diff --git a/shiny_tutorial.Rmd b/shiny_tutorial.Rmd
index fdb4ff8c673d9435aa1a720429a238d2e0aee481..bae35dfa5c8bfc4f31419aa1f60028faf24d0bd9 100644
--- a/shiny_tutorial.Rmd
+++ b/shiny_tutorial.Rmd
@@ -24,6 +24,8 @@ library(learnr)
## Introduction
+### Iris dataset
+
Pour le tutoriel, nous allons utiliser un jeu de données intégré à R, nommé Iris. Il recense les tailles de pétales et de sépales pour un ensemble d'individus "iris" de trois espèces différentes, setosa, versicolor et virginica.
Exécuter le code suivant, bouton `Run code`, pour afficher les premières lignes du jeu de données:
@@ -32,16 +34,34 @@ Exécuter le code suivant, bouton `Run code`, pour afficher les premières ligne
head(iris)
```
+## Développer une application Shiny
+
+### Créer une application Shiny
+
+Créer un répertoire pour l’application avec **RStudio**.
-## Base d'une application Shiny
+```bash
+File -> New Project -> New Directory -> Shiny Web Application
+```
+
+Choisir une application **Multiple File**.
-La base de notre application Shiny de départ est comprise dans deux fichiers obligatoires au fonctionnement d'une application Shiny, `ui.R` et `server.R`.
+Si cette option n’est pas disponible (ça peut dépendre des versions de Rstudio), on pourra utiliser
+```bash
+File -> New File -> Shiny Web App -> Multiple File
+```
+
+Deux fichier sont automatiquement générés : `ui.R` et `server.R`. Lancer l’application en cliquant sur le bouton `Run App`.
+
+ * Changer le titre de l’application. On pourra l’appeler My first application.
+ * Mettre à jour et vérifier que le titre a bien été changé.
+
### ui.R
-Voici un exemple de `ui.R` que nous allons utiliser.
+Voici un exemple de `ui.R` que nous allons utiliser. Lancer le code avec le bouton `Run code` pour voir le rendu.
-```{r ui_R, exercise=TRUE}
+```{r ui_R, exercise=TRUE, exercise.lines=20, eval=FALSE}
# k-means only works with numerical variables,
# so don't give the user the option to select
# a categorical variable
@@ -80,103 +100,498 @@ Il s'agit maintenant de remplir le fichier server.R pour obtenir des résultats
Créer une reactive avec reactive({}) pour générer un tableau dynamique récupérant les 2 colonnes correspondant aux variables X et Y sélectionnées par l’utilisateur sur les données iris et ranger ce tableau dans une variable « selectedData »
-```{r server_R_selected_data, exercise=TRUE}
-function(input, output, session) {
+```{r server_R_selected_data, exercise=TRUE, exercise.warn_invisible=TRUE}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
-}
+# }
+```
+
+```{r server_R_selected_data-hint-1}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ # Combine the selected variables into a new data frame
+ selectedData <- reactive({...})
+
+# }
+```
+
+```{r server_R_selected_data-hint-2}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ # Combine the selected variables into a new data frame
+ selectedData <- reactive({
+ iris[, ... ]
+})
+
+# }
+```
+
+```{r server_R_selected_data-hint-3}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ # Combine the selected variables into a new data frame
+ selectedData <- reactive({
+ iris[, c(input$xcol, input$ycol)]
+})
+
+# }
```
```{r server_R_selected_data-solution}
-function(input, output, session) {
-
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
# Combine the selected variables into a new data frame
selectedData <- reactive({
iris[, c(input$xcol, input$ycol)]
})
-}
+
+# }
```
-### Générer le clustering k-means dasn une fonction reactive({})
+### Solution
-Créer une reactive avec reactive({}) pour générer un cluster sur le tableau dynamique précédent, utilisant la variable « Cluster count » comme nombre de clusters à créer et ranger ce résultat dans une variable « clusters ». Utiliser la fonction kmeans() pour générer ces clusters.
