用R语言运用 Shiny 包打造基于鸢尾花数据集的交互式数据可视化应用

下面内容摘录自**《R 语言与数据科学的终极指南》专** 栏文章的部分内容,每篇文章都在 5000 字以上,质量平均分高达 94 分,看全文请点击下面链接

1章4节:数据可视化, R 语言的静态绘图和 Shiny 的交互可视化演示(更新2024/08/14)-CSDN博客文章浏览阅读14次。使用R语言,数据科学家和分析师不仅可以快速创建原型,还可以开发全功能的应用程序,供同事、客户或公众使用。这种能力为数据分析和可视化带来了全新的可能性。https://blog.csdn.net/2301_79425796/article/details/141187347欢迎订阅我们专栏

在数据科学中,数据的探索和可视化是分析的重要组成部分。R 语言提供了强大的工具来进行数据分析和可视化,其中 Shiny 包允许我们构建交互式的 Web 应用,使用户可以动态地探索数据。本文将详细介绍如何使用 Shiny 构建一个交互式的散点图应用,该应用允许用户选择鸢尾花数据集的不同变量进行可视化,并通过多种选项自定义图形。

1、准备工作

在开始之前,请确保你已经安装了以下 R 包:

  • shiny: 用于构建交互式 Web 应用的核心包。
  • bslib: 提供主题支持,允许我们定制 Shiny 应用的外观。
  • dplyr: 一个用于数据操作的 R 包,使数据过滤和选择更加简洁和高效。
  • ggplot2: R 中最流行的数据可视化包,用于创建优美且灵活的图形。
  • ggExtra: 用于在 ggplot2 图形上添加额外信息,如边际图。

可以通过运行以下命令来安装这些包:

install.packages(c("shiny", "bslib", "dplyr", "ggplot2", "ggExtra"))

2、鸢尾花数据集

鸢尾花数据集(iris)是数据科学中常用的经典数据集之一。该数据集包含 150 条记录,每条记录代表一朵鸢尾花的测量数据。数据集包括四个数值变量(萼片长度、萼片宽度、花瓣长度和花瓣宽度)和一个分类变量(物种)。

3、构建 Shiny 应用

我们将分两个部分来构建这个应用:用户界面(UI)和服务器端逻辑(Server)。用户界面定义了应用的外观及交互元素,而服务器端逻辑则处理用户的输入并生成相应的输出。

加载展包和筛选数值型列
# 加载必要的R包
library(shiny)   # 用于构建交互式Web应用
library(bslib)   # 用于主题定制的包
library(dplyr)   # 数据操作包
library(ggplot2) # 数据可视化包
library(ggExtra) # 用于在ggplot2图形中添加边际图的包

# 加载鸢尾花数据集
df <- iris

# 筛选出适合散点图的数值型列
df_num <- df |> select(where(is.numeric))

例如,如果鸢尾花数据集中包含列 Sepal.LengthSepal.WidthPetal.LengthPetal.WidthSpecies,其中前四列是数值型,那么 df_num 将只包含前四列。

定义用户界面

在 Shiny 应用中,用户界面(UI)定义了应用的布局和用户交互组件。我们将使用 page_sidebar 函数来创建一个带有侧边栏的页面布局。

# 定义用户界面
ui <- page_sidebar(
 sidebar = sidebar(
  # 下拉菜单让用户选择X轴变量
  varSelectInput("xvar", "X 变量", df_num, selected = "Sepal.Length"),
  # 下拉菜单让用户选择Y轴变量
  varSelectInput("yvar", "Y 变量", df_num, selected = "Sepal.Width"),
  # 复选框组允许用户根据物种进行筛选
  checkboxGroupInput(
   "species", "按物种筛选",
   choices = unique(df$Species), 
   selected = unique(df$Species)
  ),
  hr(), # 添加水平分隔线
  # 复选框允许用户选择是否按物种显示
  checkboxInput("by_species", "显示物种", TRUE),
  # 复选框允许用户选择是否显示边际图
  checkboxInput("show_margins", "显示边际图", TRUE),
  # 复选框允许用户选择是否添加平滑曲线
  checkboxInput("smooth", "添加平滑曲线")
 ),
 # 输出散点图
 plotOutput("scatter")
)
  • varSelectInput: 允许用户从鸢尾花数据集的数值变量中选择 X 轴和 Y 轴的变量。
  • checkboxGroupInput: 允许用户根据物种筛选数据。
  • hr: 插入一条水平分隔线,以分隔不同的输入控件。
  • checkboxInput: 复选框,用于控制是否显示物种、是否添加边际图,以及是否在散点图中添加平滑曲线。
  • plotOutput: 用于在页面上展示由 ggplot2 生成的图形。
定义服务器端逻辑

定义服务器端逻辑指的是明确和编写在服务器端运行的一系列规则、流程和操作,以处理来自客户端(如网页浏览器或移动应用)的请求,并根据这些请求执行相应的任务。服务器端逻辑涵盖了广泛的功能,例如接收和解析客户端发送的数据,与数据库进行交互以读取或写入信息,执行复杂的计算和数据处理操作,根据特定条件做出决策,生成动态的内容并将其返回给客户端,以及处理用户认证、授权和安全性等方面的任务。

举个例子,当用户在购物网站上提交订单时,服务器端逻辑会验证订单信息的完整性和准确性,检查库存数量,计算总价,将订单数据保存到数据库中,并最终向用户返回确认消息。又比如,在社交媒体平台上,服务器端逻辑会决定哪些内容应该显示在用户的动态页面上,基于用户的关注列表、发布时间和内容相关性等因素进行筛选和排序。

