量，更多内容可以参考[这里](https://r4ds.had.co.nz/factors.html)。
+
 
 https://www.cnblogs.com/ljhdo/p/4911110.html、
+https://r4ds.had.co.nz/factors.html
 
 ```{r}
 heights <- data.frame(
@@ -18,3 +25,7 @@ class(heights$gender)
 ## 创建因子
 
 ## 因子水平
+
+## 调整因子顺序
+
+## 调整因子水平

ggplot2_gganimate.Rmd

@@ -457,7 +457,8 @@ tribble(
 
 ### 常用方法
 
-我一般会保存为 gif 格式，方法类似`ggsave()`
+一般用`anim_save()`保存为 gif 格式，方法类似`ggsave()`
+
 ```{r, eval=F}
 animation_to_save <- diamonds %>% 
   ggplot(aes(carat, price)) +

tidyeval.Rmd

@@ -70,6 +70,26 @@ grouped_mean <- function(data, group_var, summary_var) {
 
 grouped_mean(mtcars, cyl, mpg)
 ```
+
+
+dplyr1.0之后，可以这样写
+
+```{r, eval=FALSE}
+sum_group_vars <- function(df, 
+                           group_vars, 
+                           sum_vars){
+  df %>% 
+    group_by(across({{ group_vars }})) %>% 
+    summarise(n = n(), 
+              across({{ sum_vars }}, 
+                     list(mean = mean, sd = sd))
+              )
+}
+
+sum_group_vars(mpg, c(model, year), c(hwy, cty))
+```
+
+
 下面我们讲讲为什么要这样写。