R এ ডাটা ফিল্টারিং - প্রফেশনাল টিপস

0.1 স্টেপ ১: প্যাকেজ ইনস্টলেশন ও লোডিং

Code

# টাইডিভার্স প্যাকেজ ইনস্টল করুন (প্রথমবারের জন্য)
#install.packages("tidyverse")

# প্যাকেজ লোড করুন
library(tidyverse)

Code

# msleep ডাটাসেট দেখুন
view(msleep)

ব্যাখ্যা:

msleep ডাটাসেটে ৮৩টি স্তন্যপায়ী প্রাণীর ঘুম সম্পর্কিত ডাটা আছে
এতে নাম, ঘুমের সময়, ব্রেইন ওজন, বডি ওজন ইত্যাদি তথ্য আছে
এটি ggplot2 প্যাকেজের সাথে আসে

0.2 টিপ ১: সরল ফিল্টারিং (সিংগেল কন্ডিশন)

১.১ যেসব প্রাণী ১৮ ঘণ্টার বেশি ঘুমায়

Code

long_sleepers <- msleep %>% 
  select(name, sleep_total) %>% 
  filter(sleep_total > 18)

print(long_sleepers)

# A tibble: 4 × 2
  name                 sleep_total
  <chr>                      <dbl>
1 Big brown bat               19.7
2 Thick-tailed opposum        19.4
3 Little brown bat            19.9
4 Giant armadillo             18.1

ব্যাখ্যা:

%>% পাইপ অপারেটর ডাটাকে পরের ফাংশনে পাঠায়
select() শুধু name ও sleep_total কলাম রাখে
filter(sleep_total > 18) শুধুমাত্র ১৮-এর বেশি ঘুমানো প্রাণীগুলো রাখে

১.২ যেসব প্রাণী ১৮ ঘণ্টার কম ঘুমায়

Code

short_sleepers <- msleep %>% 
  select(name, sleep_total) %>% 
  filter(!sleep_total > 18)

# অথবা সরাসরি
short_sleepers <- msleep %>% 
  select(name, sleep_total) %>% 
  filter(sleep_total <= 18)

short_sleepers

# A tibble: 79 × 2
   name                       sleep_total
   <chr>                            <dbl>
 1 Cheetah                           12.1
 2 Owl monkey                        17  
 3 Mountain beaver                   14.4
 4 Greater short-tailed shrew        14.9
 5 Cow                                4  
 6 Three-toed sloth                  14.4
 7 Northern fur seal                  8.7
 8 Vesper mouse                       7  
 9 Dog                               10.1
10 Roe deer                           3  
# ℹ 69 more rows

ব্যাখ্যা:

! হলো লজিক্যাল NOT অপারেটর
!sleep_total > 18 মানে “NOT (sleep_total > 18)”
এটি sleep_total <= 18 এর সমতুল্য

0.3 টিপ ২: মাল্টিপল কন্ডিশন (AND অপারেটর)

২.১ কমা (,) ব্যবহার করে AND অপারেশন

Code

primates_heavy <- msleep %>% 
  select(name, order, bodywt, sleep_total) %>% 
  filter(order == "Primates", bodywt > 20)

primates_heavy

# A tibble: 3 × 4
  name       order    bodywt sleep_total
  <chr>      <chr>     <dbl>       <dbl>
1 Human      Primates   62           8  
2 Chimpanzee Primates   52.2         9.7
3 Baboon     Primates   25.2         9.4

ব্যাখ্যা:

কমা (,) দিয়ে একাধিক কন্ডিশন দিলে সেটি AND অপারেটর হিসেবে কাজ করে
অর্থাৎ: order == “Primates” এবং bodywt > 20
দুইটি শর্তই পূরণ হতে হবে

২.২ এম্পারস্যান্ড (&) ব্যবহার করে

Code

primates_heavy <- msleep %>% 
  select(name, order, bodywt, sleep_total) %>% 
  filter(order == "Primates" & bodywt > 20)

primates_heavy

# A tibble: 3 × 4
  name       order    bodywt sleep_total
  <chr>      <chr>     <dbl>       <dbl>
1 Human      Primates   62           8  
2 Chimpanzee Primates   52.2         9.7
3 Baboon     Primates   25.2         9.4

দুইটিই একই কাজ করে। আপনি যেকোনোটা ব্যবহার করতে পারেন!

