Spaces:
Sleeping
Sleeping
File size: 66,846 Bytes
5f95e9a 80db086 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 |
library(shiny)
library(shinyjs)
library(bslib)
library(dplyr)
library(ggplot2)
library(tm)
library(SnowballC)
library(plotly)
library(dplyr)
library(tidyr)
library(igraph)
library(ggraph)
library(reshape2)
library(SnowballC)
library(RColorBrewer)
library(syuzhet)
library(cluster)
library(Rtsne)
library(umap)
library(MASS)
library(koRpus)
library(openxlsx)
library(tools)
library(shinyWidgets)
library(readxl)
library(scales)
library(caret)
library(BBmisc)
library(glmnet)
library(pROC)
library(ROCR)
library(car)
library(ResourceSelection)
library(tree)
library(ggplotify)
library(lmtest)
library(gridExtra)
library(patchwork)
library(caret)
library(randomForest)
library(gbm)
library(earth)
library(broom)
library(rlang)
library(ggdendro)
library(pastecs)
library(forecast)
library(scales)
library(caret)
library(BBmisc)
library(glmnet)
library(pROC)
library(ROCR)
library(car)
library(ResourceSelection)
library(tree)
library(ggplotify)
library(lmtest)
library(gridExtra)
library(patchwork)
library(caret)
library(randomForest)
library(gbm)
library(earth)
library(broom)
library(rlang)
library(ggdendro)
library(pastecs)
library(dbscan)
library(fpc)
library(factoextra)
library(scales)
library(openxlsx)
library(arules)
library(arulesViz)
library(viridis)
library(kohonen)
library(purrr)
library(rvest)
library(Rtsne)
library(shinydashboard)
library(DT)
library(DataExplorer)
library(lubridate)
library(readr)
library(htmlwidgets)
library(GGally)
library(tidyverse)
options(width = 150)
options(digits = 4, scipen = 1000000000)
options(shiny.maxRequestSize=30*1024^2)
ui <- fluidPage(
theme = bs_theme(version = 5, bootswatch = "spacelab"),
useShinyjs(), # Initialize shinyjs
titlePanel("PtteM Data Science"),
tags$head(tags$link(rel = "stylesheet", href="https://fonts.googleapis.com/css?family=Montserrat:100,300,400,700&display=swap"),
tags$style(HTML("
body, h1, h2, h3, h4, h5, h6, .nav, p, a, .shiny-input-container {
font-family: 'Montserrat'; /* Font type for the title attribute */
font-weight: 385;
color: #007c9e !important;
}
* {
font-family: 'Montserrat', sans-serif;
font-weight: 385;
color: #195576; /* Blue color */
}
body {
background-color: #f7f7f7; /* Light gray background */
}
.icon-btn {
border: 1px solid #0d6efd; /* Example border: solid, 2 pixels, #555 color */
border-radius: 15%; /* Circular border */
color: #00969e; /* Icon color */
font-family: 'Montserrat'; /* Font type for the title attribute */
font-weight: 385;
background-color: #f7f7f7;
padding: 125px; /* Space around the icon */
margin: 25px; /* Space around the button */
font-size: 24px; /* Icon size */
box-shadow: 0 2px 4px rgba(0,0,0,0.2);
}
.icon-btn:hover {
color: #00969e; /* Icon color on hover */
border-color: #007c9e;
background-color: #ebfbfd;/* Border color on hover */
}
/* Add custom styles here */
.shiny-input-container {
margin-bottom: 15px;
}
.box {
border: 1px solid #ddd;
padding: 20px;
border-radius: 50px;
margin-bottom: 200px;
gap: 200px;
align-items: center;
}
#statsTable_wrapper {
margin: 0 auto;
}
.shiny-output-error {
border: 1px solid #FF0000; /* Red border on error */
}
/* If you want to change the font size of the tooltip, you can add custom CSS for the 'title' attribute's default styling. */
"))),
tags$head(
# Include JavaScript to reload the page
tags$script(HTML("
document.addEventListener('DOMContentLoaded', function() {
document.getElementById('myElement').style.color = '#0d6efd'; // Change to your desired color
});
"))
),
tags$head(
tags$script(HTML("
function reloadPage() {
window.location.reload();
}
"))
),
# Refresh button that calls the JavaScript function
actionButton("refresh", "Refresh Analysis", onclick = "reloadPage();"),
# Help Text or Information for the user
helpText("Bu uygulama ile metin analizi başlığı altındaki veri bilimi fonksiyonlarına erişebilirsiniz."),
#Exploratory Data Analysis
h2("Exploratory Data Analysis Section"),
tabsetPanel(
tabPanel("Scatter Plot",
sidebarLayout(
sidebarPanel(
fileInput("scatterupload", "Upload CSV/XLSX File", accept = c(".csv", ".xlsx", ".txt")),
uiOutput("x_column_selector"),
uiOutput("y_column_selector"),
actionButton("scatterbtn", "Scatter Plot"),
HTML("<div>
<h2>Saçılım Grafiği Bölümü</h2>
<p>
Bu panel, kullanıcıların CSV veya XLSX formatındaki veri dosyalarını yükleyerek, bu veriler arasındaki ilişkileri saçılım grafiği (scatter plot) şeklinde görselleştirmelerine olanak tanır. Aşağıdaki adımlar takip edilmelidir:
</p>
<ol>
<li><strong>Dosya Yükleme:</strong> Kullanıcılar, <code>fileInput</code> aracılığıyla analiz etmek istedikleri CSV veya XLSX dosyasını seçerler. Desteklenen formatlar <code>.csv</code>, <code>.xlsx</code> ve <code>.txt</code> uzantılı dosyalardır.</li>
<li><strong>Eksen Seçimi:</strong> Dosya yüklendikten sonra, kullanıcılar <code>uiOutput</code> aracılığıyla oluşturulan seçim kutularından X ve Y eksenlerinde gösterilecek veri sütunlarını seçerler.</li>
<li><strong>Saçılım Grafiği Oluşturma:</strong> <code>actionButton</code> ile tetiklenen <code>Scatter Plot</code> butonuna tıklanarak, seçilen sütunlar arasındaki ilişkiyi gösteren saçılım grafiği oluşturulur.</li>
<li><strong>Sonuçların Gösterimi:</strong> <code>plotlyOutput</code> aracılığıyla oluşturulan saçılım grafiği, ana panelde gösterilir. Bu grafik, seçilen sütunlar arasındaki ilişkileri görsel olarak kullanıcıya sunar.</li>
</ol>
<h3>Neden Kullanılır?</h3> Saçılım grafikleri, iki değişken arasındaki ilişkiyi ve dağılımı görselleştirmek için kullanılır. Bu tür bir analiz, veri setindeki eğilimleri, grupları ve aykırı değerleri hızlıca tespit etmeye yardımcı olur.</p>
<h3>Veri Bilimi Alanındaki Kullanımı:</h3> Saçılım grafikleri, veri analizi, istatistiksel analiz, veri madenciliği ve makine öğrenimi gibi çeşitli veri bilimi uygulamalarında kullanılır. Bu grafikler, değişkenler arasındaki ilişkileri ve korelasyonları anlamak için temel bir
araçtır ve genellikle veri keşfetme aşamasında kullanılır.