+Et voilà ce que contient `selectedData`:
-```{r server_R_clusters, exercise=TRUE}
-function(input, output, session) {
+```{r server_R_selected_data-display, echo=FALSE}
+vars <- setdiff(names(iris), "Species")
-}
+pageWithSidebar(
+ headerPanel('Iris: select data'),
+ sidebarPanel(
+ selectInput('xcol_sd', 'X Variable', vars),
+ selectInput('ycol_sd', 'Y Variable', vars, selected = vars[[2]]),
+ numericInput('clusters_sd', 'Cluster count', 3, min = 1, max = 9)
+ ),
+ mainPanel(
+ tabsetPanel(type = "tabs",
+ tabPanel("Selected data", DT::dataTableOutput("sd_selectedData"))
+ )
+ )
+)
```
-```{r server_R_clusters-solution}
-function(input, output, session) {
-
+```{r server_R_selected_data-print, echo=TRUE, context = "server"}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
# Combine the selected variables into a new data frame
selectedData <- reactive({
- iris[, c(input$xcol, input$ycol)]
+ iris[, c(input$xcol_sd, input$ycol_sd)]
})
+
+ output$sd_selectedData <- DT::renderDataTable(
+ DT::datatable(
+ selectedData(),
+ options = list(
+ dom = 'Bfrtip',
+ lengthMenu = list(c(5, 15, -1), c('5', '15', 'All')),
+ pageLength = 15,
+ buttons = list(
+ list(
+ extend = "collection",
+ text = 'Show All',
+ action = DT::JS("function ( e, dt, node, config ) {
+ dt.page.len(-1);
+ dt.ajax.reload();
+ }")
+ )
+ )
+ )
+ )
+ )
- clusters <- reactive({
- kmeans(selectedData(), input$clusters)
- })
-}
+# }
```
-### Générer le plot dynamique du clustering kmeans
+### Générer un tableau des données sélectionnées pour le graphique
-Générer un graphique dynamique avec renderPlot{()} représentant le tableau dynamique avec la fonction plot() et colorer les points selon le cluster auquel ils appartiennent avec le paramètre « col ». Pour récupérer les clusters depuis la variable « clusters », utiliser clusters()\$cluster. Ranger le résultat dans output\$plot1 et le représenter côté UI dans le tabPanel « Plot ».
+Afficher le tableau dynamique avec renderTable{()} représentant le tableau utilisé pour générer le graphique et ranger le résultat dans output$table. Représenter cette table côté UI dans le tabPanel « Table ».
-```{r server_R_render_plot, exercise=TRUE}
-function(input, output, session) {
+```{r server_R_render_table, exercise=TRUE, context = "server", exercise.warn_invisible=TRUE}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
-}
+# }
```
-```{r server_R_render_plot-solution}
-function(input, output, session) {
-
- # Combine the selected variables into a new data frame
- selectedData <- reactive({
- iris[, c(input$xcol, input$ycol)]
+```{r server_R_render_table-hint-1}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ output$table <- renderTable({...})
+
+# }
+```
+
+```{r server_R_render_table-hint-2}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ output$table <- renderTable({
+ selectedData()
})
+
+# }
+```
+
+```{r server_R_render_table-solution}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
- clusters <- reactive({
- kmeans(selectedData(), input$clusters)
+ output$table <- renderTable({
+ selectedData()
})
-
- output$plot1 <- renderPlot({
- palette(c("#E41A1C", "#377EB8", "#4DAF4A", "#984EA3",
- "#FF7F00", "#FFFF33", "#A65628", "#F781BF", "#999999"))
-
- par(mar = c(5.1, 4.1, 0, 1))
- plot(selectedData(),
- col = clusters()$cluster,
- pch = 20, cex = 3)
- points(clusters()$centers, pch = 4, cex = 4, lwd = 4)
+
+# }
+```
+
+### Solution
+
+Et voilà ce que contient `output$table`:
+
+```{r server_R_render_table-display, echo=FALSE}
+vars <- setdiff(names(iris), "Species")
+
+pageWithSidebar(
+ headerPanel('Iris: print selected data table'),
+ sidebarPanel(
+ selectInput('xcol_tbl', 'X Variable', vars),
+ selectInput('ycol_tbl', 'Y Variable', vars, selected = vars[[2]]),
+ numericInput('clusters_tbl', 'Cluster count', 3, min = 1, max = 9)
+ ),
+ mainPanel(
+ tabsetPanel(type = "tabs",
