R可視化：用Shiny實現類Excel數據透視圖
前言
Excel裏有一個數據透視圖功能在作數據探索時很是好用。它容許用戶選擇列名、行名，根據選擇結果繪圖。前端
本文利用Shiny實現一個相似數據透視圖的可視化工具。python
爲何作這個工具：數據可視化的煩惱
數據分析師常常須要看數據。一般而言，數據或存放在MySQL數據庫，或存放在Hadoop集羣，或存放在阿里雲的ODPS上。分析師根據業務需求寫SQL語句從數據平臺上提取出須要的數據，隨後就面臨着本文要重點討論的怎麼對數據可視化的難題。react
對於一個固定的需求，一般須要觀察多組數據。普通一點的分析師，多是拷貝出一組數據，貼到Excel裏，繪個圖看一下，而後拷貝下一組數據；高級一點的分析師，多是用R寫好一段代碼，而後修改分組的變量取值重複運行代碼來觀察多組數據。我在工做中動輒須要觀察一百組數據，上述兩種方法仍然不夠好用，最好的方法是我鼠標點擊一百次，每點擊一次產生一幅圖。程序員
更可惡的是，每來一個新需求，不管是Excel仍是R都得根據新需求定製化一遍操做或一套代碼。sql
因而某一天，我實在忍不了，就嘗試作了一個工具，將SQL寫完後的數據可視化工做給工程化了。數據庫
這個工具首先支持select查詢語句，執行成功後會顯示執行結果，同時提供一個設置面板，讓用戶選擇數據分組字段、x軸字段、y軸字段，而後生成分組結果，每點擊一個結果，生成該分組數據的圖。目前該工具只支持時間序列數據，可以繪製點圖和線圖。編程
爲何用Shiny
Shiny讓數據分析師寫完分析與可視化代碼後，稍微再花幾十分鐘，就能夠把分析代碼工程化，將分析成果快速轉化爲交互式網頁分享給別人。因此，若是你是一名使用R的數據分析師，選擇Shiny是很是明智的，由於它不須要你有新的技能，且開發起來實在太快。它跟一般咱們瞭解的其餘框架不同：其餘框架通常都是先後端分離，後端提供json，前端根據json繪圖繪表，須要若干個程序員協同開發完成。然而這種可視化的小工具每每是得不到研發資源的支持，只能本數據分析師一人操刀先後端全包。json
當一個項目以數據計算和可視化爲核心，只投入數據分析師一我的，要求快速實現效果，對執行效率和負載無要求，那麼shiny無疑是一個很是誘人的方案。segmentfault
代碼
廢話很少說，拷貝如下代碼至RStudio，運行APP便可。有朋友反饋說表格畫不出來，我推測是DT控件沒裝好，重裝一下試試。將代碼中的debug=TRUE改成debug=FALSE，添加本身須要的數據接口就能夠直接使用了。後端
#########################
# 時間序列數據可視化工具
# @author: shuiping.chen@alibaba-inc.com
# @date: 2016-07-10
#########################
library(shiny)
library(shinyjs)
library(DT)
library(dplyr)
library(tidyr)
library(stringr)
library(ggplot2)
library(scales)
library(plotly)
run.sql <- function(sql, debug=FALSE) {
if(debug==FALSE){
df <- XXXXX # 自行定義函數，根據數據存儲位置，執行SQL語句
}
else{
# 測試數據
group_id <- rep(1, nrow(economics))
dt <- paste(as.character(economics$date), "00:00:00")
df <- cbind(group_id, dt, economics)
}
return(df)
}
ui <- fluidPage(
useShinyjs(),
titlePanel("時間序列數據可視化工具"),
# 第一部分：SQL命令提交界面
div(id="download"，
fluidRow(
column(12,
textOutput(outputId="download_info")
)
),
fluidRow(
column(12,
HTML(
paste('<textarea id="sql_cmd" rows="10", cols="180">',
"select * from xxxx limit 1000;",
'</textarea>')
)
)
),
fluidRow(
column(12,
actionButton(inputId="refresh_button", label="加載數據", icon=icon("submit")
)
)
)
),
shinyjs::hidden(
div(id="table",
# 第二部分：SQL命令執行結果顯示
hr(),
dataTableOutput(outputId="sql_tab"),
# 第三部分：可視化規則設置
hr(),
textOutput(outputId="tab_button_message"),
sidebarLayout(
div(id="table_tool",
sidebarPanel(
selectInput(inputId="group_fields", label="繪圖分組字段", choices=NULL, selected=NULL, multiple=TRUE),
selectInput(inputId="x_field", label="設置x軸字段，必須是日期時間", choices=NULL, selected=NULL, multiple=FALSE),
selectInput(inputId="y_line_fields", label="設置y軸線圖字段", choices=NULL, selected=NULL, multiple=TRUE),