0.4 টিপ ৩: OR অপারেটর ব্যবহার

৩.১ পাইপ (|) দিয়ে OR অপারেশন

Code

primates_or_heavy <- msleep %>% 
  select(name, order, bodywt, sleep_total) %>% 
  filter(order == "Primates" | bodywt > 20)

primates_or_heavy

# A tibble: 33 × 4
   name              order           bodywt sleep_total
   <chr>             <chr>            <dbl>       <dbl>
 1 Cheetah           Carnivora        50           12.1
 2 Owl monkey        Primates          0.48        17  
 3 Cow               Artiodactyla    600            4  
 4 Northern fur seal Carnivora        20.5          8.7
 5 Goat              Artiodactyla     33.5          5.3
 6 Grivet            Primates          4.75        10  
 7 Asian elephant    Proboscidea    2547            3.9
 8 Horse             Perissodactyla  521            2.9
 9 Donkey            Perissodactyla  187            3.1
10 Patas monkey      Primates         10           10.9
# ℹ 23 more rows

ব্যাখ্যা:

| হলো লজিক্যাল OR অপারেটর
যেকোনো একটি শর্ত পূরণ হলেই হবে
অর্থাৎ: Primates অর্ডারের প্রাণী অথবা ২০ কেজির বেশি ওজনের প্রাণী

0.5 টিপ ৪: মাল্টিপল ভ্যালু ফিল্টারিং

৪.১ %in% অপারেটর ব্যবহার (সেরা পদ্ধতি)

Code

specific_animals <- msleep %>% 
  select(name, sleep_total) %>% 
  filter(name %in% c("Rabbit", "Tiger", "Horse"))

specific_animals

# A tibble: 3 × 2
  name   sleep_total
  <chr>        <dbl>
1 Horse          2.9
2 Rabbit         8.4
3 Tiger         15.8

ব্যাখ্যা:

%in% চেক করে name ভেক্টরের মানগুলো c() ভেক্টরের মধ্যে আছে কিনা
অনেক বেশি নামের জন্য সহজ এবং পড়তে সুবিধা

0.6 টিপ ৫: রেঞ্জ ফিল্টারিং

৫.১ between() ফাংশন ব্যবহার

Code

moderate_sleepers <- msleep %>% 
  select(name, sleep_total) %>%
  filter(between(sleep_total, 10, 16))

moderate_sleepers

# A tibble: 37 × 2
   name                       sleep_total
   <chr>                            <dbl>
 1 Cheetah                           12.1
 2 Mountain beaver                   14.4
 3 Greater short-tailed shrew        14.9
 4 Three-toed sloth                  14.4
 5 Dog                               10.1
 6 Grivet                            10  
 7 Chinchilla                        12.5
 8 Star-nosed mole                   10.3
 9 European hedgehog                 10.1
10 Patas monkey                      10.9
# ℹ 27 more rows

ব্যাখ্যা:

between(column, lower, upper) ফাংশন রেঞ্জ চেক করে
এখানে: 10 ≤ sleep_total ≤ 16
সীমার মানগুলো অন্তর্ভুক্ত করে (inclusive)

৫.২ near() ফাংশন ব্যবহার

Code

near_17 <- msleep %>% 
  select(name, sleep_total) %>%
  filter(near(sleep_total, 17, tol = 0.5))

near_17

# A tibble: 3 × 2
  name                   sleep_total
  <chr>                        <dbl>
1 Owl monkey                    17  
2 Long-nosed armadillo          17.4
3 Arctic ground squirrel        16.6

