¿Cómo se conecta LuckyTemplates a R Script Visual?

Hoy, le mostraré cómo conectar LuckyTemplates a R y mostraré las cosas que puede hacer con el script visual de R en LuckyTemplates . Para que esto funcione, debe tener R instalado en su computadora, ya que es completamente independiente de LuckyTemplates.

Para comenzar, hagamos clic en el objeto visual R script desde el panel de visualización.

Por hoy, usaremos lo que la gente llama el gráfico de matriz de correlación . También usaremos un conjunto de datos de Pokémon. La razón por la que seleccioné esto es porque tiene mucha información numérica como defensa y ataque, y funcionará bastante bien cuando muestre una correlación.

Después de arrastrar la visualización al lienzo, debemos comenzar a agregar campos.

¿Qué tipo de campos podemos mostrar? Queremos ver Ataque , Defensa , HP , Velocidad y Nombre del Pokémon.

Ahora, probablemente notará que justo debajo del panel de visualización se encuentra el panel de valores donde todo se ha agregado en el mismo campo. Tanto el texto como la información numérica se agregan aquí.

En consecuencia, aquí en el editor de secuencias de comandos R , también podemos ver que hay algo de código que ya se ha diseñado. Este se llama conjunto de datos, que es un marco de datos que contiene Ataque, Defensa, HP, Velocidad y Nombre. No tenemos que escribir esto; LuckyTemplates lo hace automáticamente tan pronto como completamos las cosas en nuestro lienzo de visualización.

El primer error que cometí (que también me imagino que mucha gente cometerá) fue eliminar los comentarios aquí para que podamos verlo como un código normal. Esto no va a funcionar, porque realmente tiene que ser diseñado.

Esta línea de aquí que dice único tiene que ejecutarse. No hay manera de evitarlo.

Comenzaremos a escribir nuestro guión aquí abajo. El diagrama de correlación que estamos haciendo hoy proviene del paquete psych . Es muy fácil hacer esto. Es solo cuestión de anotar pares. paneles y luego pasar el conjunto de datos en el argumento.

Y ahí lo tenemos. Tenemos nuestra visualización.

Para aquellos de ustedes que no tienen instalado el paquete psych , por supuesto que pueden instalarlo de esta manera, pero este proceso lo instalará cada vez, incluso si ya lo tienen.

Si queremos ir un paso más allá, podemos crear una declaración IF que compruebe si el paquete está disponible y, si no lo está, lo instala. De lo contrario, no hará nada.

Una cosa más que podríamos tener que hacer para que esto no falle es completar el argumento del repositorio dentro del paquete instalado.

En este ejemplo, solo estoy copiando y pegando la página web de CRAN. Esto técnicamente funciona. Pero dependiendo de dónde se encuentre en el mundo, es posible que desee elegir un espejo que esté más cerca de usted.

Tabla de contenido

• Llevando la visualización a otro nivel
• Interactuar con otras visualizaciones
• Conclusión

Llevando la visualización a otro nivel

Este es el código que vamos a querer implementar. Funciona bien y muestra la visualización. Hay un par de cosas que llevarán esta visualización un paso más allá. Lo primero que debe hacer es agregar cortadores . Las segmentaciones funcionan perfectamente con este tipo de visualización.

Así que pongamos una segmentación en el informe y luego pongamos Generación en el panel de campos.

Mire qué bien cambia la visualización según lo que elijamos en la cortadora.

Interactuar con otras visualizaciones

En caso de que te estés preguntando cómo se verá esto al interactuar con otras visualizaciones, creemos un gráfico de anillos, coloquemos la cantidad de Pokémon y determinemos si son legendarios o no.

Como puede ver, la primera visualización puede interactuar con la segunda visualización.

Conclusión

Estos scripts de R pueden ser desafiantes y difíciles de usar cuando tiene un conjunto de datos realmente grande porque LuckyTemplates tiene que enviar todos esos datos a R y luego esperar una respuesta.

Pero en algunos casos, como nuestro ejemplo aquí, crear una visualización como esta desde cero cuando conecta LuckyTemplates a R llevará mucho tiempo.

Entonces, si actualmente usa R o Python y prefiere importar una visualización en lugar de construir desde cero, esta es una solución realmente genial.