Você pode baixar os dados aqui.
Tutorial 3b - Quarto Dashboards
NY
Quarto Dashboards e Shiny
Os dashboards são provavelmente a forma mais flexível de comunicar os resultados de um projeto de Data Science/Business Analytics. Na linguagem R, um dos principais pacotes para a produção de dashboards é o flexdashboard pois facilita a criação e manutenção do dashboard diretamente pelo RStudio.
Se além disso se quer um Dashboard responsivo, isto é, que responda a controles manipulados pela pessoa que está consumindo o Dashboard, deve-se utilizar um pacote adicional chamado shiny.
O Quarto recentemente lançou um formato dashboard como parte integral dos seus tipos de arquivos. Para isto, basta carregar format = dashboard dentro das opções do yaml conforme figura abaixo.
Para nosso tutorial de esta aula,
Carregando pacotes
Além dos pacotes comumente usados como o tidyverse, é necessário carregar o shiny para poder incluir interatividade nos dashboards.
Outro pacote que iremos utilizar para deixar os gráficos do ggplot responsivos será o plotly, que deverá ser carregado também. E por fim, o leaflet para realizar mapas interativos.
library(tidyverse)
library(shiny)
library(plotly) #precisa instalar a primeira vez
library(leaflet) #para mapas interativosBásicos
Para definir a orientação (layout) do dashboard, você pode testar entre orientation: columns ou orientation: rows:
---
title: "Aqui vem seu title"
subtitle: "Aqui vem seu subtitle"
format:
dashboard:
orientation: columns
theme: yeti
---Também podemos definir a largura de cada coluna utilizando: {width=xx%}.
Têm muitas outras opções para customizar o dashboard, recomenda-se visitar o site de Dashboards em Quarto aqui.
Dados de NY
Para facilitar a construção do nosso dashboard, vamos utilizar como exemplo três datasets diferentes sobre a cidade de Nova Iorque (NY). Um deles contém a lista de restaurantes na cidade, o outro contém dados sobre propriedades para alugar via airbnb e a última contém dados sobre crimes ocorridos na cidade. Vamos carregar os dados:
crime <- read.csv("datadash/nyccrimes.csv", stringsAsFactors=TRUE)
airbnb <- read_csv("datadash/AB_NYC_2019.csv",
col_types = cols(last_review = col_date(format = "%Y-%m-%d")))
rest <- read_csv("datadash/restaurant_week_2018_final.csv")Para construir dashboards é muito importante definir uma paleta de cores padrão para ser utilizada uniformemente em todos os gráficos, tabelas e KPIs, para isto vamos criar um objeto com cores previamente selecionadas:
minhascores <- c("#9b5de5","#f15bb5","#fee440","#00bbf9","#00f5d4","#264653","#2A9D8F","#E9C46A","#F4A261",
"#E76F51")Restaurantes
Agora vamos realizar alguns gráficos para o dataset de restaurantes:
rest %>%
group_by(restaurant_type) %>%
summarize(Media = mean(average_review)) %>%
head(10) %>%
ggplot(aes(reorder(restaurant_type,Media),
Media,fill=restaurant_type))+
geom_col()+
coord_flip()+
scale_fill_manual(values=minhascores)
rest %>%
group_by(restaurant_type, price_range) %>%
summarize(Media = mean(average_review)) %>%
# head(10) %>%
ggplot(aes(reorder(restaurant_type,Media), Media, fill=price_range))+
geom_col()+
coord_flip()+
facet_wrap(vars(price_range), scales = "free")+
scale_fill_manual(values=minhascores)+
theme(legend.position = "none")
rest %>%
group_by(restaurant_type, price_range) %>%
summarize(Media = mean(average_review)) %>%
#head(10) %>%
ggplot(aes(price_range, Media, fill=price_range))+
geom_boxplot()+
scale_fill_manual(values=minhascores)+
theme(legend.position = "none")
Airbnb
Da mesma forma, vamos criar alguns gráficos para o dataset Airbnb.
boxplot <- airbnb %>%
ggplot(aes(neighbourhood_group, price,
fill=neighbourhood_group))+
geom_boxplot()+
scale_fill_manual(values=minhascores)+
scale_y_log10()
boxplot
Podemos converter o boxplot anterior em interativo, utilizando plotly
ggplotly(boxplot)airbnb %>%
ggplot(aes(last_review, number_of_reviews))+
geom_point(color="#9b5de5",
alpha=0.5)
densidade <- airbnb %>%
ggplot(aes(price))+
geom_density(color="#F4A261",
fill = "#F4A261",
alpha=0.7)+
scale_x_log10()
densidade
Podemos converter o gráfico anterior em interativo utilizando plotly
ggplotly(densidade)Crimes
Agora, por fim, vamos criar alguns gráficos para visualizar os crimes em NY.