ব্যাখ্যা:

near(value, target, tol = tolerance)
tol = tolerance বা সহনশীলতা (ডিফল্ট 0.0000001)
এখানে: 16.5 ≤ sleep_total ≤ 17.5

0.7 টিপ ৬: মিসিং ভ্যালু (NA) হ্যান্ডলিং

৬.১ যেসব প্রাণীর conservation status জানা নেই

Code

unknown_conservation <- msleep %>% 
  select(name, conservation, sleep_total) %>%
  filter(is.na(conservation))

unknown_conservation

# A tibble: 29 × 3
   name                        conservation sleep_total
   <chr>                       <chr>              <dbl>
 1 "Owl monkey"                <NA>                17  
 2 "Three-toed sloth"          <NA>                14.4
 3 "Vesper mouse"              <NA>                 7  
 4 "African giant pouched rat" <NA>                 8.3
 5 "Western american chipmunk" <NA>                14.9
 6 "Galago"                    <NA>                 9.8
 7 "Human"                     <NA>                 8  
 8 "Macaque"                   <NA>                10.1
 9 "Vole "                     <NA>                12.8
10 "Little brown bat"          <NA>                19.9
# ℹ 19 more rows

ব্যাখ্যা:

is.na() ফাংশন চেক করে ভ্যালু missing (NA) কিনা
conservation কলামে NA থাকলে সেই সারিগুলো ফিল্টার করবে

৬.২ যেসব প্রাণীর conservation status জানা আছে

Code

known_conservation <- msleep %>% 
  select(name, conservation, sleep_total) %>%
  filter(!is.na(conservation))

known_conservation

# A tibble: 54 × 3
   name                       conservation sleep_total
   <chr>                      <chr>              <dbl>
 1 Cheetah                    lc                  12.1
 2 Mountain beaver            nt                  14.4
 3 Greater short-tailed shrew lc                  14.9
 4 Cow                        domesticated         4  
 5 Northern fur seal          vu                   8.7
 6 Dog                        domesticated        10.1
 7 Roe deer                   lc                   3  
 8 Goat                       lc                   5.3
 9 Guinea pig                 domesticated         9.4
10 Grivet                     lc                  10  
# ℹ 44 more rows

ব্যাখ্যা:

!is.na() মানে “NOT missing”
conservation কলামে যেসব প্রাণীর তথ্য আছে শুধু সেগুলোই রাখবে

0.8 প্রাকটিক্যাল উদাহরণ

Code

# প্র্যাকটিস: বিভিন্ন ফিল্টার একসাথে
library(tidyverse)

# উদাহরণ ১: ভারী ও কম ঘুমানো প্রাণী
heavy_light_sleepers <- msleep %>%
  select(name, vore, bodywt, sleep_total, conservation) %>%
  filter(bodywt > 50, sleep_total < 8) %>%
  arrange(desc(bodywt))

# উদাহরণ ২: কমপ্লেক্স ফিল্টার
complex_filter <- msleep %>%
  select(name, order, vore, bodywt, sleep_total, conservation) %>%
  filter(
    # কন্ডিশন ১: ওজন ১০-৫০ কেজি
    between(bodywt, 10, 50),
    # কন্ডিশন ২: ঘুম ৮-১২ ঘণ্টা
    sleep_total >= 8 & sleep_total <= 12,
    # কন্ডিশন ৩: conservation জানা নেই অথবা domesticated
    is.na(conservation) | conservation == "domesticated"
  )