+ tabPanel("Table", DT::dataTableOutput("tbl_selectedData"))
+ )
+ )
+)
+```
+
+```{r server_R_render_table-print, context = "server"}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ # Combine the selected variables into a new data frame
+ tblselectedData <- reactive({
+ iris[, c(input$xcol_tbl, input$ycol_tbl)]
})
-}
+
+ output$tbl_selectedData <- DT::renderDataTable(
+ DT::datatable(
+ tblselectedData(),
+ options = list(
+ dom = 'Bfrtip',
+ lengthMenu = list(c(5, 15, -1), c('5', '15', 'All')),
+ pageLength = 15,
+ buttons = list(
+ list(
+ extend = "collection",
+ text = 'Show All',
+ action = DT::JS("function ( e, dt, node, config ) {
+ dt.page.len(-1);
+ dt.ajax.reload();
+ }")
+ )
+ )
+ )
+ )
+ )
+
+# }
```
### Générer un résumé statistique du tableau dynamique
Générer un texte dynamique avec renderPrint({}) représentant un résumé statistique du tableau dynamique généré précédemment avec la fonction summary() et ranger le résultat dans output$summary, puis le représenter côté UI dans le tabPanel « Summary ».
-```{r server_R_render_print, exercise=TRUE}
-function(input, output, session) {
+```{r server_R_render_print, exercise=TRUE, context = "server", exercise.warn_invisible=TRUE}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
-}
+# }
+```
+
+```{r server_R_render_print-hint-1}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ # Generate a summary of the data ----
+ output$summary <- renderPrint({...})
+
+# }
+```
+
+```{r server_R_render_print-hint-2}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ # Generate a summary of the data ----
+ output$summary <- renderPrint({
+ summary(...)
+ })
+
+# }
+```
+
+```{r server_R_render_print-hint-3}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ # Generate a summary of the data ----
+ output$summary <- renderPrint({
+ summary(selectedData())
+ })
+
+# }
```
```{r server_R_render_print-solution}
-function(input, output, session) {
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+ # Generate a summary of the data ----
+ output$summary <- renderPrint({
+ summary(selectedData())
+ })
+
+# }
+```
+
+### Solution
+
+Et voilà ce que contient `output$summary`:
+
+```{r server_R_render_print-display, echo=FALSE}
+vars <- setdiff(names(iris), "Species")
+
+pageWithSidebar(
+ headerPanel('Iris k-means clustering'),
+ sidebarPanel(
+ selectInput('xcol_smry', 'X Variable', vars),
+ selectInput('ycol_smry', 'Y Variable', vars, selected = vars[[2]]),
+ numericInput('clusters_smry', 'Cluster count', 3, min = 1, max = 9)
+ ),
+ mainPanel(
+ tabsetPanel(type = "tabs",
+ tabPanel("Summary", verbatimTextOutput("print_summary"))
+ )
+ )
+)
+```
+
+```{r server_R_render_print-print, context = "server"}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
# Combine the selected variables into a new data frame
- selectedData <- reactive({
- iris[, c(input$xcol, input$ycol)]
+ smryselectedData <- reactive({
+ iris[, c(input$xcol_smry, input$ycol_smry)]
+ })
+
+ smryclusters <- reactive({
+ kmeans(smryselectedData(), input$clusters_smry)
+ })
+
+ output$print_summary <- renderPrint({
+ summary(smryselectedData())
})
+# }
+```
+
+### Générer le clustering k-means dans une fonction reactive({})
+
+Créer une reactive avec reactive({}) pour générer un cluster sur le tableau dynamique précédent, utilisant la variable « Cluster count » comme nombre de clusters à créer et ranger ce résultat dans une variable « clusters ». Utiliser la fonction kmeans() pour générer ces clusters.
+
+```{r server_R_clusters, exercise=TRUE, exercise.warn_invisible=TRUE}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+# }
+```
+
+```{r server_R_clusters-hint-1}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ clusters <- reactive({...})
+
+# }
+```
+
+```{r server_R_clusters-hint-2}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ clusters <- reactive({
+ kmeans(...)
