Ma folytatjuk a kutatás kommunikációját az R Notebook segítségével. Folytatjuk a munkát egy olyan alapvető keretrendszeren, amelyet felhasználhat a kutatási eredmények közlésére az R használatával. A sorozat első részében, nézd meg.
Tartalomjegyzék
A hipotézis készítése
Jelentésünk következő lépése a hipotézis felállítása . Létrehozunk egy másik részt a megjelenítő ablaktáblán, a többit pedig összecsukjuk, hogy láthassuk a magas szintű jelentéseket.
A hipotézishez azt írjuk, hogy nincs különbség a CD-ROM-mal és anélkül számítógépek eladási árában.
A módszerek létrehozása az R Notebookban
Továbblépünk a módszerekre , amelyek azokkal a tényleges technikákkal foglalkoznak, amelyeket a hipotézis megválaszolására használunk. Lehet, hogy nem kell semmiféle következtetéses statisztikát készítenünk. A közönségtől függően ebben a forgatókönyvben magas szintű kutatási jelentést készítünk.
Azt fogjuk mondani, hogy 95%-os megbízhatósági szinten mintáteszteket fogunk végezni, és szemrevételezéssel ellenőrizzük az árak eloszlását. Ha ezek megközelítőleg normálisak, akkor elvégezzük a vizsgálatot.
Miután elmentettük hipotézisünket és módszereinket, HTML-fájlként , PDF-dokumentumként vagy Word-dokumentumként jeleníthetjük meg őket az Előnézet lapon.
Miután elküldtük ezt HTML-ként, ezt fogjuk látni a renderelő mezőben.
Itt azt írja, hogy a kimenet létrejött, ezért menjünk át a Fájlböngészőnkbe, hogy ellenőrizzük ezt. Miután ezt megnyitottuk a HTML-fájlunkban, láthatjuk, hogy ez nagyon hasonlít az Előnézet gombhoz.
Jelenleg nem látunk hibaüzeneteket, és van lehetőség a testreszabásra is. Ezekkel az eszközökkel akár egy egész könyvet vagy webhelyet is írhatunk az R Markdown és az R Notebooks segítségével .
Térjünk vissza a forgatókönyvünkhöz, és folytassuk. Leírjuk az általunk használt módszereket és az eredményeinket. Alapvetően nyílt forrásból szerzünk be tervet, és világossá tesszük, hogy nem dobunk falat dolgokat csak azért, hogy lássuk, mi ragad. Nem improvizálunk, amikor az adatokhoz jutunk; valójában van egy tervünk.
Van némi előnye, ha sok különböző dolgot kipróbál, nem? De ezzel a megközelítéssel céltudatosan azt mondjuk: "Ez az, amit meg fogunk tenni, és akkor megtesszük."
Leíró statisztikák készítése R Notebookban
Végezzük el leíró statisztikánkat . Minden csoporthoz szeretnénk megtalálni az árat CD-ROM-mal és anélkül. Ezt többféleképpen is megtehetjük. Ezt fogjuk hívniés hozza be ezt a csőkezelőt. Ha nem ismeri a csőkezelőt, megtekintheti azokat a forrásokat, amelyekről korábban beszéltem.
Ezután összegezzük és megszámoljuk a rekordokat , hogy megtudjuk, az átlagár = átlagár . Végül kinyomtatjuk ezt a csoportösszefoglalót, majd lefuttatjuk.
És kész is van. Most megvan az asztalunk.
Ahogy korábban mondtam, tudni szeretnénk, hogy hány megfigyelés van az egyes csoportokban, és mi az átlagár. Ezt teljesen dinamikussá tehetjük egy inline hivatkozással.
Csoportos összefoglalót készítünk, és tidyverse műveleteket használunk. Ezt a sort kiszűrjük, majd az értékek közül az egyiket olyanná alakítjuk, amely ténylegesen megjelenik az itt található beépített hivatkozásunkban.
Mentés után lépjen a Jegyzetfüzet előnézete elemre az eredmény megtekintéséhez.
Vizualizációk építése R Notebookban
Az R nagyon jól ismert a vizualizációs képességéről. Vizualizálásunkhoz a ggplotot fogjuk használni . Az árat az X tengelyre helyezzük, majd létrehozunk egy hisztogramot . Létrehozunk a facet kis többszöröseit is, ami valójában nagyon egyszerű a ggplotban .
Itt sok mindent megváltoztathatunk, például a címet, a hátteret, a színt stb. Ha ezt elmentjük, láthatjuk a cselekményt. Ez jelenleg nem interaktív, de sokféleképpen lehet interaktívvá tenni az R-ben. Ebben a példában csak egy statikus ábrázolást végzünk.
Eredményeink valami olyasmit mutatnak, ami egy haranggörbe eloszlásnak tűnik, ami azt jelenti, hogy folytatnunk kell az elemzést.