# ফলাফল দেখুন
print(heavy_light_sleepers)

# A tibble: 13 × 5
   name                 vore  bodywt sleep_total conservation
   <chr>                <chr>  <dbl>       <dbl> <chr>       
 1 African elephant     herbi 6654           3.3 vu          
 2 Asian elephant       herbi 2547           3.9 en          
 3 Giraffe              herbi  900.          1.9 cd          
 4 Pilot whale          carni  800           2.7 cd          
 5 Cow                  herbi  600           4   domesticated
 6 Horse                herbi  521           2.9 domesticated
 7 Brazilian tapir      herbi  208.          4.4 vu          
 8 Donkey               herbi  187           3.1 domesticated
 9 Bottle-nosed dolphin carni  173.          5.2 <NA>        
10 Caspian seal         carni   86           3.5 vu          
11 Gray seal            carni   85           6.2 lc          
12 Sheep                herbi   55.5         3.8 domesticated
13 Common porpoise      carni   53.2         5.6 vu

Code

print(complex_filter)

# A tibble: 2 × 6
  name   order     vore  bodywt sleep_total conservation
  <chr>  <chr>     <chr>  <dbl>       <dbl> <chr>       
1 Dog    Carnivora carni   14          10.1 domesticated
2 Baboon Primates  omni    25.2         9.4 <NA>

0.9 অপারেটর সারাংশ

অপারেটর	অর্থ	উদাহরণ
`>`	বড়	`filter(sleep_total > 18)`
`<`	ছোট	`filter(sleep_total < 5)`
`>=`	বড় বা সমান	`filter(weight >= 20)`
`<=`	ছোট বা সমান	`filter(weight <= 100)`
`==`	সমান	`filter(order == "Primates")`
`!=`	অসমান	`filter(order != "Rodentia")`
`%in%`	তালিকার মধ্যে	`filter(name %in% c("A", "B"))`
`is.na()`	মিসিং ভ্যালু	`filter(is.na(conservation))`
`!is.na()`	মিসিং নয়	`filter(!is.na(conservation))`
`,` বা `&`	AND (এবং)	`filter(a > 10, b < 20)`
`	`	OR (অথবা)	`filter(a > 10	b < 20)`
`!`	NOT (না)	`filter(!(a > 10))`
`between()`	মধ্যে	`filter(between(x, 10, 20))`
`near()`	কাছাকাছি	`filter(near(x, 15, tol = 1))`

0.10 প্র্যাকটিস সমস্যা

Code

# সমস্যা ১: যেসব প্রাণী ১৫ ঘণ্টার বেশি ঘুমায় এবং ৫০ কেজির কম
prob1 <- msleep %>%
  filter(sleep_total > 15, bodywt < 50)


# সমস্যা ২: Primates বা Carnivora অর্ডারের প্রাণী
prob2 <- msleep %>%
  filter(order %in% c("Primates", "Carnivora"))


# সমস্যা ৩: যেসব প্রাণীর ব্রেইন ওজন জানা আছে কিন্তু বডি ওজন জানা নেই
prob3 <- msleep %>%
  filter(!is.na(brainwt), is.na(bodywt))


# সমস্যা ৪: ১০-২০ কেজি ওজনের এবং ৮-১২ ঘণ্টা ঘুমানো প্রাণী
prob4 <- msleep %>%
  filter(between(bodywt, 10, 20), 
         between(sleep_total, 8, 12))

0.11 ✅ মনে রাখার বিষয়

R-এ ফিল্টারিং শেখা ডাটা অ্যানালাইসিসের প্রথম ধাপ
tidyverse প্যাকেজ সবচেয়ে জনপ্রিয় ও সহজ
প্রতিদিন ১৫-২০ মিনিট প্র্যাকটিস করলে ১ সপ্তাহে দক্ষ হয়ে যাবেন
ভুল করলে ভয় পাবেন না - ভুল থেকে শেখাই আসল মজা!

পাওয়ার টিপ: dplyr::filter() ফাংশনের মধ্যে if_any() বা if_all() ব্যবহার করে একসাথে অনেক কলাম ফিল্টার করা যায়!