+ })
+
+# }
+```
+
+```{r server_R_clusters-hint-3}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
clusters <- reactive({
kmeans(selectedData(), input$clusters)
})
+
+# }
+```
+
+```{r server_R_clusters-solution}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+ clusters <- reactive({
+ kmeans(selectedData(), input$clusters)
+ })
+
+# }
+```
+
+### Solution
+
+Et voilà ce que contient `clusters`:
+
+```{r server_R_clusters-display, echo=FALSE}
+vars <- setdiff(names(iris), "Species")
+
+pageWithSidebar(
+ headerPanel('Iris print k-means clustering results'),
+ sidebarPanel(
+ selectInput('xcol_km', 'X Variable', vars),
+ selectInput('ycol_km', 'Y Variable', vars, selected = vars[[2]]),
+ numericInput('clusters_km', 'Cluster count', 3, min = 1, max = 9)
+ ),
+ mainPanel(
+ tabsetPanel(type = "tabs",
+ tabPanel("K-means clusters", verbatimTextOutput("km_clusters"))
+ )
+ )
+)
+```
+
+```{r server_R_clusters-print, context = "server"}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ # Combine the selected variables into a new data frame
+ kmselectedData <- reactive({
+ iris[, c(input$xcol_km, input$ycol_km)]
+ })
+
+ kmclusters <- reactive({
+ kmeans(kmselectedData(), input$clusters_km)
+ })
+
+ output$km_clusters <- renderPrint({
+ kmclusters()
+ })
+
+# }
+```
+
+### Générer le plot dynamique du clustering kmeans
+
+Générer un graphique dynamique avec renderPlot{()} représentant le tableau dynamique avec la fonction plot() et colorer les points selon le cluster auquel ils appartiennent avec le paramètre « col ». Pour récupérer les clusters depuis la variable « clusters », utiliser clusters()\$cluster. Ranger le résultat dans output\$plot1 et le représenter côté UI dans le tabPanel « Plot ».
+
+```{r server_R_render_plot, exercise=TRUE, exercise.warn_invisible=TRUE}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+# }
+```
+
+```{r server_R_render_plot-hint-1}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ output$plot1 <- renderPlot({...})
+
+# }
+```
+
+```{r server_R_render_plot-hint-2}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ output$plot1 <- renderPlot({
+ # create a 9 colors palette
+ palette(...)
+
+ })
+
+# }
+```
+
+```{r server_R_render_plot-hint-3}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ output$plot1 <- renderPlot({
+ # create a 9 colors palette
+ palette(...)
+
+ # define margins: replace *_margin placeholders by real values
+ par(mar = c(bottom_margin, left_margin, top_margin, right_margin))
+ })
+
+# }
+```
+
+```{r server_R_render_plot-hint-4}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ output$plot1 <- renderPlot({
+ # create a 9 colors palette
+ palette(...)
+
+ # define margins: replace *_margin placeholders by real values
+ par(mar = c(bottom_margin, left_margin, top_margin, right_margin))
+
+ # create the plot
+ plot(selectedData(),
+ ...)
+
+ })
+
+# }
+```
+
+```{r server_R_render_plot-hint-5}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ output$plot1 <- renderPlot({
+ # create a 9 colors palette
+ palette(...)
+
+ # define margins: replace *_margin placeholders by real values
+ par(mar = c(bottom_margin, left_margin, top_margin, right_margin))
+
+ # create the plot: set the points color, shape, etc.
+ plot(selectedData(),
+ ...)
+ # add the cluster centers: set the points color, shape, etc.
+ points(clusters()$centers, ...)