<h3>Sonuçların Yorumlanması:</h3> Kullanıcılar, saçılım grafiği üzerinde gösterilen noktaların dağılımını inceleyerek, iki değişken arasındaki ilişkiyi anlamaya çalışabilirler. Örneğin, noktalar arasındaki eğilim çizgisi, pozitif veya negatif bir korelasyonu gösterebilir. Ayrıca, grafik üzerindeki yoğunlaşma alanları veya aykırı değerler, veri setindeki önemli özellikleri veya anormallikleri işaret edebilir.</p>
<h3>İnteraktif Kullanıcı Etkileşimi:</h3> Kullanıcılar, farklı sütun kombinasyonlarını seçerek çeşitli saçılım grafikleri oluşturabilir ve bu grafikleri interaktif bir şekilde inceleyebilirler. Bu, veri setindeki farklı değişkenlerin birbiriyle olan ilişkilerini keşfetme imkanı sunar.</p>
<h3>Kullanım Alanları:</h3> Saçılım grafikleri, finans, ekonomi, sağlık bilimleri, sosyal bilimler ve mühendislik gibi çeşitli alanlarda kullanılır. Örneğin, bir işletme sahibi satış ve reklam harcamaları arasındaki ilişkiyi inceleyebilir veya bir sağlık araştırmacısı farklı sağlık göstergeleri arasındaki korelasyonları değerlendirebilir.</p>
</div>")
),
mainPanel(
plotlyOutput("scatterPlot", width = "100%", height = "650px"),
)
)
),
tabPanel("Three Columned Scatter Plot",
sidebarLayout(
sidebarPanel(
fileInput("scatterThreeUpload", "Upload CSV/XLSX File", accept = c(".csv", ".xlsx", ".txt")),
uiOutput("x_column_three_selector"),
uiOutput("y_column_three_selector"),
uiOutput("color_column_three_selector"),
actionButton("scatterThreeBtn", "Create Scatter Plot"),
HTML("<div>
<h2>Üç Sütunlu Saçılım Grafiği Bölümü</h2>
<p>
Bu panel, kullanıcıların CSV veya XLSX formatındaki veri dosyalarını yükleyerek, bu veriler arasındaki üç boyutlu ilişkileri saçılım grafiği (scatter plot) şeklinde görselleştirmelerine imkan tanır. Aşağıdaki adımlar takip edilmelidir:
</p>
<ol>
<li><strong>Dosya Yükleme:</strong> Kullanıcılar, <code>fileInput</code> aracılığıyla analiz etmek istedikleri CSV veya XLSX dosyasını yüklerler. Desteklenen formatlar <code>.csv</code>, <code>.xlsx</code> ve <code>.txt</code> uzantılı dosyalardır.</li>
<li><strong>Eksen Seçimleri:</strong> Dosya yüklendikten sonra, <code>uiOutput</code> aracılığıyla oluşturulan X ve Y eksenleri için seçim kutuları ve renk kodlaması için üçüncü bir sütun seçilir.</li>
<li><strong>Saçılım Grafiği Oluşturma:</strong> <code>actionButton</code> ile tetiklenen <code>Create Scatter Plot</code> butonuna basılarak, seçilen sütunlar arasındaki ilişkiyi gösteren üç boyutlu saçılım grafiği oluşturulur.</li>
<li><strong>Sonuçların Gösterimi:</strong> <code>plotlyOutput</code> aracılığıyla oluşturulan üç boyutlu saçılım grafiği, ana panelde gösterilir. Bu grafik, seçilen sütunlar arasındaki ilişkileri ve renk kodlaması ile ekstra bir boyut ekleyerek görsel olarak sunar.</li>
</ol>
<h3>Neden Kullanılır?</h3> Üç sütunlu saçılım grafikleri, iki değişken arasındaki ilişkinin yanı sıra, üçüncü bir değişkenin bu ilişki üzerindeki etkisini görselleştirmek için kullanılır. Bu, verilerdeki daha karmaşık ilişkilerin ve desenlerin anlaşılmasına yardımcı olur.</p>
<h3>Veri Bilimi Alanındaki Kullanımı:</h3> Bu tür grafikler, özellikle çok değişkenli veri setlerinin incelenmesinde kullanılır ve veri analizi, istatistiksel analiz, veri madenciliği
ve makine öğrenimi gibi alanlarda değerli bir araçtır. Renk kodlaması sayesinde, ekstra bir boyut eklenerek değişkenler arasındaki ilişkiler daha detaylı bir şekilde incelenebilir.
<h3>Sonuçların Yorumlanması:</h3> Kullanıcılar, grafiğin renkli noktalarının dağılımını inceleyerek, üç değişken arasındaki ilişkiyi ve etkileşimleri anlamaya çalışabilirler. Örneğin, farklı renk grupları, veri setindeki belirli alt grupları veya kategorileri gösterebilir. Bu, veri setindeki desenleri ve ilişkileri daha iyi anlamak için kullanılabilir.
<h3>İnteraktif Kullanıcı Etkileşimi:</h3> Kullanıcılar, farklı sütun ve renk kombinasyonlarını seçerek çeşitli üç boyutlu saçılım grafikleri oluşturabilir ve bu grafikleri interaktif bir şekilde inceleyebilirler. Bu, veri setindeki karmaşık ilişkileri ve dinamikleri keşfetme imkanı sunar.
<h3>Kullanım Alanları:</h3> Üç sütunlu saçılım grafikleri, pazar araştırması, finansal analiz, biyolojik araştırmalar ve sosyal bilimler gibi birçok farklı alanda kullanılabilir. Örneğin, bir araştırmacı, nüfus verilerindeki gelir, eğitim seviyesi ve yaşam memnuniyeti arasındaki ilişkileri inceleyebilir veya bir pazarlamacı, müşteri segmentasyonu analizi yapabilir.
</p>
</div>"),
tags$div(id="plotProgress", style="visibility: hidden;", "Plotting...")
),
mainPanel(
plotlyOutput("scatterThreePlot", width = "100%", height = "650px"),
)
)
),
tabPanel("Pairs Plot",
sidebarLayout(
sidebarPanel(
fileInput("pairsupload", "Upload CSV/XLSX/TXT File", accept = c(".csv", ".xlsx", ".txt")),
HTML("
<div>
<h2>Çiftler Grafiği Bölümü</h2>
<p>
Bu panel, kullanıcıların CSV, XLSX veya TXT formatlarındaki veri dosyalarını yükleyerek, bu veriler arasındaki çok boyutlu ilişkileri çiftler grafiği (pairs plot) şeklinde görselleştirmelerine imkan tanır. İşlem adımları şunlardır:
</p>
<ol>
<li><strong>Dosya Yükleme:</strong> Kullanıcılar, <code>fileInput</code> aracılığıyla analiz etmek istedikleri CSV, XLSX veya TXT dosyasını yüklerler.</li>
<li><strong>Grafiğin Oluşturulması:</strong> Dosya yüklendikten sonra otomatik olarak, veri setindeki tüm değişkenlerin birbirleriyle olan ilişkilerini gösteren bir çiftler grafiği oluşturulur.</li>
<li><strong>Sonuçların Gösterimi:</strong> <code>plotlyOutput</code> aracılığıyla oluşturulan çiftler grafiği, ana panelde gösterilir. Bu grafik, veri setindeki değişkenler arasındaki ilişkilerin kapsamlı bir görsel analizini sağlar.</li>
</ol>
<h3>Neden Kullanılır?</h3> Çiftler grafiği, veri setindeki tüm değişkenlerin birbirleriyle olan ilişkilerini tek bir görselde toplayarak, değişkenler arasındaki potansiyel ilişkileri ve korelasyonları hızlıca tespit etmeyi sağlar. Bu, özellikle çok sayıda değişken içeren veri setlerinde kullanışlıdır.</p>
<h3>Veri Bilimi Alanındaki Kullanımı:</h3> Çiftler grafiği, özellikle veri keşfi aşamasında, veri setlerinin hızlı bir şekilde incelenmesi için sıklıkla kullanılır. Bu tür grafikler, veri analizi, istatistiksel analiz ve veri madenciliği alanlarında yaygın olarak kullanılır.
<h3>Sonuçların Yorumlanması:</h3> Kullanıcılar, grafik üzerinde gösterilen değişkenler arası ilişkileri inceleyerek, veri setindeki desenleri ve olası korelasyonları anlamaya çalışabilirler. Bu, veri setindeki temel özellikleri ve ilişkileri anlamak için bir başlangıç noktası sunar.