crime %>%
sample_frac(0.01) %>% #para escolher 1% dos dados
filter(LAW_CAT_CD=="FELONY") %>%
filter(BORO_NM=="MANHATTAN") %>%
leaflet() %>%
addTiles() %>%
addMarkers()Pacote highcharter
O pacote highcharter tem o mesmo propósito que o plotly, o de fazer gráficos dinâmicos.
library(highcharter)
boxplot2 <- airbnb %>%
hchart(
type = "boxplot",
hcaes(x = neighbourhood_group, y = price),
colorByPoint = TRUE,
colors = minhascores,
yAxis = list(type = "logarithmic")
) %>%
hc_title(text = "Distribuição de Preços por Bairro")
boxplot2Shiny
O shiny é um pacote que serve para criar um dashboard responsivo (veja aqui).
Para poder converter o nosso dashboard em responsivo precisamos alterar (re-arranjar) a estrutura de células de código do nosso arquivo qmd.
Primeiro, devemos colocar todos os nossos pacotes bem como a leitura de arquivos e outras etapas de pré-processamento numa célula chunk antes de todos os títulos (#, ##, etc.), utilizando "#| context: setup como mostra a figura abaixo.
O conteúdo completo do primeiro chunk aparece abaixo.
library(tidyverse)
library(shiny)
library(plotly) #precisa instalar a primeira vez
library(leaflet) #para mapas interativos
crime <- read.csv("nyccrimes.csv", stringsAsFactors=TRUE)
airbnb <- read_csv("AB_NYC_2019.csv",
col_types = cols(last_review = col_date(format = "%Y-%m-%d")))
rest <- read_csv("restaurant_week_2018_final.csv")
zipcodes <- read_csv("NYCZipcodes.csv")
rest <- rest %>%
left_join(zipcodes, by=c("postal_code"="ZIP Codes"))
minhascores <- c("#9b5de5","#f15bb5","#fee440","#00bbf9","#00f5d4","#264653","#2A9D8F","#E9C46A","#F4A261",
"#E76F51")Logo, devemos criar uma nova coluna utilizando “## {.sidebar}”. É nesta coluna que os controles para interagir com o nosso dashboard serão colocados. Um exemplo de sidebar segue abaixo.
Cada gráfico precisará de dois chunks, um para plotar o gráfico e outro para preparar o gráfico reativo.
Para plotar o gráfico usaremos algo como:
plotOutput('plot')E para preparar o gráfico reativo precisaremos chamar uma função reactive() e depois uma função renderPlot(), renderTable(), etc.:
#primeira parte usando reactive
dataset <- reactive(
{
filter(rest, Neighborhood==input$bairro) %>%
group_by(restaurant_type) %>%
summarize(Media = mean(average_review)) %>%
head(10)
})
#segunda parte usando renderPlot
output$plot <- renderPlot({
p <- ggplot(dataset(),
aes(reorder(restaurant_type,Media),
Media,fill=restaurant_type))+
geom_col()+
coord_flip()+
scale_fill_manual(values=minhascores)
p
})Um outro exemplo usando renderTable() segue abaixo. Note que para plotar a tabela data será necessário ter um chunk acima utilizando plotTable('data').
dataset2 <- reactive(
{
filter(rest, Neighborhood==input$bairro) %>%
group_by(restaurant_type) %>%
summarize(Media = mean(average_review)) %>%
head(10)
})
output$data <- renderTable({
dataset2()
})Opções para o corpo
# KPIs
renderValueBox({
valueBox(prettyNum(______, big.mark = ','),
icon = 'fa-ship', caption = "_____",
color="#9b5de5")
}
)
# Requer library(plotly)
renderPlotly({
df <- _____
ggplotly(df)
})
# Gauges - velocímetros
renderGauge({
df <- _____
gauge(____, min = ___, max = ___, symbol = '%', gaugeSectors(
success = c(____, ___), warning = c(____, ___ ), danger = c(____, ___)
))
})
# Tabelas
renderTable({
df %>%
mutate(____) %>%
filter(_____) %>%
group_by(____) %>%
count() %>%
arrange(desc(n))
})Instruções para subir seu dashboard
Uma vez que você tenha escolhido as melhores visualizações, deverá criar um dashboard utilizando oformat: dashboard e subi-lo à plataforma shinyapps.io.
Para poder configurar o shinyapps.io deve seguir as instruções nesta página.