Ebben a blogbejegyzésben a kutatások kommunikálásával és az eredmények bemutatásával foglalkozunk az R notebookok használatával. Reméljük, hogy ebből az oktatóanyagból egy keretet fog kapni, amellyel beszámolhat és közölhet bármilyen kutatási eredményt az R notebookok használatával.
Ennek van néhány nagy előnye, különösen, ha a reprodukálható kutatás ötletéről van szó . Megbeszéljük, hogy ez mit jelent, és hogyan kell ezt megtenni az R notebookokban.
Tartalomjegyzék
Mi az a reprodukálhatóság?
A reprodukálhatóság gondolata az, hogy bárki ellenőrizheti az Ön megállapításait, és az Ön által használt inputok és folyamatok alapján képesnek kell lennie az egészre. Ez több módon is érvényesül adatelemzési igényeinknek: egy olyan környezet, amely reprodukálhatóvá teszi a dolgokat, biztosítja, hogy az emberek lássák, mi történt, könnyen ellenőrizhető egy fájl, és reprodukálható kiadó.
Ideális esetben valaki pontosan láthatja, hogyan jutott el a jelentéshez, és hogyan jött létre az Ön által használt diagram vagy tábla, így minden teljesen reprodukálható környezetben van.
Most talán azon töprenghet, hogyan illeszkedik ebbe az olyan, mint a LuckyTemplates vagy az Excel . Azt mondanám, hogy ez a reprodukálható munkafolyamat félideje. Ha különösen a power queryre gondolunk , akkor elég jó a reprodukálhatósága. Gondoljon az Alkalmazott Lépésekre , ahol nagyon nyilvánvaló az érintett folyamatok áttekintése.
Ami a vizualizációkat és a jelentéseket illeti, itt a dolgok kissé szőrösebbé válnak. Az R notebookok az RStudio részét képezik. Van egy tanfolyamunk a LuckyTemplates portálon, hogy felkészítsen és futhasson. Ez különösen az R Markdownról és az R Notebookokról szól .
Tehát ha ismeri a Jupyter-jegyzetfüzetet , akkor az ötlet az, hogy szöveget és kódot összekeverve történetmesélő dokumentumot hozzunk létre kutatásunkhoz.
Ezeket az eredményeket egy csomó különböző kimenetben tudjuk megjeleníteni. Akár PDF-et kell létrehoznia, akár HTML formátumba kell renderelnie, az R Notebooks különféle fájlformátumokhoz használható.
Kezdésként nyissa meg R jegyzetfüzetét, és lépjen a Fájl, Új fájl, majd az R Jegyzetfüzet elemre az RStudio alkalmazásban. Egy régebbi adatkészlettel fogunk dolgozni az erőforrásokban, ezzel az igazán egyszerű kutatási kérdéssel:
Egy számítógép ára egyáltalán attól függ, hogy van-e rajta CD-ROM?
Ez a kérdés elavult, de valahol mindannyiunknak el kell kezdenünk. Egy kutatási jelentés vázát is elkészítjük, és ennek az alapkeretnek a segítségével mutatjuk be a kutatási eredményeket.
Valami ehhez hasonlót fogunk látni az RStudio-ban, ez az úgynevezett .rmd fájl, ami egy R markdown fájlkiterjesztés. Ez kissé idegesítő lehet, különösen, ha nem szokott hozzá, de van mód a csiszolt végtermék előnézetére.
A jegyzetfüzet ezen része a YAML-fájl nevű metaadat.
Ez után a rész után ezek a hátsó szövegek, ahová a kódok kerülnek. Aztán ott van a dokumentum szöveges része az R Markdown használatával . Ha korábban használta a Markdownt, az R markdown nagyon hasonló. Használhatunk olyan dolgokat, mint a csillagok és a hash jelek a szövegeink megjelölésére és megjelenítésére.
Lépjünk az R Studio és az R Notebooks oldalára, majd együtt járjuk végig ezt az elemzést. Kattintson a fogaskerékre, és győződjön meg arról, hogy az Előnézet a megjelenítő ablakban felirat látható .
Egy R notebook indítása
Kattintson az Előnézet gombra, és a rendszer kéri, hogy mentsük el. Ez ismét egy RMD fájl, ezért először el kell mentenünk. A bal oldali ablaktáblán látni fogjuk a renderelt kimenetet. Nos, ha itt bármit is megváltoztatnánk, és olyasmit mondanánk, mint a Számítógépes elemzés , és hozzáadnánk egy szerző nevét, mint például George Mount , akkor idézőjelbe kell tenni.
Miután rákattintunk a Mentés gombra , automatikusan erre frissül.
Szóval játszunk ezzel. Itt már van néhány helyőrző, ami rendben van. Először be kell írnunk a következőt: „A CD-ROM befolyásolja az eladási árat?” Ha ezt elmentjük, ez Header1 lesz. De ha ezt két hash-jelre fordítjuk, akkor Header2 lesz, és kisebb lesz.