+ })
+
+# }
+```
+
+```{r server_R_render_plot-hint-6}
+# function(input, output, session) {
+# full solution
+
output$plot1 <- renderPlot({
palette(c("#E41A1C", "#377EB8", "#4DAF4A", "#984EA3",
"#FF7F00", "#FFFF33", "#A65628", "#F781BF", "#999999"))
@@ -188,55 +603,79 @@ function(input, output, session) {
points(clusters()$centers, pch = 4, cex = 4, lwd = 4)
})
- # Generate a summary of the data ----
- output$summary <- renderPrint({
- summary(selectedData())
+# }
+```
+
+```{r server_R_render_plot-solution, context="server"}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
+ output$plot1 <- renderPlot({
+ palette(c("#E41A1C", "#377EB8", "#4DAF4A", "#984EA3",
+ "#FF7F00", "#FFFF33", "#A65628", "#F781BF", "#999999"))
+
+ par(mar = c(5.1, 4.1, 0, 1))
+ plot(selectedData(),
+ col = clusters()$cluster,
+ pch = 20, cex = 3)
+ points(clusters()$centers, pch = 4, cex = 4, lwd = 4)
})
-}
+
+# }
```
-### Générer un tableau des données sélectionnées pour le graphique
+### Solution
-Afficher le tableau dynamique avec renderTable{()} représentant le tableau utilisé pour générer le graphique et ranger le résultat dans output$table. Représenter cette table côté UI dans le tabPanel « Table ».
+Et voilà ce que contient `output$plot1`:
-```{r server_R_render_table, exercise=TRUE}
-function(input, output, session) {
+```{r server_R_render_plot-display, echo=FALSE}
+vars <- setdiff(names(iris), "Species")
-}
+pageWithSidebar(
+ headerPanel('Iris plot k-means clustering results'),
+ sidebarPanel(
+ selectInput('xcol_plot', 'X Variable', vars),
+ selectInput('ycol_plot', 'Y Variable', vars, selected = vars[[2]]),
+ numericInput('clusters_plot', 'Cluster count', 3, min = 1, max = 9)
+ ),
+ mainPanel(
+ tabsetPanel(type = "tabs",
+ tabPanel("K-means clusters plot", plotOutput("km_plot")),
+ tabPanel("K-means clusters", verbatimTextOutput("print_clusters"))
+ )
+ )
+)
```
-```{r server_R_render_table-solution}
-function(input, output, session) {
-
+```{r server_R_render_plot-print, context = "server"}
+# function(input, output, session) {
+# ajouter votre code ci-dessous
+
# Combine the selected variables into a new data frame
- selectedData <- reactive({
- iris[, c(input$xcol, input$ycol)]
+ plotselectedData <- reactive({
+ iris[, c(input$xcol_plot, input$ycol_plot)]
})
-
- clusters <- reactive({
- kmeans(selectedData(), input$clusters)
+
+ plotclusters <- reactive({
+ kmeans(plotselectedData(), input$clusters_plot)
+ })
+
+ output$print_clusters <- renderPrint({
+ plotclusters()
})
- output$plot1 <- renderPlot({
+ output$km_plot <- renderPlot({
palette(c("#E41A1C", "#377EB8", "#4DAF4A", "#984EA3",
"#FF7F00", "#FFFF33", "#A65628", "#F781BF", "#999999"))
par(mar = c(5.1, 4.1, 0, 1))
plot(selectedData(),
- col = clusters()$cluster,
+ col = plotclusters()$cluster,
pch = 20, cex = 3)
- points(clusters()$centers, pch = 4, cex = 4, lwd = 4)
- })
-
- # Generate a summary of the data ----
- output$summary <- renderPrint({
- summary(selectedData())
+ points(plotclusters()$centers, pch = 4, cex = 4, lwd = 4)
})
- output$table <- renderTable({
- selectedData()
- })
-}
+# }
```
## Application Shiny complète
@@ -251,7 +690,7 @@ shiny::runApp(".")
### L'application shiny en démo live
-Si vous avez exécuter la commande ``shiny::runApp(".")`` dans la console, vous pouvez voir l'application en démo live ci-dessous.
+Si vous avez exécuter la commande `shiny::runApp(".")` dans la console, vous pouvez voir l'application en démo live ci-dessous.
```{r shiny_run_app_demo, echo=FALSE}
# k-means only works with numerical variables,
@@ -268,7 +707,7 @@ pageWithSidebar(
),
mainPanel(
tabsetPanel(type = "tabs",
- tabPanel("Plot", plotOutput('plot1')),
+ tabPanel("K-means clusters plot", plotOutput('plot1')),
tabPanel("Summary", verbatimTextOutput("summary")),
tabPanel("Table", tableOutput("table"))
)