<h3>İnteraktif Kullanıcı Etkileşimi:</h3> Kullanıcılar, çiftler grafiği üzerinde interaktif incelemeler yaparak, değişkenler arasındaki ilişkileri daha detaylı bir şekilde gözlemleyebilirler. Bu, özellikle karmaşık veri setlerinde faydalı bir özelliktir.
<h3>Kullanım Alanları:</h3> Çiftler grafiği, çok değişkenli veri setlerinin analizinde kullanılır ve finans, pazar araştırması, biyolojik bilimler, sosyal bilimler ve daha pek çok alanda değerli bir araçtır. Örneğin, bir pazar araştırmacısı müşteri davranışı ile ilgili birden fazla değişken arasındaki ilişkileri inceleyebilir veya bir sağlık araştırmacısı, farklı sağlık göstergeleri arasındaki korelasyonları analiz edebilir.</p>
</div>
")
),
mainPanel(
plotlyOutput("pairsPlot", width = "100%", height = "750px"),
)
)
),
tabPanel("Histogram Plot",
sidebarLayout(
sidebarPanel(
fileInput("histoupload", "Upload CSV/XLSX/TXT File", accept = c(".csv", ".xlsx", ".txt")),
uiOutput("histoColSelect"), # Dynamic UI for column selection
actionButton("generateHisto", "Generate Histogram"),
HTML("
<div>
<h2>Histogram Grafiği Bölümü</h2>
<p>
Bu panel, kullanıcıların CSV, XLSX veya TXT formatlarındaki veri dosyalarını yükleyerek, bu verilerin dağılımını histogram grafiği şeklinde analiz etmelerine olanak tanır. İşlem adımları şöyledir:
</p>
<ol>
<li><strong>Dosya Yükleme:</strong> Kullanıcılar, <code>fileInput</code> aracılığıyla analiz etmek istedikleri CSV, XLSX veya TXT dosyasını yüklerler.</li>
<li><strong>Sütun Seçimi:</strong> Dosya yüklendikten sonra, kullanıcılar <code>uiOutput</code> aracılığıyla oluşturulan seçim kutusu aracılığıyla histogramda gösterilecek veri sütununu seçerler.</li>
<li><strong>Histogram Grafiği Oluşturma:</strong> <code>actionButton</code> ile tetiklenen <code>Generate Histogram</code> butonuna basılarak, seçilen sütun için histogram grafiği oluşturulur.</li>
<li><strong>Sonuçların Gösterimi:</strong> <code>plotlyOutput</code> ile oluşturulan histogram grafiği, ana panelde gösterilir. Bu grafik, seçilen sütunun değer dağılımını görsel olarak sunar.</li>
</ol>
<h3>Neden Kullanılır?</h3> Histogramlar, veri setindeki bir değişkenin frekans dağılımını görselleştirmek için kullanılır. Bu grafikler, veri setindeki değerlerin yoğunlaştığı bölgeleri ve potansiyel aykırı değerleri belirlemeye yardımcı olur.</p>
<h3>Veri Bilimi Alanındaki Kullanımı:</h3> Histogramlar, veri analizi, istatistiksel analiz ve veri madenciliği gibi çeşitli veri bilimi uygulamalarında kullanılır. Bu grafikler, özellikle veri keşfetme aşamasında, veri setindeki dağılımın hızlıca anlaşılması için temel bir araçtır.
<h3>Sonuçların Yorumlanması:</h3> Kullanıcılar, histogram üzerinde gösterilen barların yüksekliğini inceleyerek, veri setindeki değerlerin sıklığını ve dağılımını anlamaya çalışabilirler. Örneğin, barların yüksekliği ve genişliği, verilerin yoğunluğu ve aralığı hakkında bilgi verir.</p>
<h3>İnteraktif Kullanıcı Etkileşimi:</h3> Kullanıcılar, farklı sütunları seçerek çeşitli histogramlar oluşturabilir ve bu grafikleri interaktif bir şekilde inceleyebilirler. Bu, veri setindeki değişkenlerin dağılımını keşfetmek için kullanışlı bir yöntemdir.</p>
<h3>Kullanım Alanları:</h3> Histogramlar, ekonomi, finans, sağlık bilimleri, sosyal bilimler ve mühendislik gibi birçok alanda kullanılır. Örneğin, bir ekonomist gelir dağılımını inceleyebilir veya bir mühendis üretim süreçlerindeki kalite kontrol verilerini analiz edebilir.</p>
</div>")
),
mainPanel(
plotlyOutput("histoPlot", width = "100%", height = "750px")
)
)
),
tabPanel("Histogram and Bar Mean Plot",
sidebarLayout(
sidebarPanel(
fileInput("histoupld", "Upload CSV/XLSX/TXT File", accept = c(".csv", ".xlsx", ".txt")),
uiOutput("histoColSel"), # Dynamic UI for column selection
uiOutput("histosecColSel"),
actionButton("genHisto", "Generate Histogram"),
HTML("
<div>
<h2>Histogram ve Bar Ortalama Değer Grafiği Bölümü</h2>
<p>
Bu panel, kullanıcıların CSV, XLSX veya TXT formatlarındaki veri dosyalarını yükleyerek, bu verilerin dağılımını histogram grafiği şeklinde analiz etmelerine olanak tanır. İşlem adımları şöyledir:
</p>
<ol>
<li><strong>Dosya Yükleme:</strong> Kullanıcılar, <code>fileInput</code> aracılığıyla analiz etmek istedikleri CSV, XLSX veya TXT dosyasını yüklerler.</li>
<li><strong>Sütun Seçimi:</strong> Dosya yüklendikten sonra, kullanıcılar <code>uiOutput</code> aracılığıyla oluşturulan seçim kutusu aracılığıyla histogramda gösterilecek veri sütununu seçerler.</li>
<li><strong>Histogram Grafiği Oluşturma:</strong> <code>actionButton</code> ile tetiklenen <code>Generate Histogram</code> butonuna basılarak, seçilen sütun için histogram grafiği oluşturulur.</li>
<li><strong>Sonuçların Gösterimi:</strong> <code>plotlyOutput</code> ile oluşturulan histogram grafiği, ana panelde gösterilir. Bu grafik, seçilen sütunun değer dağılımını görsel olarak sunar.</li>
</ol>
<h3>Neden Kullanılır?</h3> Histogramlar, veri setindeki bir değişkenin frekans dağılımını görselleştirmek için kullanılır. Bu grafikler, veri setindeki değerlerin yoğunlaştığı bölgeleri ve potansiyel aykırı değerleri belirlemeye yardımcı olur.</p>
<h3>Veri Bilimi Alanındaki Kullanımı:</h3> Histogramlar, veri analizi, istatistiksel analiz ve veri madenciliği gibi çeşitli veri bilimi uygulamalarında kullanılır. Bu grafikler, özellikle veri keşfetme aşamasında, veri setindeki dağılımın hızlıca anlaşılması için temel bir araçtır.
