#  your  code

b) Use slice() to subset the data by selecting rows 10, 15, 20, . . . , 50.  The function seq() is your friend.

#  your  code

c) Use filter() to subset those players with height less than 70 inches tall.

#  your  code

d) Use filter() to subset rows of Golden State Warriors ( 'GSW') that play in center ( 'C') position.

#  your  code

e) Use filter() and then select(), to subset rows of lakers ( 'LAL'), and then display their names.

#  your  code

f) Find out how to select the name, age, and team, of players with more than 10 years of experience, making 15 million dollars or more.

#  your  code

g) Find out how to select the name, team, height, and weight, of rookie players, 20 years old, displaying only the first five occurrences (i.e. rows)

#  your  code

 

 

2) Adding new variables, and reordering rows

a) Use the original data frame to filter() and arrange() those players with height less than 71 inches tall, in increasing order (based on height values).

#  your  code

b) Use the original data frame dat to display the name, team, and salary, of the top-5 highest paid players

#  your  code

c) Create a data frame gsw_mpg of GSW players, that contains variables for player name, experience, and min_per_game (minutes per game), sorted by min_per_game (in de- scending order). And display gsw_mpg

#  your  code

 

3) Summaries and Grouped Operations

a) use summarise() to get the largest height value.

#  your  code

b) use summarise() to get the standard deviation of points3.

#  your  code

c) use summarise() and group_by() to display the median of three-points, by team.

#  your  code

d) display the average triple points by team, in ascending order, of the bottom-5 teams (worst 3pointer teams)

#  your  code

e) obtain the mean and standard deviation of age, for Power Forwards, with 5 and 10 years of experience (including 5 and 10).

#  your  code

 

 

4) Graphics with "ggplot2"

a) Create a data frame gsw by subsetting the data for Golden State Warrior players, and find out to make a scatterplot of height and weight, using geom_text() to display the names of the players.

#  your  code

b) Get a density plot of salary (for all NBA players).

#  your  code

c) Get a histogram of points2 with binwidth of 50 (for all NBA players).

#  your  code

d) Get a barchart of the position frequencies (for all NBA players).

#  your  code

e) Make a scatterplot of experience and salary of all Centers, and use geom_smooth() to add a regression line.

#  your  code

 

 

5) Faceting

One of the most attractive features of "ggplot2" is the ability to display multiple facets. The idea of facets is to divide a plot into subplots based on the values of one or more categorical (or discrete) variables.

Here’s an example. What if you want to get scatterplots of points and salary separated (or grouped) by position? This is where faceting comes handy, and you can use facet_wrap() for this purpose:

#  scatterplot  by  position

ggplot(data  =  dat,  aes (x  =  points,  y  =  salary))  +

geom_point()  +

facet_wrap(~ position)

 

The other faceting function is facet_grid(), which allows you to control the layout of the facets (by rows, by columns, etc)

#  scatterplot  by  position

ggplot(data  =  dat,  aes (x  = points,  y  =  salary))  +

geom_point(aes (color  = position),  alpha  =  0.7)  +

facet_grid(~ position)  +

geom_smooth(method  =  loess)

##  `geom_smooth()` using formula  'y  ~ x '