--- title: "R এ ডাটা ফিল্টারিং - প্রফেশনাল টিপস" author: - "Abdullah Al Shamim" date: today execute: echo: true # Show code chunks eval: true # Evaluate code chunks warning: false # Hide warnings message: false # Hide messages error: false # Hide error messages include: true # Include chunk output cache: true # Cache results freeze: auto format: html: theme: darkly title-block-banner: true code-fold: true code-tools: true code-copy: true code-line-numbers: true code-block-bg: true code-block-border-left: "#A88EF2" code-overflow: wrap code-link: true toc: true toc-depth: 3 toc-location: left toc-title: "Contents" number-sections: true number-depth: 3 anchor-sections: true lang: bn --- ### **স্টেপ ১: প্যাকেজ ইনস্টলেশন ও লোডিং** ```{r} #| warning: false #| message: false #| error: false #| output: true # টাইডিভার্স প্যাকেজ ইনস্টল করুন (প্রথমবারের জন্য) #install.packages("tidyverse") # প্যাকেজ লোড করুন library(tidyverse) ``` ```{r} #| warning: false #| message: false #| error: false #| output: true # msleep ডাটাসেট দেখুন view(msleep) ``` **ব্যাখ্যা:** - `msleep` ডাটাসেটে **৮৩টি স্তন্যপায়ী প্রাণীর ঘুম সম্পর্কিত ডাটা** আছে - এতে নাম, ঘুমের সময়, ব্রেইন ওজন, বডি ওজন ইত্যাদি তথ্য আছে - এটি `ggplot2` প্যাকেজের সাথে আসে ### **টিপ ১: সরল ফিল্টারিং (সিংগেল কন্ডিশন)** #### **১.১ যেসব প্রাণী ১৮ ঘণ্টার বেশি ঘুমায়** ```{r} #| warning: false #| message: false #| error: false #| output: true long_sleepers <- msleep %>% select(name, sleep_total) %>% filter(sleep_total > 18) print(long_sleepers) ``` **ব্যাখ্যা:** - `%>%` পাইপ অপারেটর ডাটাকে পরের ফাংশনে পাঠায় - `select()` শুধু name ও sleep_total কলাম রাখে - `filter(sleep_total > 18)` শুধুমাত্র ১৮-এর বেশি ঘুমানো প্রাণীগুলো রাখে #### **১.২ যেসব প্রাণী ১৮ ঘণ্টার কম ঘুমায়** ```{r} #| warning: false #| message: false #| error: false #| output: true short_sleepers <- msleep %>% select(name, sleep_total) %>% filter(!sleep_total > 18) # অথবা সরাসরি short_sleepers <- msleep %>% select(name, sleep_total) %>% filter(sleep_total <= 18) short_sleepers ``` **ব্যাখ্যা:** - `!` হলো লজিক্যাল NOT অপারেটর - `!sleep_total > 18` মানে "NOT (sleep_total \> 18)" - এটি `sleep_total <= 18` এর সমতুল্য ### **টিপ ২: মাল্টিপল কন্ডিশন (AND অপারেটর)** #### **২.১ কমা (,) ব্যবহার করে AND অপারেশন** ```{r} #| warning: false #| message: false #| error: false #| output: true primates_heavy <- msleep %>% select(name, order, bodywt, sleep_total) %>% filter(order == "Primates", bodywt > 20) primates_heavy ``` **ব্যাখ্যা:** - কমা (,) দিয়ে একাধিক কন্ডিশন দিলে সেটি **AND** অপারেটর হিসেবে কাজ করে - অর্থাৎ: order == "Primates" **এবং** bodywt \> 20 - **দুইটি শর্তই পূরণ** হতে হবে #### **২.