<h3>Sonuçların Yorumlanması:</h3> Kullanıcılar, histogram üzerinde gösterilen barların yüksekliğini inceleyerek, veri setindeki değerlerin sıklığını ve dağılımını anlamaya çalışabilirler. Örneğin, barların yüksekliği ve genişliği, verilerin yoğunluğu ve aralığı hakkında bilgi verir.</p>
<h3>İnteraktif Kullanıcı Etkileşimi:</h3> Kullanıcılar, farklı sütunları seçerek çeşitli histogramlar oluşturabilir ve bu grafikleri interaktif bir şekilde inceleyebilirler. Bu, veri setindeki değişkenlerin dağılımını keşfetmek için kullanışlı bir yöntemdir.</p>
<h3>Kullanım Alanları:</h3> Histogramlar, ekonomi, finans, sağlık bilimleri, sosyal bilimler ve mühendislik gibi birçok alanda kullanılır. Örneğin, bir ekonomist gelir dağılımını inceleyebilir veya bir mühendis üretim süreçlerindeki kalite kontrol verilerini analiz edebilir.</p>
</div>")
),
mainPanel(
plotlyOutput("histPlot", width = "100%", height = "750px")
)
)
),
tabPanel("Bar Plot",
sidebarLayout(
sidebarPanel(
fileInput("baroupld", "Upload CSV/XLSX/TXT File", accept = c(".csv", ".xlsx", ".txt")),
uiOutput("barColSel"), # Dynamic UI for column selection
uiOutput("barsecColSel"),
actionButton("genBar", "Generate Bar Plot"),
HTML("<div>
<h2>Çubuk Grafik Paneli</h2>
<h3>Çıktı Nedir ve Neden Kullanılır?</h3> Bu panel, veri setlerindeki kategorik değişkenlerin sayısal değerlerle ilişkisini görselleştirmek için çubuk grafikler oluşturur. Çubuk grafikler, farklı kategoriler arasındaki büyüklük farklarını kolayca karşılaştırmak için kullanılır. Bu, satış analizi, müşteri davranışları veya demografik dağılım gibi alanlarda kullanışlıdır.</p>
<h3>Kullanım Adımları:</h3></p>
<ol>
<li><strong>Veri Dosyası Yükleme:</strong> Çubuk grafik oluşturmak için bir CSV, XLSX veya TXT dosyasını <code>fileInput</code> aracılığıyla yükleyin.</li>
<li><strong>Kategorik ve Sayısal Sütun Seçimi:</strong> Analiz için kategorik ve sayısal sütunları seçin.</li>
<li><strong>Grafiği Oluşturma:</strong> <code>actionButton</code> butonuna tıklayarak çubuk grafiğini oluşturun.</li>
</ol>
<h3>Kullanıcı Etkileşimi:</h3> Kullanıcılar, dosya yükledikten sonra kategorik ve sayısal sütunları seçer ve analizi başlatır. Sonuçlar ana panelde çubuk grafiği olarak görselleştirilir.</p>
<h3>Veri Bilimi Alanındaki Kullanımı:</h3> Çubuk grafikler, veri görselleştirme ve veri analizi süreçlerinde yaygın olarak kullanılır. Kategorik verilerin sayısal değerlerle ilişkisini göstermek, kategoriler arasındaki farkları ve trendleri belirlemek için tercih edilen bir yöntemdir.</p>
<h3>Desteklenen Dosya Tipleri:</h3> Kullanıcılar, analiz için CSV (.csv), Excel (.xlsx) veya metin (.txt) formatında dosyalar yükleyebilirler.</p>
<h3>Sonuçların Yorumlanması:</h3> Elde edilen çubuk grafik, seçilen kategorik değişkene göre sayısal değerlerin dağılımını ve büyüklüğünü gösterir. Bu, veri setindeki örüntüleri ve ilişkileri anlamak için kullanılır. Örnek olarak:</p>
<ul>
<li><strong>Satış Analizi:</strong> Ürün kategorilerine göre satış miktarlarını gösteren çubuk grafik, hangi ürünlerin daha fazla satıldığını ve satış trendlerini ortaya çıkarabilir.</li>
<li><strong>Müşteri Analizi:</strong> Müşteri gruplarına göre alışveriş miktarlarını gösteren çubuk grafik, farklı müşteri segmentlerinin alışveriş davranışlarını analiz etmek için kullanılır.</li>
<li><strong>Demografik Dağılım:</strong> Nüfus verilerini yaş, cinsiyet gibi kategorilere göre gösteren çubuk grafik, demografik dağılım ve özellikler hakkında bilgi sağlar.</li>
</ul>
<p>Bu örnekler, çubuk grafik analizinin, kategorik verilerin sayısal değerlerle ilişkisini görselleştirmek ve veri setlerindeki örüntüleri anlamak için nasıl kullanılabileceğini gösterir.</p>
</div>
")
),
mainPanel(
plotlyOutput("barPlotea", width = "100%", height = "750px")
)
)
),
tabPanel("Faceted Grids Plot",
sidebarLayout(
sidebarPanel(
fileInput("facegrupld", "Upload CSV/XLSX/TXT File", accept = c(".csv", ".xlsx", ".txt")),
uiOutput("facegrColSel"), # Dynamic UI for column selection
uiOutput("facegrNumColSel"),
actionButton("genFacegr", "Generate Faceted Grid"),
HTML("<div>
<h2>Yüzlü Izgara Grafik Paneli</h2>
<h3>Çıktı Nedir ve Neden Kullanılır?</h3> Bu panel, birden fazla kategorik değişkenin sayısal değerlerle ilişkisini görselleştirmek için yüzlü ızgara grafikler oluşturur. Yüzlü ızgara grafikler, veri setindeki çeşitli kategorik değişkenler arasındaki ilişkileri ve bu ilişkilerin sayısal değerler üzerindeki etkilerini detaylı bir şekilde incelemek için kullanılır.</p>
<h3>Kullanım Adımları:</h3></p>
<ol>
<li><strong>Veri Dosyası Yükleme:</strong> Yüzlü ızgara grafik oluşturmak için bir CSV, XLSX veya TXT dosyasını <code>fileInput</code> aracılığıyla yükleyin.</li>
<li><strong>Kategorik ve Sayısal Sütun Seçimi:</strong> Analiz için birden fazla kategorik sütun ve bir sayısal sütun seçin.</li>
<li><strong>Grafiği Oluşturma:</strong> <code>actionButton</code> butonuna tıklayarak yüzlü ızgara grafiğini oluşturun.</li>
</ol>
<h3>Kullanıcı Etkileşimi:</h3> Kullanıcılar, dosya yükledikten sonra kategorik ve sayısal sütunları seçer ve analizi başlatır. Sonuçlar ana panelde yüzlü ızgara grafiği olarak görselleştirilir.</p>
<h3>Veri Bilimi Alanındaki Kullanımı:</h3> Yüzlü ızgara grafikler, çok boyutlu veri setlerinin analizi ve görselleştirmesi için önemli bir araçtır. Bu grafikler, kategorik değişkenlerin kombinasyonlarının sayısal sonuçlar üzerindeki etkilerini göstererek, veri setindeki karmaşık ilişkileri açığa çıkarır.</p>
<h3>Desteklenen Dosya Tipleri:</h3> Kullanıcılar, analiz için CSV (.csv), Excel (.xlsx) veya metin (.txt) formatında dosyalar yükleyebilirler.</p>
<h3>Sonuçların Yorumlanması:</h3> Elde edilen yüzlü ızgara grafik, seçilen kategorik değişkenlerin kombinasyonlarına göre sayısal değerlerin nasıl değiştiğini gösterir. Bu, veri setindeki gizli örüntüleri ve ilişkileri anlamak için kullanılır. Örnek olarak:</p>
<ul>
<li><strong>Pazar Segmentasyonu:</strong> Müşteri demografik özellikleri ve satın alma miktarlarına dayalı yüzlü ızgara grafik, pazar segmentlerinin detaylı analizini sağlar.</li>
<li><strong>Ürün Performansı:</strong> Ürün kategorileri ve satış bölgelerine göre yüzlü ızgara grafik, farklı pazarlardaki ürün performansını karşılaştırmak için kullanılır.</li>
<li><strong>Zaman Serisi Analizi:</strong> Zaman ve kategorik değişkenlerin kombinasyonlarına göre yüzlü ızgara grafik, zaman içindeki eğilimleri ve mevsimsel dalgalanmaları gözlemlemek için yararlıdır.</li>
</ul>
<p>Bu örnekler, yüzlü ızgara grafik analizinin, çok boyutlu veri setlerinden derinlemesine içgörüler elde etmek ve karmaşık ilişkileri anlamak için nasıl kullanılabileceğini gö
sterir.</p>
</div>
")
),
mainPanel(
plotlyOutput("facegrPlot", width = "100%", height = "850px")
)
)
),
tabPanel("Box & Whisker Plot",
sidebarLayout(
sidebarPanel(
fileInput("boxandwhiskerup", "Upload CSV/XLSX File", accept = c(".csv", ".xlsx")),
actionButton("generatebaw", "Generate Box & Whisker"),
HTML("<div>
<h2>Box & Whisker Grafiği Bölümü</h2>
<p>
Bu panel, kullanıcıların CSV veya XLSX formatındaki veri dosyalarını yükleyerek, bu verilerin dağılımını Box & Whisker grafiği (box & whisker plot) şeklinde analiz etmelerine olanak tanır. Aşağıdaki adımlar takip edilmelidir:
</p>
<ol>
<li><strong>Dosya Yükleme:</strong> Kullanıcılar, <code>fileInput</code> aracılığıyla analiz etmek istedikleri CSV veya XLSX dosyasını yüklerler. Desteklenen formatlar <code>.csv</code> ve <code>.xlsx</code> uzantılı dosyalardır.</li>
<li><strong>Grafiği Oluşturma:</strong> Dosya yüklendikten sonra, <code>actionButton</code> ile tetiklenen <code>Generate Box & Whisker</code> butonuna basılarak kutu ve bıyık grafiği oluşturulur.</li>
<li><strong>Sonuçların Gösterimi:</strong> <code>plotlyOutput</code> aracılığıyla oluşturulan Box & Whisker grafiği, ana panelde gösterilir. Bu grafik, veri setindeki değişkenlerin dağılımını ve aykırı değerleri görsel olarak sunar.</li>
</ol>
<h3>Neden Kullanılır?</h3> Box & Whisker grafikleri, veri setlerindeki değişkenlerin dağılımını, merkezi eğilim ve yayılımı, ayrıca aykırı değerleri görselleştirmek için kullanılır. Bu grafikler, verilerin özetlenmesi ve anlaşılması için etkili bir yoldur.</p>
<h3>Veri Bilimi Alanındaki Kullanımı:</h3> Box & Whisker grafikleri, veri analizi, istatistiksel analiz ve veri madenciliği gibi alanlarda kullanılır. Bu grafikler, özellikle veri keşfi aşamasında, verilerin hızlı bir şekilde özetlenmesi ve anlaşılması için önemli bir araçtır.
