Explorer rapidement un set de données avec Shinymodules

On poursuit notre série sur les packages shiny de Datastorm avec Shinymodules. Ce package est constitué de 4 modules permettant d’explorer rapidement un set de données. Certes, Shinymodules peut paraître un peu « fourre-tout » car il est né de notre besoin de mutualiser les différents développements réalisés pour nos projets… et ne pas réinventer la roue en permanence.  Mais attention, on trouve dans Shinymodules des fonctionnalités très utiles que nous utilisons au quotidien dans les applications développées pour les équipes métier de nos clients. Bref, un must have !

Installation

Shinymodules ne sera donc a priori pas déposé sur le CRAN dans sa structure actuelle. En revanche, vous pouvez l’installer directement depuis notre github https://github.com/datastorm-open :

if(!require(devtools)) install.packages("devtools")
devtools::install_github("datastorm-open/shinymodules")

Et bien évidemment, le code source est accessible à la même adresse.

Application de démonstration

Une application de démonstration est disponible

• directement dans le package :

if(!require(nycflights13)) install.packages("nycflights13")
if(!require(data.table)) install.packages("data.table")
if(!require(esquisse)) install.packages("esquisse")
if(!require(colourpicker)) install.packages("colourpicker")
shiny::runApp(system.file("demo_app", package = "shinymodules"))

• et en ligne à l’adresse suivante : https://datastorm-demo.shinyapps.io/shinymodules/

Fonctionnalités

?shinymodules::filter_data
# ui.R
shinymodules::filter_data_UI(id = "filter_id"))
# server.R
full_data <- shiny::reactive({my_data})
output_filter <- shiny::callModule(module = shinymodules::filter_data,
          id = "filter_id",
          data = full_data,
          columns_to_filter = "all")
# then, have fun with filter data !
your_filtered_table <- output_filter$data

2. Résumer les données

Une fois notre jeu de données défini, on souhaite obtenir une vue synthétique de nos variables. C’est ce que propose summary_data avec le calcul et l’affichage d’un ensemble de statistiques descriptives (données manquantes
& distributions).

?shinymodules::summary_data
# ui.R
shinymodules::summary_data_UI(id = "stat_desc_id", titles = FALSE)
# server.R
data <- shiny::reactive({my_data})
shiny::callModule(module = shinymodules::summary_data,
          data = shiny::reactive(data))

Les indicateurs affichés sont paramétrables et les tableaux sont téléchargeables sous différents formats (.csv, .xlsx ou .html), ce qui nous amène au troisième
module disponible.

3. Télécharger les données

Le troisième module show_DT permet simplement d’afficher une table avec le package DT en proposant à l’utilisateur de la télécharger. Il est donc relativement basique mais néanmoins très utile !

?shinymodules::show_DT
# ui.R
shinymodules::show_DT_UI(
     id = "iris_module",
     export = c("csv", "html")
)
# server.R
shiny::callModule(module = show_DT,
    id = "iris_module",
    data = reactive(iris),
    dt = reactive(DT::datatable(iris)),
    file_name = paste0("Iris_export", format(Sys.time(), format = "%d%m%Y_%H%M%S"))
)

4. Analyser les performances d’un modèle de régression / Monitorer

Le dernier module propose un ensemble de fonctionnalités pour analyser les performances d’un modèle de régression. Dans le cas de données temporelles, des variables complémentaires sont automatiquement créées (heure, jour de la semaine, …)

• Calcul d’indicateurs de performance (RMSE, MAE, MAPE) au global ou sur des sous-populations définies par une variable sélectionnée

• Distributions des erreurs (relatives, absolues ou quadratiques)

• Arbres de régression avec le package visNetwork

?shinymodules::monitoring_data
# ui.R
shinymodules::monitoring_data_UI(
     id = "monitoring",
)
# server.R
shiny::callModule(module = monitoring_data, id = "my_id",
             data = reactive(data),
             col_obs = col_obs,
             col_fit = col_fit,
             col_date = col_date,
             indicators = indicators
)

> Retrouvez les autres packages développés par Datastorm sur notre github : https://github.com/datastorm-open