🌃 کشف دقیق و تشریح تفاوت‌های بین دو شیء در R

پکیج waldo یک بسته محاسباتی برای مقایسه دقیق شیءها به خصوص #مقایسه_دیتافرم‌ها طراحی شده است.

💥 نصب و فراخوانی

install.packages("waldo")
library(waldo)

💥 مثال:

---------------------------------
df1 <- data.frame(x = c(1, 2, 3, 4, 5), y = c("a", "b", "c", "d", "e"))
df2 <- data.frame(x = c(1, 2, 3, 10, 4, 5), y = c("a", "b", "c", "X", "d", "e"))
compare(df1, df2)

#> `attr(old, 'row.names')[3:5]`: 3 4 5  
#> `attr(new, 'row.names')[3:6]`: 3 4 5 6
#> 
#> old vs new
#>             x y
#>   old[1, ]  1 a
#>   old[2, ]  2 b
#>   old[3, ]  3 c
#> + new[4, ] 10 X
#>   old[4, ]  4 d
#>   old[5, ]  5 e
#> 
#> `old$x`: 1 2 3    4 5
#> `new$x`: 1 2 3 10 4 5
#> 
#> `old$y`: "a" "b" "c"     "d" "e"
#> `new$y`: "a" "b" "c" "X" "d" "e"
---------------------------------

برای مطالعه اطلاعات تکمیلی در مورد این بسته کلیک کنید.

#معرفی_پکیج
#مقایسه_اشیاء
#افشین_متولی
#waldo
#differences_in_objects
@RStudio_ir

👨‍💻 ساخت یک گزارش کامل #تحلیل_اکتشافی_داده‌ها با چند دستور در R

🔨 نصب و فراخوانی:

devtools::install_github("boxuancui/DataExplorer")
library(DataExplorer)

👨🏻‍💻 مثال:

library(readr)
# Download the data set
df=read_csv('https://raw.githubusercontent.com/lgellis/STEM/master/DATA-ART-1/Data/FinalData.csv', col_names = TRUE)
DataExplorer::create_report(df)

پس از اجرای دستورهای بالا، یک پنجره جداگانه برای شما باز خواهد شد و خروجی آن یک گزارش کامل از ماهیت داده‌های شما خواهد بود.

#معرفی_پکیج
#تحلیل_اکتشافی
#افشین_متولی

#expolatory_data_analysis
@RStudio_ir

داشبورد عملکرد ستارگان فوتبال با R Markdown

⚽️ کمپانی بزرگ EA Sports اخیراً یک #داشبورد با استفاده از #مارکدان تهیه و منتشر کرده است که با قرار دادن نشان‌گر ماوس بر روی تصویر هر بازیکن، یک نمودار راداری به صورت #پاپ_آپ باز شده و عملکرد بازیکن را به شما نمایش می‌شود.

این آمار مربوط به بازی محبوب FIFA 2021 است.

🟩🟩 نمایش داشبورد 🟩🟩

#markdown #shiny #videogame
#football
@RStudio_ir

👨🏻‍💻 رسم گراف تعامل‌گرا در RStudio

یک #گراف_تعامل‌گرا یا Interactive Graph نموداری است که نسبت به حرکات نشانگر ماوس شما حساسیت نشان می دهد و به راحتی با عمل Drag & Drop (نگه داشتن و رها کردن کلیک ماوس) می توانید بر روی آن به صورت لحظه به لحظه (real-time) بدون نیاز به انجام کدنویسی، تغییرات اعمال کنید.

install.packages('visNetwork')
library(visNetwork)
nodes <- data.frame(
  id = 1:4, 
  label =  c('Ali', 'Reza', 'Hassan', 'Parsa')
)
edges = data.frame(
  from = c(rep(2, 2), rep(1, 2), 2, 3,4),
  to = c(rep(3, 3), rep(2, 2), rep(1, 2))
)
visNetwork::visNetwork(nodes, edges) |> 
  visLayout(randomSeed = 123)

در وب سایت زیر بیشتر بخوانید:
🟩🟩 کلیک کنید 🟩🟩

#interactive_graph #graph #social_networks
@RStudio_ir

👨🏻‍💻 تحلیل رگرسیون خطی به روش بیزی در R

گاهی به دلایل مختلف ممکن است قصد داشته باشید به جای روش‌های #حداکثر_درستنمایی یا #حداقل_مربعات برای برآورد پارامترهای مدل رگرسیونی، از روش‌های بهتری مانند #برآورد_بیزی استفاده کنید. در این پست یک بسته مناسب برای انجام این کار به شما معرفی کرده‌ایم.

برای مطالعه بیشتر در مورد کدنویسی و تحلیل خروجی‌های اینگونه مدل‌ها وارد سایت زیر شوید:

🟩🟩 کلیک کنید 🟩🟩

#bayesian_estimation #regression
#Rstanarm
@RStudio_ir

👨🏻‍💻 سه روش تغییر رنگ و متن راهنما به صورت دستی در نمودار جی جی

دستورهای #نمودار_جی_جی به صورت پیش‌فرض از اسامی متغیرها برای رنگ آمیزی و از سطوح متغیرهای کیفی برای نام گذاری راهنمای نمودار استفاده می‌کنند.