selectInput(inputId="y_point_fields", label="設置y軸點圖字段", choices=NULL, selected=NULL, multiple=TRUE),
selectInput(inputId="group_shape_field", label="設置點圖形狀字段", choices=NULL, selected=NULL, multiple=FALSE),
actionButton(inputId="tab_button", label="顯示分組表格", icon=icon("submit")),
width=3
)
),
div(id="group_content",
mainPanel(dataTableOutput(outputId="group_tab"),
width=9
)
)
)
)
),
# 第四部分：可視化圖形
shinyjs::hidden(
div(id = "plot",
hr(),
plotlyOutput(outputId="case_viewer", height="600px")
)
)
)
server <- function(input, output, session) {
observe({
# 檢查SQL輸入框
if(is.null(input$sql_cmd) | input$sql_cmd == "") {
shinyjs::disable("refresh_button")
}
else{
shinyjs::enable("refresh_button")
}
# 檢查可視化規則設置
if (input$x_field == "" | (is.null(input$y_line_fields) & is.null(input$y_point_fields)) | is.null(input$group_fields)) {
shinyjs::disable("tab_button")
} else {
shinyjs::enable("tab_button")
}
})
# 執行SQL命令獲取數據
sql_data <- eventReactive(input$refresh_button, {
cat(file=stderr(), "#### event log ####: refresh button clicked\n")
shinyjs::disable("refresh_button")
shinyjs::hide(id = "table", anim = TRUE)
shinyjs::hide(id = "plot", anim = TRUE)
res <- run.sql(input$sql_cmd, debug=TRUE)
updateSelectInput(session, inputId="group_fields", choices=colnames(res))
updateSelectInput(session, inputId="x_field", choices=colnames(res))
updateSelectInput(session, inputId="y_line_fields", choices=colnames(res))
updateSelectInput(session, inputId="y_point_fields", choices=colnames(res))
updateSelectInput(session, inputId="group_shape_field", choices=c("無",colnames(res)), selected="無")
shinyjs::enable("refresh_button")
shinyjs::show(id = "table", anim = TRUE)
shinyjs::hide(id = "group_content", anim = FALSE)
return(res)
})
# SQL命令執行狀態
output$download_info <- renderText({
if(input$refresh_button == 0){
message <- "請敲入SQL select查詢語句，點擊按鈕提交"
}
else{
message <- isolate({paste0("表格下載成功！總行數", nrow(sql_data()), "，總列數", ncol(sql_data()), "，更新時間是", as.character(lubridate::now(), format="%Y-%m-%d %H:%M:%S"))
})
}
message
})
# 顯示SQL執行結果
output$sql_tab <- DT::renderDataTable({
datatable(sql_data(), filter='top', selection='single')
})
# 獲取繪圖分組結果
group_data <- eventReactive(input$tab_button, {
cat(file=stderr(), "#### event log ####: tab button clicked\n")
res <- sql_data() %>%
select(one_of(input$group_fields)) %>%
distinct()
shinyjs::show(id="group_content", anim=TRUE)
return(res)
})
output$tab_button_message <- renderText({
if(input$tab_button == 0) {
message <- "請在下方左側設置數據可視化規則；
點擊按鈕後，下方右側將以表格顯示數據分組結果；
