„ShinyLive“ programų integravimas į „pkgdown“ svetainę „GitHub“ puslapiuose

Su ShinyLive pagerinkite nekoduojančių asmenų interaktyvumą

Duomenų rinkinių ir pagalbinių funkcijų priegloba „GitHub“ puslapiuose yra puikus būdas padaryti prieinamus išteklius. Kūrėjams, dirbantiems su R, interaktyvumo integravimas gali dar labiau sustiprinti vartotojų įsitraukimą, ypač tų, kurie nekoduoja jūsų duomenis. ShinyLive siūlo praktišką sprendimą, kaip įterpti tokią interaktyvumą tiesiai į pkgdown svetainę.

Nepaisant išteklių, skirtų „Shiny“ programoms įtraukti į R paketus arba „GitHub“ puslapius, trūksta žinių apie efektyvų „ShinyLive“ ir „pkgdown“ svetainių derinimą. Kaip asmuo, prižiūrintis mažus R paketus su duomenų rinkiniais ir pagalbinėmis funkcijomis, greičiausiai siekiate, kad duomenų tyrinėjimas būtų intuityvus ir patogus vartotojui. ShinyLive gali įveikti šią spragą.

Įtraukus „Shiny“ programą į „pkgdown“ svetainės skiltį „Straipsniai“, galima supaprastinti interaktyvių funkcijų pateikimą neperkraunant R paketo dokumentacijos. Šis metodas užtikrina, kad net naudotojai, kurie nėra susipažinę su kodavimu, gali lengvai nustatyti ir vizualizuoti duomenis. Tai naudinga kūrėjams ir vartotojams! 🚀

Pavyzdžiui, įsivaizduokite sveikatos duomenų rinkinį, kuriame vartotojai gali filtruoti gyventojų duomenis pagal demografinius rodiklius. Naudodami ShinyLive galite sukurti ir įdiegti šią programą GitHub puslapiuose, kad duomenys būtų pasiekiami dinamiškai. Šiame straipsnyje žingsnis po žingsnio nagrinėjama, kaip tai pasiekti naudojant esamą programos sąranką. 🛠️

Interaktyvių duomenų tyrinėjimo įrankių kūrimas naudojant „Shinylive“.

Pirmasis scenarijus, sukurtas naudojant R ir Shiny, skirtas sukurti dinaminę sąsają, leidžiančią vartotojams interaktyviai tyrinėti duomenų rinkinius. The pasirinkite Įvestis komanda yra būtina, kad vartotojai galėtų dinamiškai pasirinkti kintamuosius iš išskleidžiamojo meniu, pritaikydami programą pagal savo poreikius. Suporuotas su sliderInput, naudotojai gali dar labiau patikslinti savo tyrinėjimą pasirinkdami konkretų verčių diapazoną duomenims filtruoti. Pavyzdžiui, tokiame duomenų rinkinyje kaip mtcars, vartotojai gali pasirinkti „mpg“ kaip kintamąjį ir naudoti slankiklį, kad atskirtų automobilius, kurių rida yra nuo 20 iki 30. Šis derinys užtikrina patogią ir intuityvią sąsają. 🚀

Serverio logika papildo vartotojo sąsają generuodama reaktyviuosius išėjimus pagal vartotojo įvestį. Čia, renderPlot funkcija yra labai svarbi – ji apdoroja filtruotą duomenų rinkinį ir generuoja dinamines vizualizacijas. Dplyr integravimas filtras funkcija leidžia sklandžiai nustatyti duomenų rinkinio pogrupį, o ggplot2 geom_histograma užtikrina vizualiai patrauklius ir informatyvius siužetus. Įsivaizduokite sveikatos duomenų rinkinį, kuriame vartotojas galėtų filtruoti amžiaus intervalus ir akimirksniu pamatyti sveikatos metrikos pasiskirstymą – šis scenarijus leidžia sukurti tokį interaktyvumą, nes kūrėjams reikia minimalių pastangų.

Antrasis scenarijus skirtas automatizuoti diegimą naudojant „GitHub Actions“. Tai ypač svarbu norint efektyviai prižiūrėti ir atnaujinti pkgdown svetaines. Naudojant a deploy-app.yaml failą, galite automatizuoti naujinimų siuntimo ir „ShinyLive“ programos diegimo procesą. Pagrindinės komandos kaip action/checkout@v3 užtikrinti, kad būtų naudojamas naujausias saugyklos kodas, o specifinė „Shinylive“ sąranka sklandžiai integruojama į darbo eigą. Pavyzdžiui, įsivaizduokite, kad atnaujinate programą naudojant naujus filtrus ar funkcijas – ši automatika užtikrina, kad pakeitimai nedelsiant atsispindėtų internete, sutaupysite laiko ir sumažinsite neautomatinių klaidų. ⚙️

