ну и конечно давайте по одному чату питона судить обо всех питонистах и о сообществе в целом..

вообще конда на самом деле оч удобна, если юзать энвы и не мусорить в базовом окружении. Не знаю, что там падает...

ну Anaconda, которая именно скачивается ао ссылке - громоздкая, жрет память и содержит кучу ненужных плюшек. На компах с малым колвом оперативки очень веселоо (я преподаю и у нас в компоклассе такое).  miniconda  в этом плане удобнее. Юзать энвы можно и в ней, понятно

У R в России слабая пропаганда. Я спросил человек 10, начавших изучать питон, они думают что R это "для каких-то статистических методов".  Причём задачи, ради которых опрошенные взялись за питон, сугубо простые. Вытянуть данные из API, почистить и вывести на визуализацию.  Они даже не знали, что на R также можно решать эти задачи

И я сам буду вынужден изучать питон, потому что мне придётся работать в команде.

согласен
это не подход аналитика — выборка не репрезентативная))

Абсолютно нет. И есть божественный RKward :))

Всем привет. МОжет кто то знает, где можно взять датасет по темам:
- объем рынка онлайн образования (направления в разбивке - дошкольное образование, доп. профессиональное образование)
- объем рынка труда в разбивке - дефицит профессии (по запросу наиболее актуальных позиции), переизбыток профессии.

Если найдёшь , дай знать где, тоже очень интересно.  Даже если платно.

Всем привет! Я совсем новенькая в R, поэтому у меня могут быть какие-то очевидные для вас вопросы

Первый из них - как перевести в матрицу результаты kmeans (на выходе вектор)? нашла вот такое решение https://knews.vip/postcrawl/stack/view?site=so&key=75087026&lang=ru&alias=vektor-klastera-polucaet-matricu-nula-ili-edinicy-v-r, но оно не работает у меня нормально. one hot encoding у меня тоже не получается

может быть кто-то знает как решить проблему?

На выходе kmeans уже есть вектор... его нужно только использовать.
Попробуйте поиграть с примером:
library(patchwork)
library(ggplot2)

res <- kmeans(iris[1:4], 3, nstart = 10)
iris_alt <- cbind(clust = res$cluster, iris)

p1 <- ggplot(iris_alt, aes(Sepal.Length, Sepal.Width, col = as.factor(clust)))  +
 geom_point()

p2 <- ggplot(iris_alt, aes(Sepal.Length, Sepal.Width, col = as.factor(Species)))  +
 geom_point()

# Сравниваем оригинальную классификацию и новоявленную
p1 / p2

Если нужно перевернуть таблицу, то вам поможет функция pivot_wider, из пакета tidyverse

спасибо большое!

спасибо большое, тут немного больше чем мне нужно было. мне всего то создать матрицу из нулей и единиц на основе вектора принадлежности к кластерам после K-means

там для гораздо более крупного алгоритма нужно собрать матрицу принадлежности к кластерам для каждого объекта

да, вижу, не правильно понял вопрос... вот несколько строчек которые делают из категорийного вектор-столбца матрицу. В данном случае превращается вектор-столбеу "clust", но принципиально можно преобразовать   что угодно

library(recipes)
res <- kmeans(iris[1:4], 3, nstart = 10)
iris_alt <- cbind(clust = res$cluster, iris) %>%
 mutate(clust = as.factor(clust))

iris_dummy <- recipe(iris_alt) %>%
 step_dummy(clust, one_hot = TRUE) %>%
 prep() %>%
 bake(new_data = NULL)

а как все это переместить в отдельную матрицу то? не склеивать их, а просто новую создать