<h3>Sonuçların Yorumlanması:</h3> Kullanıcılar, grafik üzerinde gösterilen kutu ve bıyıkların boyutunu ve konumunu inceleyerek, veri setindeki değişkenlerin dağılımını, medyanını, çeyrekliklerini ve potansiyel aykırı değerleri anlamaya çalışabilirler. Kutunun uzunluğu, veri setindeki dağılımın ne kadar yaygın olduğunu gösterirken, bıyıkların uzanımı, veri setinin uç değerlerini gösterir.
<h3>İnteraktif Kullanıcı Etkileşimi:</h3> Kullanıcılar, yüklenen veri dosyası üzerinden farklı değişkenler için Box & Whisker grafikleri oluşturabilir ve bu grafikleri interaktif bir şekilde inceleyebilirler. Bu, veri setindeki farklı değişkenlerin dağılımını ve aykırı değerlerini keşfetmek için kullanışlı bir yöntemdir.
<h3>Kullanım Alanları:</h3> Box & Whisker grafikleri, finans, biyoloji, sosyal bilimler, mühendislik ve ekonomi gibi birçok farklı alanda kullanılır. Örneğin, bir finans analisti, farklı hisse senetlerinin fiyat dağılımlarını inceleyebilir veya bir araştırmacı, sosyal bilimlerde anket verilerinin dağılımını analiz edebilir.</p>
</div>")
),
mainPanel(
plotlyOutput("bawPlot", width = "100%", height = "750px")
)
)
),
tabPanel("Heatmap Correlation Plot",
sidebarLayout(
sidebarPanel(
fileInput("heatmapFile", "Upload CSV/XLSX File", accept = c(".csv", ".xlsx")),
actionButton("generateHeatmap", "Generate Heatmap"),
HTML("<div>
<h2>Isı Haritası Korelasyon Grafiği Bölümü</h2>
<p>
Bu panel, kullanıcıların CSV veya XLSX formatındaki veri dosyalarını yükleyerek, bu verilerin değişkenler arası korelasyonunu ısı haritası (heatmap) şeklinde görselleştirmelerine olanak tanır. İşlem adımları şöyledir:
</p>
<ol>
<li><strong>Dosya Yükleme:</strong> Kullanıcılar, <code>fileInput</code> aracılığıyla analiz etmek istedikleri CSV veya XLSX dosyasını yüklerler. Desteklenen formatlar <code>.csv</code> ve <code>.xlsx</code> uzantılı dosyalardır.</li>
<li><strong>Isı Haritası Oluşturma:</strong> <code>actionButton</code> ile tetiklenen <code>Generate Heatmap</code> butonuna basılarak, veri setindeki değişkenlerin birbiriyle olan korelasyon derecelerini gösteren ısı haritası oluşturulur.</li>
<li><strong>Sonuçların Gösterimi:</strong> <code>plotlyOutput</code> aracılığıyla oluşturulan ısı haritası, ana panelde gösterilir. Bu grafik, değişkenler arasındaki korelasyon ilişkilerini renk skalası üzerinden görsel olarak sunar.</li>
</ol>
<h3>Neden Kullanılır?</h3> Isı haritaları, bir veri setindeki çok sayıda değişken arasındaki korelasyonları görselleştirmek için etkilidir. Bu analiz, değişkenler arası ilişkilerin hızlı ve kolay bir şekilde anlaşılmasını sağlar.</p>
<h3>Veri Bilimi Alanındaki Kullanımı:</h3> Isı haritaları, veri analizi, istatistiksel analiz ve veri madenciliği gibi çeşitli veri bilimi uygulamalarında kullanılır. Özellikle çok değişkenli veri setlerinin keşfi ve analizi sırasında kullanışlıdır.
<h3>Sonuçların Yorumlanması:</h3> Kullanıcılar, ısı haritası üzerindeki renk yoğunluklarını inceleyerek değişkenler arasındaki korelasyonun gücünü ve yönünü anlamaya çalışabilirler. Koyu renkler yüksek korelasyonları, açık renkler ise düşük korelasyonları gösterir.
<h3>İnteraktif Kullanıcı Etkileşimi:</h3> Kullanıcılar, ısı haritası üzerinde interaktif incelemeler yaparak, değişkenler arasındaki korelasyon iliş
kilerini daha detaylı bir şekilde gözlemleyebilirler. Bu, özellikle karmaşık veri setlerinde, değişkenler arası ilişkilerin ve etkileşimlerin keşfedilmesi için faydalı bir özelliktir.