A következő lépés a Bevezetés elkészítése , ahol megadhatjuk, miért számít ez a dolog. Például azt mondhatjuk, hogy a CD-ROM a következő legjobb dolog, vagy valami hasonló. Ha fogyasztói jelentésekkel dolgozik, vagy egy marketing osztályon dolgozik, megpróbálja átérezni, hogy mely funkciók igazán fontosak, vagy mit keresnek a fogyasztók.
Felhívjuk az R csomagokat, és elkezdjük. Az egyetlen szép dolog, amit szeretek itt, az az, hogy valóban használhatjuk a HTML-t az R Notebookban. Például, ha megjegyzést szeretnénk hagyni magunknak, akkor valami ilyesmit tehetünk.
Amikor ezt elmentjük, egyáltalán nem jelenik meg. Tehát ezt csak megjegyzésként hagyjuk magunknak a szövegben. Bárcsak megtehetnénk ezt olyan helyeken, mint az MS Word.
Az R notebook csomagjainak bemutatása
A következő lépés az itt található kódrészlet használata, és néhány beállítás hozzáadása. Használhatunk Pythont és SQL-t, de ebben a példában R-t használunk.
Minden szükséges csomagot elolvasunk. Ha ezek nincsenek a számítógépén, telepítenie kell őket.
Ez megint nem egy teljes jelentés. Végigsétálunk egy csontvázon, hogy megmutassunk néhány tudnivalót az R Markdownról.
Tehát most bemutatjuk, honnan szerezzük be adatainkat, és mi teszi ezeket fontossá. Ebben az esetben azt mondhatnánk, hogy forrásunk a Journal of Applied Econometrics. Amikor ezt a csillaggal jelöljük, dőlt betűsre változtatja.
Ezután beolvasunk egy fájlt az Excelben, és az R segítségével hozzuk be. Amint látja, az adatok már így is nagyon jól néznek ki, ami egy másik nagyszerű dolog az R Notebooks-ban.
A kimeneti formátumtól függően ez akár megjelenhet is. Ha HTML-t használ, a felhasználó valóban áttekinthet az adatokon, és elvégezhet néhány alapvető interakciót. Nagyszerű, hogy ezeket valóban meg tudjuk tenni élő dokumentumokban.
Dinamikus referencia hozzáadása az R notebookokhoz
Most tegyük fel, hogy dinamikus hivatkozást szeretnénk beilleszteni az adatok szövegébe. Szeretnénk, ha ez rendszeresen frissülne, mert nem biztos, hogy ez minden alkalommal ugyanaz, amikor a jelentésben szerepelünk, igaz? Tehát dinamikus hivatkozást fogunk tenni itt a sorban, közvetlenül a szövegben.
Ezekhez a kódokhoz van csalólap és referencia útmutató. Nyissa meg a Súgót, és válassza ki az R Markdown számára megfelelőt, hogy megtekinthesse az összes különböző beállítást. Valószínűleg nem érdemes megpróbálni megjegyezni őket, mert nagyon sok van, és ezt használhatja helyette.
Újra beszúrjuk az R darabot, és belefoglaljuk a FALSE , nrows és ncols szavakat .
Miután ezt lefuttattuk és végrehajtottuk, akár az R környezetbe is bemehetnénk, hogy megnézzük, hogy objektumokká alakították-e.
Egy másik jó dolog, ha csak szórja az ötleteket, és tudni szeretné, hogyan fog kinézni, akkor egyszerűen használhatja a konzolt alul. Futtathatjuk a konzolon, és megnézhetjük, hogy néz ki a kimenet.
Visszatérünk a nézőpanelünkhöz. Most ez a rész egyáltalán nem jelenik meg a jelentésben. Ez jó, ha valamilyen objektumot szeretne használni, de nem akarja megjeleníteni a kódot.
Ezeket a hátsó szövegeket az nrows és ncols-okon használjuk, hogy dinamikusan tartsuk a dolgokat. Ha van PDF-jelentése, és automatikusan módosítania kell ezeket a számokat, ahelyett, hogy hétről hétre keményen kódolná őket, használhatja ezeket a soron belüli hivatkozásokat.
Folyamatban van az adatok újbóli feltárása és a számítógépek árának ellenőrzése.
A kód futtatása után láthatjuk a leíró statisztikákat, amelyek mindegyike szépen formázott. Az adatok méretétől függően eléggé érzékeny és reagál a fájl méretére.
Következtetés
Ebben az oktatóanyagban megvitattuk a reprodukálható kutatás fejlesztésének és a kutatási eredmények közlésének folyamatának egyszerűsítését az R Notebookok használatával. Így gyorsan és egyszerűen reprodukálhatjuk az eredeti eredményeket, és nyomon követhetjük, hogyan származtatták őket.
Kérjük, figyelje meg ennek az oktatóanyagnak a folytatását a sorozat 2. részében.
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.