২ এম্পারস্যান্ড (&) ব্যবহার করে** ```{r} #| warning: false #| message: false #| error: false #| output: true primates_heavy <- msleep %>% select(name, order, bodywt, sleep_total) %>% filter(order == "Primates" & bodywt > 20) primates_heavy ``` **দুইটিই একই কাজ করে। আপনি যেকোনোটা ব্যবহার করতে পারেন!** ### **টিপ ৩: OR অপারেটর ব্যবহার** #### **৩.১ পাইপ (\|) দিয়ে OR অপারেশন** ```{r} #| warning: false #| message: false #| error: false #| output: true primates_or_heavy <- msleep %>% select(name, order, bodywt, sleep_total) %>% filter(order == "Primates" | bodywt > 20) primates_or_heavy ``` **ব্যাখ্যা:** - `|` হলো লজিক্যাল OR অপারেটর - **যেকোনো একটি শর্ত পূরণ** হলেই হবে - অর্থাৎ: Primates অর্ডারের প্রাণী **অথবা** ২০ কেজির বেশি ওজনের প্রাণী ### **টিপ ৪: মাল্টিপল ভ্যালু ফিল্টারিং** #### **৪.১ %in% অপারেটর ব্যবহার (সেরা পদ্ধতি)** ```{r} #| warning: false #| message: false #| error: false #| output: true specific_animals <- msleep %>% select(name, sleep_total) %>% filter(name %in% c("Rabbit", "Tiger", "Horse")) specific_animals ``` **ব্যাখ্যা:** - `%in%` চেক করে name ভেক্টরের মানগুলো c() ভেক্টরের মধ্যে আছে কিনা - অনেক বেশি নামের জন্য সহজ এবং পড়তে সুবিধা ### **টিপ ৫: রেঞ্জ ফিল্টারিং** #### **৫.১ between() ফাংশন ব্যবহার** ```{r} #| warning: false #| message: false #| error: false #| output: true moderate_sleepers <- msleep %>% select(name, sleep_total) %>% filter(between(sleep_total, 10, 16)) moderate_sleepers ``` **ব্যাখ্যা:** - `between(column, lower, upper)` ফাংশন রেঞ্জ চেক করে - এখানে: 10 ≤ sleep_total ≤ 16 - **সীমার মানগুলো অন্তর্ভুক্ত** করে (inclusive) #### **৫.২ near() ফাংশন ব্যবহার** ```{r} #| warning: false #| message: false #| error: false #| output: true near_17 <- msleep %>% select(name, sleep_total) %>% filter(near(sleep_total, 17, tol = 0.5)) near_17 ``` **ব্যাখ্যা:** - `near(value, target, tol = tolerance)` - tol = tolerance বা সহনশীলতা (ডিফল্ট 0.0000001) - এখানে: 16.5 ≤ sleep_total ≤ 17.5 ### **টিপ ৬: মিসিং ভ্যালু (NA) হ্যান্ডলিং** #### **৬.১ যেসব প্রাণীর conservation status জানা নেই** ```{r} #| warning: false #| message: false #| error: false #| output: true unknown_conservation <- msleep %>% select(name, conservation, sleep_total) %>% filter(is.na(conservation)) unknown_conservation ``` **ব্যাখ্যা:** - `is.na()` ফাংশন চেক করে ভ্যালু missing (NA) কিনা - conservation কলামে NA থাকলে সেই সারিগুলো ফিল্টার করবে #### **৬.