Futtatjuk a T-teszt eredményeit, és beillesztjük a jelentésbe. Hozzáadunk egy másik R darabot, és cd_test névvel hívjuk . Ha ezt most lefuttatjuk, az eredmény sok információt tartalmaz majd, és nagyon nehéz lesz kihúzni belőle az egyes elemeket.
Használjuk ahogy ezt táblázatos formátumba helyezzük. Ha egyszer csinálunk egy rendezett cd_tesztet , az mindent egy szép táblázatszerkezetté alakít. Ezt ki is nyomtathatnánk, hogy valóban megjelenjen a jelentésünkben.
Egy másik dolog, amit tehetünk, hogy megtaláljuk az alsó és felső konfidenciaintervallumot. Ezt a részt nem akarjuk bemutatni, mert ez csak színjáték.
Összességében úgy néz ki, mint egy élő és dinamikus dokumentum, és sokkal jobb, mint az egyes adatpontok és táblázatok jelentésbe másolása és beillesztése. Elküldheti ezt egy munkatársának, és ideális esetben rákattinthat az Előnézet elemre, hogy megtudja, mit csinált, és építeni tudja ezt.
Következtetéssel befejezve
Jelentésünk végéhez közeledünk, ezért megírjuk a következtetést.
Ide csatolhatnánk egy függeléket is, amely bemutatja forrásainkat. Az a szép a függelékben, hogy ha a végén bemutatod vagy megmutatod valakinek, megkérdezik, hogy ki az adatforrásod, vagy hogyan mértek valamit. Ezek mind érvényes kérdések, és egy függelék forrásokkal nagyon hasznos, mert akkor csak rámutathat a függelékre.
Képet is beilleszthetünk, és alternatív szöveget is használhatunk . Ez egy jó gyakorlat annak leírására, amit egy kép mutat. Ha Ön HTML felhasználó, beágyazhatja ezt a képet HTML használatával.
Következtetés
Ehhez az oktatóanyaghoz valójában egy teljes jelentést mentünk át. Ez egy nagyon durva vázlat, de sikerült az R Markdown segítségével létrehoznunk kutatási jelentésünk szerkezetét.
Azzal kezdtük, hogy a reprodukálhatóságról beszéltünk, ahol minden dokumentálva van. Az R Markdown és ez a keretrendszer segítségével webhelyeket, könyveket és blogokat hozhat létre. Szinte bármilyen termék, amelyet elemzőként kell elkészítenie, létrehozható az RStudio segítségével.
További olvasnivalókért bátran nézzétek meg című könyvemet. Ez egy jó alapszintű bevezető az adatelemzésbe és statisztikai elemzésbe Excel, Python és R használatával. Vannak tanfolyamaim is az R-ről LuckyTemplates felhasználóknak . Előfordulhat, hogy valamikor megjelenik egy harmadik tanfolyam is ebben a sorozatban.
Remélem, tanult néhány dolgot ebből az R Notebook oktatóanyagból, és szeretné látni, hogyan használja ezeket az eszközöket.
George Mount
Ismerje meg, hogyan töltheti le és telepítheti a DAX Studio és a Tabular Editor 3 alkalmazást, és hogyan konfigurálhatja őket a LuckyTemplates és az Excel programban való használatra.
Ez a blog tartalmazza a Shape Map vizualizációt a LuckyTemplates térbeli elemzéséhez. Megmutatom, hogyan használhatja hatékonyan ezt a vizualizációt annak funkcióival és elemeivel.
Ebben az oktatóanyagban egy egyedülálló ötletet mutatok be a pénzügyi jelentésekkel kapcsolatban, amely az eredmények hozzárendelését jelenti a LuckyTemplates-en belüli táblázatsablonok előre meghatározásához.
Hozzon létre DAX-mértékeket a LuckyTemplates alkalmazásban meglévő mértékek vagy képletek használatával. Ezt nevezem mértékelágazási technikának.
Ebben a blogban fedezze fel a LuckyTemplates adatkészletet, a leghatékonyabb függvényhívást, amely M- és DAX-függvények ezreit juttatja a keze ügyébe.
A mai oktatóanyagban megosztok néhány adatmodellezési technikát a DAX-mérések jobb rendszerezéséhez a hatékonyabb munkafolyamat érdekében.
A LuckyTemplates egy nagyszerű eszköz a pénzügyi jelentésekhez. Itt található egy oktatóanyag, amely bemutatja, hogyan hozhat létre személyre szabott táblázatokat a LuckyTemplates pénzügyi irányítópultjához.
Ez az oktatóanyag megvitatja a Power Query nyelvi folyamatot, és azt, hogyan segíthet zökkenőmentes és hatékony adatjelentések létrehozásában.
Az egyik kedvenc technikámról fogok beszélni a LuckyTemplates egyéni ikonok körül, amely dinamikusan használja az egyéni ikonokat a LuckyTemplates vizualizációkban.
Ebben a blogban megmutatom, hogyan hozhat létre LuckyTemplates táblázatokat olyan képlet segítségével, amely egyesíti az UNION és a ROW függvényt.