Trečiasis sprendimas apima „Shiny“ programos įvyniojimą į statinį HTML failą. Naudojant shinylive.js, kūrėjai gali įterpti programą tiesiai į savo pkgdown svetainę, apeidami aktyvaus R serverio poreikį. Taikant šį metodą programa pasiekiama vartotojams, neįdiegusiems R, todėl pasiekiamumas pagerinamas. Pavyzdžiui, mokytojas galėtų bendrinti interaktyvią gyventojų duomenų programėlę su mokiniais, kurie gali juos naršyti tiesiai iš savo naršyklių. Šis sprendimas yra ypač vertingas nekoduotojams, nes sudėtingus duomenų rinkinius paverčia patrauklia ir mokoma patirtimi. 🌐

# app.R
# Load necessary libraries
library(shiny)
library(dplyr)
library(ggplot2)

# UI definition
ui <- fluidPage(
  titlePanel("Interactive Data Viewer"),
  sidebarLayout(
    sidebarPanel(
      selectInput("var", "Select Variable:",
                  choices = names(mtcars)),
      sliderInput("range", "Filter Range:",
                  min = 0, max = 100, value = c(25, 75))
    ),
    mainPanel(plotOutput("plot"))
  )
)

# Server logic
server <- function(input, output) {
  output$plot <- renderPlot({
    data <- mtcars %>%
      filter(get(input$var) >= input$range[1],
             get(input$var) <= input$range[2])
    ggplot(data, aes_string(x = input$var)) +
      geom_histogram(bins = 10, fill = "blue", color = "white")
  })
}

# Run the app
shinyApp(ui, server)

# deploy-app.yaml
# Workflow configuration
name: Deploy ShinyLive App

on:
  push:
    branches:
      - main

jobs:
  deploy:
    runs-on: ubuntu-latest

    steps:
    - name: Checkout repository
      uses: actions/checkout@v3

    - name: Set up R
      uses: r-lib/actions/setup-r@v2

    - name: Install dependencies
      run: |
        Rscript -e "install.packages(c('shiny', 'shinylive'))"

    - name: Deploy app
      uses: posit-dev/r-shinylive@actions-v1
      with:
        app-dir: ./

< !-- index.html -->
<!DOCTYPE html>
<html>
<head>
  <title>Interactive Shiny App</title>
  <script src="shinylive.js"></script>
</head>
<body>
  <div id="shiny-app"></div>
  <script>
    const app = new Shinylive.App("#shiny-app");
    app.run();
  </script>
</body>
</html>

Pkgdown svetainių prieinamumo ir našumo pagerinimas naudojant ShinyLive

Vienas galingas naudojimo pranašumas ShinyLive yra jos galimybė įjungti atskirą interaktyvumą nepasikliaujant aktyviu R serveriu. Dėl to jis puikiai tinka programoms talpinti statinėse platformose, pvz., „GitHub Pages“. Skirtingai nuo tradicinių „Shiny“ programų, kurioms reikalingas nuolatinis serverio palaikymas, „ShinyLive“ konvertuoja jūsų programą į savarankišką „JavaScript“ paketą. Šį paketą galima įterpti tiesiai į jūsų pkgdown svetainę, todėl vartotojai gali sklandžiai tyrinėti jūsų duomenų rinkinius iš bet kurios naršyklės. Pavyzdžiui, jei jūsų R pakete yra oro kokybės metrikos duomenų rinkinys, vartotojai gali dinamiškai filtruoti ir vizualizuoti duomenis neįdiegdami jokios papildomos programinės įrangos. 🌍

Kitas privalumas yra jo pritaikymas nekoduotojai. Įtraukdami tokias funkcijas kaip išskleidžiamieji meniu ir slankikliai, sukuriate aplinką, kurioje kiekvienas gali sąveikauti su jūsų duomenimis. Pavyzdžiui, sveikatos priežiūros specialistas galėtų tirti gyventojų duomenis pasirinkdamas amžiaus grupes arba regionus, nereikėdamas rašyti nė vienos kodo eilutės. „ShinyLive“ ir „GitHub“ puslapių derinys užtikrina, kad šios interaktyvios funkcijos būtų lengvai pasiekiamos ir intuityvios, todėl jūsų projektas bus labai įtakingas platesnei auditorijai. 🧩

Be to, ShinyLive pagerina jūsų pkgdown svetainės našumą optimizuodama išteklius, reikalingus programai paleisti. Kadangi visa logika yra sukompiliuota į „JavaScript“, programos įkeliamos greičiau ir siūlo sklandesnį interaktyvumą. Tai ypač naudinga demonstruojant didelius duomenų rinkinius, kur dėl brėžinių atvaizdavimo ar filtrų taikymo gali atsirasti vėlavimų. Rezultatas – profesionalaus lygio vartotojo patirtis, atitinkanti šiuolaikinius žiniatinklio standartus ir pasiekiamumo lūkesčius. 🚀