[erwit]

Mirki, mam taki #csv

[TimeStamp], [Open], [Close], [High], [Low], [Volume], [BaseVolume]
8/14/2015 9:06:00 AM,0.00690000,0.00690000,0.00690000,0.00690000,1.34611713,0.00928820

Jak to wczytac w #r #rstudio ?

#statystyka #datascience

[scyth]

dupa <- read.csv(scieżka, sep=",", header=TRUE, na.strings="")
to NA to opcjonalne

[erwit]

@scyth: dzieki

[grajlord]

@erwit: albo im szybciej będziesz korzystał z library(tidiverse), tym lepiej dla ciebie:

read_delim(path, sep = ',', trim_ws = TRUE, col_names = TRUE)

[erwit]

@scyth: @grajlord: w pracy korzystam na codzien z pythona, ale podoba mi sie mnogosc swietnych bibliotek w R. Myslicie, ze jest sens sie tego, czy lepiej szukac pythonowych zamiennikow? Super jest jeszcze #julia, ale do tego bibliotek nie ma prawie wcale niestety

[scyth]

@erwit: na pewno warto, w razie czego wołaj. W zeszłym roku R zanotował duży wzrost i raczej się będzie utrzymywać, jest to popularny „naukowy” język i do tego dość prosty. Dla mnie najtrudniej było się odzwyczaić od pętli - w R niemal ich nie potrzebujesz, jeszcze jak dodasz do swoich umiejętności dplyr to w ogóle.

[erwit]

dplyr

@scyth: super, dzieki

[grajlord]

@erwit: Nie wiem przy czym pracujesz, to nie wiem czy jest sens, ale jeżeli robisż cokolwiek związanego ze statystyką/modelowaniem/machine learningiem a nawet w sumie samym przekształcaniu tabel/macierzy, to R wypadałoby znać.

W odróżnieniu od Pythona R jest językiem funkcyjnym, a nie stricte obiektowym, metody należą tu do funkcji, i to może na początek razić. Na szczęście pipe operator %>% z tidyverse/dplyr daje namiastkę OOP. Co prawda obiekty dalej nie są modyfikowane

[erwit]

@grajlord: dzieki wielkie!

[niunix]

taktyk