<h3>Kullanım Alanları:</h3> Isı haritası korelasyon grafikleri, finans, biyoloji, sosyal bilimler, sağlık bilimleri ve daha pek çok alanda kullanılır. Örneğin, bir finans analisti farklı finansal göstergeler arasındaki ilişkileri inceleyebilir veya bir epidemiyolog sağlık verilerindeki değişkenler arası korelasyonları analiz edebilir.</p>
</div>")
),
mainPanel(
plotlyOutput("heatmapPlot", width = "100%", height = "750px")
)
)
),
tabPanel("Basic Statistics Table",
sidebarLayout(
sidebarPanel(
fileInput("fileInputbs", "Upload CSV/XLSX/TXT File", accept = c(".csv", ".xlsx", ".txt")),
actionButton("generateStats", "Generate Statistics"),
HTML("<div>
<h2>Temel İstatistikler Tablosu Bölümü</h2>
<p>
Bu panel, kullanıcıların CSV veya XLSX formatındaki veri dosyalarını yükleyerek, bu verilerdeki temel istatistikleri bir tablo şeklinde görüntülemelerine olanak tanır. Aşağıdaki adımlar takip edilmelidir:
</p>
<ol>
<li><strong>Dosya Yükleme:</strong> Kullanıcılar, <code>fileInput</code> aracını kullanarak analiz etmek istedikleri metin dosyasını seçerler. Desteklenen formatlar düz metin dosyalarıdır (örneğin, <code>.txt</code> uzantılı dosyalar).</li>
<li><strong>İstatistikleri Oluşturma:</strong> Dosya yüklendikten sonra <code>generateStats</code> düğmesine tıklanarak, seçilen veri seti için temel istatistikler hesaplanır.</li>
<li><strong>Sonuçların Gösterimi:</strong> <code>DTOutput</code> aracılığıyla oluşturulan tablo, ana panelde gösterilir. Bu tablo, veri setindeki sayısal değişkenler için ortalama, standart sapma, minimum ve maksimum değerleri içerir.</li>
</li>
</ol>
<h3>Neden Kullanılır?</h3> Temel istatistikler, veri setindeki verilerin dağılımı ve özellikleri hakkında bilgi edinmek için kullanılır. Bu tür bir analiz, veri setindeki eğilimleri, grupları ve aykırı değerleri hızlıca tespit etmeye yardımcı olur.</p>
<h3>Veri Bilimi Alanındaki Kullanımı:</h3> Temel istatistikler, veri analizi, istatistiksel analiz, veri madenciliği ve makine öğrenimi gibi çeşitli veri bilimi uygulamalarında kullanılır. Bu istatistikler, veri setindeki değişkenlerin birbiriyle olan ilişkilerini ve korelasyonları anlamak için temel bir araçtır ve genellikle veri keşfetme aşamasında kullanılır.</p>
<h3>Sonuçların Yorumlanması:</h3> Kullanıcılar, tablodaki değerleri inceleyerek, veri setindeki sayısal değişkenler hakkında bilgi edinebilirler. Örneğin, ortalama, bir değişkenin genel değerini gösterir. Standart sapma, bir değişkenin değerlerinin ne kadar dağıldığını gösterir. Minimum ve maksimum değerler, bir değişkenin en düşük ve en yüksek değerlerini gösterir.</p>
<h3>İnteraktif Kullanıcı Etkileşimi:</h3>Kullanıcılar, farklı veri setleri veya değişkenler seçerek, farklı tablolar oluşturabilir ve bu tabloları interaktif bir şekilde inceleyebilirler. Bu, veri setindeki farklı değişkenlerin birbiriyle olan ilişkilerini keşfetme imkanı sunar.
<h3>Kullanım Alanları:</h3>Temel istatistikler, finans, ekonomi, sağlık bilimleri, sosyal bilimler ve mühendislik gibi çeşitli alanlarda kullanılır. Örneğin, bir işletme sahibi satış ve reklam harcamaları arasındaki ilişkiyi inceleyebilir veya bir sağlık araştırmacısı farklı sağlık göstergeleri arasındaki ortalama değerleri karşılaştırabilir.</p>
</div>")
),
mainPanel(
DTOutput("statsTable")
)
)
)
)
)
###Basic Statistics Table Function
calculate_stats <- function(df) {
# Calculate stats for all columns and convert results to a data frame
stats_df <- lapply(names(df), function(name) {
col <- df[[name]]
if(is.numeric(col)) {
tibble(
Metric = c("Count", "Mean", "Median", "Min", "Max", "NA_Values"),
Value = c(
sum(!is.na(col)),
mean(col, na.rm = TRUE),
median(col, na.rm = TRUE),
min(col, na.rm = TRUE),
max(col, na.rm = TRUE),
sum(is.na(col))
),
Column = name
)
} else {
tibble(
Metric = c("Count", "Unique_Values", "NA_Values"),
Value = c(
sum(!is.na(col)),
length(unique(col)),
sum(is.na(col))
),
Column = name
)
}
}) %>% bind_rows() %>% mutate(Value = ifelse(is.na(Value), "NA", Value))
# Reshape data frame to wide format
stats_wide <- pivot_wider(stats_df, names_from = Column, values_from = Value, id_cols = Metric)
return(stats_wide)
}
server <- function(input, output, session) {
read_data <- function(filepath) {
ext <- tools::file_ext(filepath)
if (ext == "csv") {
read.csv(filepath, stringsAsFactors = FALSE)
} else if (ext == "xlsx") {
readxl::read_excel(filepath)
} else {
stop("Invalid file format. Please select a CSV or XLSX file.")
}
}
clean_column_names <- function(dataframe) {
colnames(dataframe) <- gsub("[^[:alnum:]_]", "", make.names(colnames(dataframe), unique = TRUE))
return(dataframe)
}
#Exploratory Data Analysis
# Reactive to store the uploaded data
datasp <- reactive({
# Ensure a file is uploaded
req(input$scatterupload)
# Process the file based on its type
file <- input$scatterupload
ext <- tools::file_ext(file$name)
if (ext == "csv") {
read.csv(file$datapath, na.strings = c("", "NA", "na"), stringsAsFactors = FALSE)
} else if (ext == "xlsx") {
readxl::read_xlsx(file$datapath, na = c("", "NA", "na"))
} else if (ext == "txt") {
read.delim(file$datapath, na.strings = c("", "NA", "na"), stringsAsFactors = FALSE)
}
})
# Add a reactive value to track if the button is clicked
isButtonClicked <- reactiveVal(FALSE)
# Observe when the button is clicked
observeEvent(input$scatterbtn, {
isButtonClicked(TRUE) # Set the flag when the button is clicked
req(datasp()) # Ensure data is available
# Clean the data
clean_data <- na.omit(datasp())
# Exclude categorical columns or handle them differently
clean_data <- clean_data[sapply(clean_data, is.numeric)]
# Ensure that 'x' and 'y' columns are selected
if (input$xcol %in% names(clean_data) && input$ycol %in% names(clean_data)) {
cleanData(clean_data) # Store cleaned data
} else {
cleanData(NULL) # Store NULL if columns are not selected
}
})
# Reset the button click flag when new file is uploaded
observeEvent(input$scatterupload, {
isButtonClicked(FALSE)
})
# UI output for column selectors
output$x_column_selector <- renderUI({
req(datasp())
selectInput("xcol", "X-axis Variable", names(datasp()))
})
output$y_column_selector <- renderUI({
req(datasp())
selectInput("ycol", "Y-axis Variable", names(datasp()))
})
# Render the scatter plot
output$scatterPlot <- renderPlotly({
req(isButtonClicked()) # Check if the button is clicked
req(cleanData()) # React only to cleanData
clean_data <- cleanData()
# Create a Plotly scatter plot
p <- plot_ly(clean_data, x = ~get(input$xcol), y = ~get(input$ycol), type = 'scatter', mode = 'markers')
p <- p %>% layout(title = 'Scatter Plot',
xaxis = list(title = input$xcol),
yaxis = list(title = input$ycol))
p
})
##Three Columned Scatter Plot
# Reactive to store the uploaded data
dataThree <- reactive({
req(input$scatterThreeUpload)
file <- input$scatterThreeUpload
ext <- tools::file_ext(file$name)
if (ext == "csv") {
read.csv(file$datapath, na.strings = c("", "NA", "na"), stringsAsFactors = FALSE)
} else if (ext == "xlsx") {
readxl::read_xlsx(file$datapath, na = c("", "NA", "na"))
} else if (ext == "txt") {
read.delim(file$datapath, na.strings = c("", "NA", "na"), stringsAsFactors = FALSE)
}
})
# UI output for column selectors
output$x_column_three_selector <- renderUI({