點擊表格的一行，將在下方繪製該行所指分組數據的圖形"
}
else {
message <- isolate({paste0("繪圖分組數", nrow(group_data()), "，更新時間是", as.character(lubridate::now(), format="%Y-%m-%d %H:%M:%S"))
})
}
message
})
# 顯示繪圖分組結果
output$group_tab <- DT::renderDataTable({
datatable(group_data(), filter='top', selection='single')
})
# 顯示繪圖
observeEvent(input$group_tab_rows_selected, {
cat(file=stderr(), paste0("#### event log ####: group table row ", input$group_tab_rows_selected, " clicked\n"))
output$case_viewer <- renderPlotly({
s <- input$group_tab_row_last_clicked
cat(file=stderr(), "#### event log ####: table row", s, "clicked\n")
p <- ggplot()
filter_str <- isolate({str_c(group_data()[s, input$group_fields], collapse="_")}) # 使用_以配合unite方法
target_plot_data <- sql_data() %>%
unite_("new_var", input$group_fields, remove=FALSE) %>%
filter(new_var==filter_str)
if(length(input$y_line_fields) > 0) {
target_plot_data$dt <- lubridate::ymd_hms(target_plot_data[,input$x_field], tz="UTC-8")
line_df <- target_plot_data %>%
tidyr::gather(col_name, thresh, one_of(input$y_line_fields)) %>%
dplyr::mutate(thresh=as.numeric(thresh))
p <- p + geom_line(data=line_df, aes(x=dt,y=thresh,color=col_name))
}
if(length(input$y_point_fields) > 0) {
target_plot_data$dt <- lubridate::ymd_hms(target_plot_data[,input$x_field], tz="UTC-8")
point_df <- target_plot_data %>%
tidyr::gather(col_name, thresh, one_of(input$y_point_fields)) %>%
dplyr::mutate(thresh=as.numeric(thresh))
if(input$group_shape_field != "無") {
point_df[, input$group_shape_field] <- as.factor(point_df[, input$group_shape_field])
p <- p + geom_point(data=point_df, aes_string(x="dt",y="thresh",color="col_name", shape=input$group_shape_field))
}
else{
p <- p + geom_point(data=point_df, aes(x=dt,y=thresh,color=col_name))
}
}
p <- p
ggplotly(p)
})
shinyjs::show("plot", anim = TRUE)
})
}
shinyApp(ui=ui, server=server)
注：爲了讓用戶明白工具的使用方法，代碼採用shinyjs在適當的時機隱藏/顯示對應的組件；在eventReactive事件驅動的計算中，須要保證至少一個依賴與該reactive的組件處於顯示狀態，不然沒法觸發計算，observeEvent不存在此問題。
關於做者：丹追兵：數據分析師一枚，編程語言python和R，使用Spark、Hadoop、Storm、ODPS。本文出自丹追兵的pytrafficR專欄，轉載請註明做者與出處：https://segmentfault.com/blog...
相關文章
- 1. 【數據可視化】R語言實現網絡可視化
- 2. R數據可視化圖例
- 3. 數據可視化-------excel
- 4. R數據可視化實驗報告
- 5. 漫談數據可視化：怎樣實現數據可視化?
- 6. 數據可視化一：Excel數據可視化
- 7. 使用canvas實現數據可視化
- 8. python數據可視化seaborn（四）—— 分類數據可視化
- 9. R語言之數據可視化---地圖可視化leaflet包(上)
- 10. R數據可視化-ggplot2包
- 更多相關文章...
- • SQLite 視圖（View） - SQLite教程
- • SQL 視圖（Views） - SQL 教程
- • Git可視化極簡易教程 — Git GUI使用方法
- • TiDB 在摩拜單車在線數據業務的應用和實踐
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