২ যেসব প্রাণীর conservation status জানা আছে** ```{r} #| warning: false #| message: false #| error: false #| output: true known_conservation <- msleep %>% select(name, conservation, sleep_total) %>% filter(!is.na(conservation)) known_conservation ``` **ব্যাখ্যা:** - `!is.na()` মানে "NOT missing" - conservation কলামে যেসব প্রাণীর তথ্য আছে শুধু সেগুলোই রাখবে ### **প্রাকটিক্যাল উদাহরণ** ```{r} #| warning: false #| message: false #| error: false #| output: true # প্র্যাকটিস: বিভিন্ন ফিল্টার একসাথে library(tidyverse) # উদাহরণ ১: ভারী ও কম ঘুমানো প্রাণী heavy_light_sleepers <- msleep %>% select(name, vore, bodywt, sleep_total, conservation) %>% filter(bodywt > 50, sleep_total < 8) %>% arrange(desc(bodywt)) # উদাহরণ ২: কমপ্লেক্স ফিল্টার complex_filter <- msleep %>% select(name, order, vore, bodywt, sleep_total, conservation) %>% filter( # কন্ডিশন ১: ওজন ১০-৫০ কেজি between(bodywt, 10, 50), # কন্ডিশন ২: ঘুম ৮-১২ ঘণ্টা sleep_total >= 8 & sleep_total <= 12, # কন্ডিশন ৩: conservation জানা নেই অথবা domesticated is.na(conservation) | conservation == "domesticated" ) # ফলাফল দেখুন print(heavy_light_sleepers) print(complex_filter) ``` ### **অপারেটর সারাংশ** | অপারেটর | অর্থ | উদাহরণ | | | |:------------|:------------|:------------------------|-----------|-----------| | `>` | বড় | `filter(sleep_total > 18)` | | | | `<` | ছোট | `filter(sleep_total < 5)` | | | | `>=` | বড় বা সমান | `filter(weight >= 20)` | | | | `<=` | ছোট বা সমান | `filter(weight <= 100)` | | | | `==` | সমান | `filter(order == "Primates")` | | | | `!=` | অসমান | `filter(order != "Rodentia")` | | | | `%in%` | তালিকার মধ্যে | `filter(name %in% c("A", "B"))` | | | | `is.na()` | মিসিং ভ্যালু | `filter(is.na(conservation))` | | | | `!is.na()` | মিসিং নয় | `filter(!is.na(conservation))` | | | | `,` বা `&` | AND (এবং) | `filter(a > 10, b < 20)` | | | | \` | \` | OR (অথবা) | \`filter(a \> 10 | b \< 20)\` | | `!` | NOT (না) | `filter(!(a > 10))` | | | | `between()` | মধ্যে | `filter(between(x, 10, 20))` | | | | `near()` | কাছাকাছি | `filter(near(x, 15, tol = 1))` | | | ### **প্র্যাকটিস সমস্যা** ```{r} #| warning: false #| message: false #| error: false #| output: true # সমস্যা ১: যেসব প্রাণী ১৫ ঘণ্টার বেশি ঘুমায় এবং ৫০ কেজির কম prob1 <- msleep %>% filter(sleep_total > 15, bodywt < 50) # সমস্যা ২: Primates বা Carnivora অর্ডারের প্রাণী prob2 <- msleep %>% filter(order %in% c("Primates", "Carnivora")) # সমস্যা ৩: যেসব প্রাণীর ব্রেইন ওজন জানা আছে কিন্তু বডি ওজন জানা নেই prob3 <- msleep %>% filter(!is.na(brainwt), is.na(bodywt)) # সমস্যা ৪: ১০-২০ কেজি ওজনের এবং ৮-১২ ঘণ্টা ঘুমানো প্রাণী prob4 <- msleep %>% filter(between(bodywt, 10, 20), between(sleep_total, 8, 12)) ``` ### ✅ **মনে রাখার বিষয়** - R-এ ফিল্টারিং শেখা **ডাটা অ্যানালাইসিসের প্রথম ধাপ** - `tidyverse` প্যাকেজ সবচেয়ে জনপ্রিয় ও সহজ - প্রতিদিন ১৫-২০ মিনিট প্র্যাকটিস করলে ১ সপ্তাহে দক্ষ হয়ে যাবেন - ভুল করলে ভয় পাবেন না - ভুল থেকে শেখাই আসল মজা! **পাওয়ার টিপ:** `dplyr::filter()` ফাংশনের মধ্যে `if_any()` বা `if_all()` ব্যবহার করে একসাথে অনেক কলাম ফিল্টার করা যায়!