req(dataThree())
selectInput("xcolThree", "X-axis Variable", names(dataThree()))
})
output$y_column_three_selector <- renderUI({
req(dataThree())
selectInput("ycolThree", "Y-axis Variable", names(dataThree()))
})
output$color_column_three_selector <- renderUI({
req(dataThree())
selectInput("colorcolThree", "Color Variable", names(dataThree()))
})
cleanData <- reactiveVal() # Initialize cleanData as a reactive value
# Update observeEvent to include color column
observeEvent(input$scatterThreeBtn, {
isButtonClicked(TRUE)
req(dataThree()) # Ensure data is available
# First, define 'clean_data'
clean_data <- na.omit(dataThree())
# Handle categorical data if needed or exclude non-numeric columns
clean_data <- clean_data[sapply(clean_data, is.numeric)]
# Then, check the columns and update 'cleanData'
if (all(c(input$xcolThree, input$ycolThree, input$colorcolThree) %in% names(clean_data))) {
cleanData(clean_data) # Update cleanData reactive value
} else {
cleanData(NULL)
}
})
# Reset the button click flag when new file is uploaded
observeEvent(input$scatterThreeUpload, {
isButtonClicked(FALSE)
})
# Render the scatter plot with color dimension
output$scatterThreePlot <- renderPlotly({
req(isButtonClicked()) # Check if the button is clicked
req(cleanData()) # React only to cleanData
clean_data <- cleanData()
# Create a Plotly scatter plot with color dimension
p <- plot_ly(clean_data, x = ~get(input$xcolThree), y = ~get(input$ycolThree),
type = 'scatter', mode = 'markers',
color = ~get(input$colorcolThree))
p <- p %>% layout(title = 'Scatter Plot with Color Dimension',
xaxis = list(title = input$xcolThree),
yaxis = list(title = input$ycolThree))
p
})
##Pairs Plot
# Reactive expression to process the uploaded file
dataForPairs <- reactive({
req(input$pairsupload)
ext <- tools::file_ext(input$pairsupload$name)
if (ext == "csv") {
df <- read.csv(input$pairsupload$datapath, na.strings = c("", "NA"), stringsAsFactors = FALSE)
} else if (ext == "xlsx") {
df <- readxl::read_xlsx(input$pairsupload$datapath, na = c("", "NA"))
} else if (ext == "txt") {
df <- read.delim(input$pairsupload$datapath, na.strings = c("", "NA"), stringsAsFactors = FALSE)
}
df <- na.omit(df) # Remove NA values
df
})
output$pairsPlot <- renderPlotly({
df <- dataForPairs()
# Ensure at least two numeric columns are available
if (sum(sapply(df, is.numeric)) < 2) {
return(plot_ly() %>%
add_annotations(text = "Not enough numeric columns for Pairs Plot",
x = 0.5, y = 0.5, showarrow = FALSE,
font = list(size = 20)))
}
# Select only numeric columns
numeric_df <- select_if(df, is.numeric)
# Remove NA values
numeric_df <- na.omit(numeric_df)
# Optional: Handle categorical variables for color coding
# ... Code to handle categorical variables ...
# Create the pairs plot
p <- ggpairs(numeric_df, title = "Pairs Plot")
# Convert to Plotly
ggplotly(p)
})
#Histogram
# Reactive expression to process the uploaded file
datahp <- reactive({
req(input$histoupload)
inFile <- input$histoupload
ext <- tools::file_ext(inFile$name)
if (ext == "csv") {
read.csv(inFile$datapath, stringsAsFactors = FALSE, na.strings = c("", "NA", "na"))
} else if (ext == "xlsx") {
readxl::read_xlsx(inFile$datapath, na = c("", "NA", "na"))
} else if (ext == "txt") {
read.delim(inFile$datapath, stringsAsFactors = FALSE, na.strings = c("", "NA", "na"))
}
})
# Dynamic UI for column selection
output$histoColSelect <- renderUI({
req(datahp())
selectInput("histoCol", "Select Column", choices = names(datahp()))
})
selectedColumn <- reactiveVal()
observeEvent(input$generateHisto, {
# Update the selected column when the button is clicked
selectedColumn(input$histoCol)
})
# Render the histogram with progress bar
observeEvent(input$generateHisto, {
output$histoPlot <- renderPlotly({
req(datahp())
req(selectedColumn())
withProgress(message = 'Generating histogram...', value = 0, {
df <- datahp()
# Extended custom color palette with 20 unique colors
my_colors <- c("#1f77b4", "#ff7f0e", "#2ca02c", "#d62728", "#9467bd",
"#8c564b", "#e377c2", "#7f7f7f", "#bcbd22", "#17becf",
"#1a55FF", "#ffBB78", "#2ca02c", "#d62728", "#9467bd",
"#c5b0d5", "#8c564b", "#c49c94", "#e377c2", "#f7b6d2",
"#7b4173", "#a55194", "#ce6dbd", "#de9ed6", "#31a354",
"#74c476", "#a1d99b", "#c7e9c0", "#756bb1", "#9e9ac8",
"#bcbddc", "#dadaeb", "#636363", "#969696", "#bdbdbd",
"#d9d9d9", "#393b79", "#5254a3", "#6b6ecf", "#9c9ede")
incProgress(0.3, detail = "Preparing Data") # Increment progress
# Determine if the column is numeric or non-numeric
is_numeric <- is.numeric(df[[selectedColumn()]])
incProgress(0.3, detail = "Creating Plot") # Increment progress
# Generate the histogram plot
colData <- as.factor(df[[selectedColumn()]])
plot <- if (is_numeric) {
# For numeric columns, use a single color
plot_ly(df, x = colData, type = "histogram",
marker = list(color = my_colors)) %>%
layout(title = paste("Histogram of", selectedColumn()),
xaxis = list(title = selectedColumn()),
yaxis = list(title = "Count"))
} else {
# For non-numeric columns, use distinct colors for each bar
colData <- as.factor(df[[selectedColumn()]])
plot_ly(df, x = colData, type = "histogram",
color = colData, colors = RColorBrewer::brewer.pal(8, "Set2")) %>%
layout(title = paste("Histogram of", selectedColumn()),
xaxis = list(title = selectedColumn()),
yaxis = list(title = "Frequency"))
}
incProgress(0.4, detail = "Finalizing") # Final increment to complete the progress
# Return the generated plot
plot
})
})
})
#Histogram Mean Plot
# Reactive expression to process the uploaded file
datahpn <- reactive({
req(input$histoupld)
inFile <- input$histoupld
ext <- tools::file_ext(inFile$name)
if (ext == "csv") {
read.csv(inFile$datapath, stringsAsFactors = FALSE, na.strings = c("", "NA", "na"))
} else if (ext == "xlsx") {
readxl::read_xlsx(inFile$datapath, na = c("", "NA", "na"))
} else if (ext == "txt") {
read.delim(inFile$datapath, stringsAsFactors = FALSE, na.strings = c("", "NA", "na"))
}
})
# Dynamic UI for column selection
output$histoColSel <- renderUI({
req(datahpn())
selectInput("histoCol", "Select Column", choices = names(datahpn()))
})
# Reactive value to store the selected column
selColhp <- reactiveVal()
# Observe the action button click to update the reactive value
observeEvent(input$genHisto, {
selColhp(input$histoCol)
})
output$histosecColSel <- renderUI({
req(datahpn())
selectInput("histosecCol", "Select Column for Mean Calculation", choices = names(datahpn()))
})
output$histosecColSel <- renderUI({
req(datahpn()) # Ensure data is available
# Debugging: Print column names to the console
print(names(datahpn()))
# Dynamically generate selectInput based on available column names
# Initialize with a placeholder choice if names are not available yet
choices <- if(is.null(names(datahpn()))) c("No columns available" = "") else names(datahpn())
selectInput("histosecCol", "Select Column for Mean Calculation", choices = choices)
})
# Extended custom color palette with 20 unique colors
my_colors <- c("#1f77b4", "#ff7f0e", "#2ca02c", "#d62728", "#9467bd",
"#8c564b", "#e377c2", "#7f7f7f", "#bcbd22", "#17becf",
"#1a55FF", "#ffBB78", "#2ca02c", "#d62728", "#9467bd",
"#c5b0d5", "#8c564b", "#c49c94", "#e377c2", "#f7b6d2",