# 定义服务器端逻辑
server <- function(input, output, session) {
 # 根据用户选择的物种筛选数据
 subsetted <- reactive({
  req(input$species) # 确保选择了物种
  df |> filter(Species %in% input$species) # 筛选数据
 })
 
 # 生成散点图
 output$scatter <- renderPlot({
  p <- ggplot(subsetted(), aes(!!input$xvar, !!input$yvar)) + list(
   theme(legend.position = "bottom"), # 设置图例位置
   if (input$by_species) aes(color = Species), # 如果选择按物种显示,按颜色区分物种
   geom_point(), # 绘制散点
   if (input$smooth) geom_smooth() # 如果选择平滑曲线,添加平滑线
  )
  
  # 如果选择显示边际图,添加边际图
  if (input$show_margins) {
   margin_type <- if (input$by_species) "density" else "histogram"
   p <- ggExtra::ggMarginal(p, type = margin_type, margins = "both",
                            size = 8, groupColour = input$by_species, groupFill = input$by_species)
  }
  
  p # 返回生成的图形
 }, res = 100) # 设置图形分辨率
}
  • subsetted: 使用 reactive 函数来创建一个反应式表达式,它根据用户选择的物种过滤数据集。
  • req 函数确保在没有选择物种时应用不会出错。
  • renderPlot: 根据用户的输入动态生成图形。
  • ggplot 函数用于创建基本的散点图,aes 函数定义了 X 轴和 Y 轴的变量。
  • ggExtra::ggMarginal: 如果用户选择了显示边际图,ggMarginal 函数会在散点图的边缘添加密度图或直方图。
3. 启动 Shiny 应用
shinyApp(ui, server)

这段代码将 UI 和服务器逻辑组合在一起,并启动 Shiny 应用。运行此应用后,用户可以选择不同的 X 轴和 Y 轴变量,筛选特定物种,并通过复选框控制是否显示物种、添加边际图或平滑曲线。

应用演示与扩展

在完成基础的 Shiny 应用之后,能够依据实际的需求来展开更进一步的拓展。比如说,您能够增添数据导入的功能,赋予用户上传自身数据集的权限,并对其展开可视化的分析;还能够丰富图表的类型,除了常见的散点图之外,添加诸如箱线图、柱状图等其他类型的图表;此外,借助 bslib 包,您能够为应用程序设定专属的自定义主题,从而使之与特定的品牌风格或者审美偏好相契合。

本文详细介绍了如何使用 Shiny 构建一个交互式的散点图应用,并提供了通过鸢尾花数据集进行数据可视化的示例。通过 Shiny 的强大功能,我们可以轻松地将静态的数据分析转变为动态、互动的 Web 应用,从而使数据分析过程更加直观和用户友好。所以,使用 Shiny,数据科学家和分析师不仅可以快速创建原型,还可以开发全功能的应用程序,供同事、客户或公众使用。这种能力使得 Shiny 成为 R 生态系统中不可或缺的一部分,为数据分析和可视化带来了全新的可能性。

.........

欢迎订阅我们专栏,深度系统地学习R语言。

为帮助大家更出色地掌握临床统计、数据挖掘以及人工智能建模的入门知识和应用,由于众多同学在计算机编程上经验欠缺,特此开设《R 语言与数据科学的终极指南》专栏。该专栏每周至少会定期更新三篇,直到整个专栏更新完成。每篇文章都在 5000 字以上,质量平均分高达 94 分。要提醒大家的是,每结束一个章节,专栏的优惠力度就会减小,当下正是订阅的最佳优惠时段,诚邀各位积极订阅!

专栏《R 语言与数据科学的终极指南》链接: https://blog.csdn.net/2301_79425796/category_12729892.html?spm=1001.2014.3001.5482

相关推荐
全栈开发圈4 小时前
新书速览|Spark SQL大数据分析快速上手
sql·数据分析·spark
spssau4 小时前
多分类logistic回归分析案例教程
分类·数据挖掘·数据分析·回归·回归分析·logistic回归·spssau
我就说好玩6 小时前
2020年美国总统大选数据分析与模型预测
大数据·python·数据挖掘·数据分析·pandas·sklearn
Aloudata7 小时前
在全域数据整合过程中,如何确保数据的一致性和准确性
大数据·数据库·人工智能·数据挖掘·数据分析
安静的_显眼包O_o7 小时前
【机器学习】连续属性离散化与sklearn.preprocessing.KBinsDiscretizer
数据挖掘·数据分析
叫我:松哥7 小时前
基于python多准则决策分析的汽车推荐算法设计与实现
python·算法·数据挖掘·数据分析·汽车·推荐算法
出发行进8 小时前
PySpark本地开发环境搭建
大数据·python·数据分析·spark·anaconda
SelectDB8 小时前
8+ 典型分析场景,25+ 标杆案例,Apache Doris 和 SelectDB 精选案例集(2024版)电子版上线
大数据·数据库·数据分析
LDG_AGI9 小时前
【人工智能】Transformers之Pipeline(二十二):零样本文本分类(zero-shot-classification)
大数据·人工智能·python·深度学习·机器学习·数据挖掘
有梦想的Frank博士9 小时前
R语言*号标识显著性差异判断组间差异是否具有统计意义
开发语言·信息可视化·r语言