شما می توانید این روند را تغییر دهید و با چند کد ساده کنترل کامل روی این اسامی و رنگ‌ها داشته باشید. لینک زیر را دنبال کنید.

🟩🟩 کلیک کنید 🟩🟩

#ggplot2 #legend
#manual_colors_and_legend
@RStudio_ir

👨🏻‍💻 دریافت اطلاعات کامل در مورد پکیج‌ها و نحوه نصب

https://www.r-pkg.org/

#پکیج
#package
#CRAN
@RStudio_ir

📔 کتاب پکیج‌های R

📔 R Packages

نویسنده:
Hadley Wickham
Jenny Bryan

تاریخ انتشار: 2015


🔴 این کتاب یکی از منابع اصلی برای توسعه بسته‌های محاسباتی در R است. در این کتاب، فلسفه توسعه پکیج با توضیحات فراوان گفته شده و صفر تا صد ساخت پکیج را خواهید آموخت.

🟩🟩👇 کلیک کنید 👇 🟥🟥

🟥 مطالعه کتاب

#معرفی_کتاب
#توسعه_پکیج

#R_Packages

@RStudio_ir

👨🏻‍💻 تولید مشخصات فردی به صورت تصادفی در R

در برخی موارد ما دسترسی به داده‌های واقعی نداریم و به همین دلیل از داده‌های شبیه سازی شده استفاده می کنیم. هر مجموعه داده در یک دسته بندی کلی شامل متغیرهای کمی و متغیرهای کیفی است. شبیه سازی متغیرهای کمی آسان است ولی داده هایی مانند نام، نام خانوادگی، نژاد، جنسیت و غیره از جمله متغیرهایی هستند که به روش های مرسوم شبیه سازی نخواهند شد. در این جا یک پکیج برای این کار معرفی می کنیم.

🟩 نصب و فراخوانی پکیج:

install.packages("randomNames")
library(randomNames)

🟩 سه اسم و فامیل به صورت تصادفی:

> randomNames(3)
[1] "Dodd, Reese"       "Clements, Clayton" "al-Badie, Mudrika"

🟩 سه اسم و فامیل (مرد) به صورت تصادفی:

> randomNames(3, gender=0)
[1] "Berhe, Dashawn"   "Tsuchiya, Oliver" "Wright, Jorge" 

🟩 سه اسم (زن) به صورت تصادفی از خاورمیانه:

> randomNames(3, gender=1, ethnicity=6, which.names="first") 
[1] "Ruqayya" "Sawada"  "Awaatif"

#معرفی_پکیج
#تولید_اسامی_تصادفی
#randomNames
@RStudio_ir

📊 آمار پردانلودترین بسته‌های محاسباتی در R نشان می دهد که #ggplot2 پیشتاز است. بله دنیای امروز، دنیای #مصورسازی است.
#statistics
@RStudio_ir

👨🏻‍💻 فیلم‌های RStudio Global رو از دست ندید

👉🏻 https://www.rstudio.com/resources/rstudioglobal-2021/

#rstudioglobal
@RStudio_ir

📔 کتاب R Markdown

✍️ Yihui Xie
✍️ J. J. Allaire
✍️ Garrett Grolemund

تاریخ انتشار: 2021-04-09


🔴 در این کتاب علاوه بر آموزش مارکدان، آموزش‌هایی را برای استفاده از قالب‌های مارکدان در پروژه‌های داشبوردهای Shiny ارائه کرده است و یکی از جامع‌ترین کتب آموزشی برای این ابزار خارق العاده محسوب می‌شود.

🟩🟩👇 کلیک کنید 👇 🟥🟥

🟥 مطالعه کتاب

#معرفی_کتاب
#مارکدان

#R_Markdown

@RStudio_ir

📔 کتاب Mastering Shiny

✍️ Hadley Wickham

تاریخ انتشار: April 29, 2021


🔴 پیش از ظهور بسته محاسباتی Shiny اگر قصد ایجاد اپلیکیشن‌ها یا داشبوردهای تحت وب داشتید، باید زبان‌های برنامه نویسی HTML، CSS یا JavaScript را یاد می‌گرفتید اما امروزه به لطف وجود این پکیج، نیازی به یادگیری زبان‌های برنامه نویسی تحت وب نیست و از طریق نصب این پکیج به راحتی می‌توانید داشبورد تحت وب یا اپلیکیشن تحت وب تولید و منتشر کنید.

🟩🟩👇 کلیک کنید 👇 🟥🟥

🟥 مطالعه کتاب

#معرفی_کتاب
#شاینی

#Shiny

@RStudio_ir

👨🏻‍💻 مصورسازی توزیع‌های آماری در R

بسته ggdist یک پکیج تخصصی برای #مصورسازی توزیع‌های آماری است که بر مبنای توابع پکیج ggplot2 عمل می کند.

🟩 نصب و فراخوانی پکیج:

install.packages("ggdist")
library(ggdist)

با استفاده از این بسته می توانید با دو رویکرد بیزی و فراوانی‌گرا، نمودار عدم قطعیت را برای توزیع ها به تصویر بکشید.

#معرفی_پکیج #توزیع_آماری
#ggdist #distributios
@RStudio_ir