"#7b4173", "#a55194", "#ce6dbd", "#de9ed6", "#31a354",
"#74c476", "#a1d99b", "#c7e9c0", "#756bb1", "#9e9ac8",
"#bcbddc", "#dadaeb", "#636363", "#969696", "#bdbdbd",
"#d9d9d9", "#393b79", "#5254a3", "#6b6ecf", "#9c9ede")
observeEvent(input$genHisto, {
output$histPlot <- renderPlotly({
req(datahpn(), selColhp(), input$histosecCol)
df <- datahpn()
selected_col <- selColhp()
sec_col <- input$histosecCol
# Convert column names to symbols for dplyr to recognize them
selected_col_sym <- rlang::sym(selected_col)
sec_col_sym <- rlang::sym(sec_col)
# Check if the selected column is numeric
is_numeric <- is.numeric(df[[selected_col]])
if (is_numeric) {
# If the selected column is numeric, generate a standard histogram
mean_val <- mean(df[[sec_col]], na.rm = TRUE)
plot <- plot_ly(df, x = ~get(selected_col), type = "histogram",
marker = list(color = my_colors)) %>%
layout(title = paste("Histogram of", selected_col, "<br>Mean of", sec_col, ":", round(mean_val, 2)),
xaxis = list(title = selected_col),
yaxis = list(title = "Count"))
} else {
# For non-numeric columns, calculate the mean for each category
agg_data <- df %>%
group_by(!!selected_col_sym) %>%
summarise(Mean = mean(!!sec_col_sym, na.rm = TRUE), .groups = 'drop')
plot <- plot_ly(agg_data, x = ~get(selected_col), y = ~Mean, type = "bar",
marker = list(color = my_colors)) %>%
layout(title = paste("Mean of", sec_col, "for each category of", selected_col),
xaxis = list(title = selected_col),
yaxis = list(title = paste("Mean of", sec_col)))
}
plot # Return the generated plot
})
})
##Bar Plot
# Reactive expression to process the uploaded file
databar <- reactive({
req(input$baroupld)
inFile <- input$baroupld
ext <- tools::file_ext(inFile$name)
if (ext == "csv") {
read.csv(inFile$datapath, stringsAsFactors = FALSE, na.strings = c("", "NA", "na"))
} else if (ext == "xlsx") {
readxl::read_xlsx(inFile$datapath, na = c("", "NA", "na"))
} else if (ext == "txt") {
read.delim(inFile$datapath, stringsAsFactors = FALSE, na.strings = c("", "NA", "na"))
}
})
# Dynamic UI for categorical column selection
output$barColSel <- renderUI({
req(databar())
# Exclude non-categorical columns if possible, otherwise let user decide
selectInput("barCategoricalCol", "Select Categorical Column", choices = names(databar()))
})
# Dynamic UI for numerical column selection
output$barsecColSel <- renderUI({
req(databar())
# Include only numerical columns if possible
selectInput("barNumericalCol", "Select Numerical Column", choices = names(databar()))
})
# Store the selected columns
selectedCategoricalCol <- reactiveVal()
selectedNumericalCol <- reactiveVal()
# Observe event for the 'Generate Bar Plot' button
observeEvent(input$genBar, {
selectedCategoricalCol(input$barCategoricalCol)
selectedNumericalCol(input$barNumericalCol)
})
# Render the bar plot
output$barPlotea <- renderPlotly({
req(databar(), selectedCategoricalCol(), selectedNumericalCol())
df <- databar()
catCol <- selectedCategoricalCol()
numCol <- selectedNumericalCol()
# Ensure the categorical column is a factor and numerical column is numeric
if(!is.factor(df[[catCol]]) && !is.Date(df[[catCol]])) {
df[[catCol]] <- as.factor(df[[catCol]])
}
if(!is.numeric(df[[numCol]])) {
stop("Selected numerical column is not numeric.")
}
# Generate the bar plot
p <- plot_ly(data = df, x = ~get(catCol), y = ~get(numCol), type = 'bar',
marker = list(color = 'rgb(158,202,225)', line = list(color = 'rgb(8,48,107)', width = 1.5)))
p <- p %>% layout(title = paste('Bar Plot of', catCol, 'vs', numCol),
xaxis = list(title = catCol),
yaxis = list(title = paste('Sum of', numCol)))
p
})
##Faceted Grids Plot
# Reactive expression to process the uploaded file
datafacegr <- reactive({
req(input$facegrupld) # Ensure that a file is uploaded
inFile <- input$facegrupld # Get the uploaded file information
ext <- tools::file_ext(inFile$name) # Extract the file extension
# Read the file based on its extension and clean the column names
df <- if (ext == "csv") {
read.csv(inFile$datapath, stringsAsFactors = FALSE, na.strings = c("", "NA", "na"))
} else if (ext == "xlsx") {
readxl::read_xlsx(inFile$datapath, na = c("", "NA", "na"))
} else if (ext == "txt") {
read.delim(inFile$datapath, stringsAsFactors = FALSE, na.strings = c("", "NA", "na"))
} else {
stop("Unsupported file type") # Stop execution if the file type is not supported
}
# Ensure that the column names are valid R identifiers
colnames(df) <- make.names(colnames(df), unique = TRUE)
df # Return the cleaned data frame
})
# Dynamic UI for categorical column selection
output$facegrColSel <- renderUI({
req(datafacegr()) # Ensure that the data is available
# Allow user to select multiple categorical columns
selectInput("facegrCatCols", "Select Categorical Columns", choices = names(datafacegr()), multiple = TRUE)
})
# Dynamic UI for numerical column selection
output$facegrNumColSel <- renderUI({
req(datafacegr()) # Ensure that the data is available
# Allow user to select a single numerical column
selectInput("facegrNumCol", "Select Numerical Column", choices = names(datafacegr()))
})
# Store the selected categorical and numerical columns
slctdCatCols <- reactiveVal()
slctdNumCol <- reactiveVal()
# Observe event for the 'Generate Faceted Grid' button
observeEvent(input$genFacegr, {
slctdCatCols(input$facegrCatCols)
slctdNumCol(input$facegrNumCol)
})
# Generate and render the Faceted Grid plot
output$facegrPlot <- renderPlotly({
req(datafacegr(), slctdCatCols(), slctdNumCol()) # Ensure data and selected columns are available
df <- datafacegr()
selected_cat_columns <- slctdCatCols() # This will be a list of selected column names
numerical_column <- slctdNumCol() # This will be the selected numerical column
# Ensure the column names are compatible with ggplot
clean_names <- make.names(names(df))
names(df) <- clean_names
# Update the selected columns with clean names
selected_cat_columns <- clean_names[match(selected_cat_columns, names(df))]
numerical_column <- clean_names[match(numerical_column, names(df))]
# Create the base ggplot object with color
p <- ggplot(df, aes_string(x = selected_cat_columns[1], y = numerical_column, color = selected_cat_columns[1])) +
geom_point() +
scale_color_viridis(discrete = TRUE) # Use viridis color scale for discrete data
# If there's more than one categorical column, use facet_grid
if (length(selected_cat_columns) > 1) {
# Create a faceting formula based on the selected columns
facet_formula <- paste(selected_cat_columns[-1], collapse = " + ")
facet_formula <- as.formula(paste("~", facet_formula))
p <- p + facet_grid(facet_formula, scales = "free")
}
# If there's only one, use facet_wrap
else if (length(selected_cat_columns) == 1) {
p <- p + facet_wrap(~ .data[[selected_cat_columns[1]]], scales = "free")
}
# Continue with theme and other ggplot2 settings
p <- p + theme_minimal() +
theme(axis.text.x = element_text(angle = 0, hjust = 10))
# Convert to plotly object
ggplotly(p, tooltip = "text")
})
##Box and Whisker Plot
# Reactive value to store the data
databaw <- reactiveVal()
# Observe file upload and read the data
observeEvent(input$boxandwhiskerup, {
inFile <- input$boxandwhiskerup
if (is.null(inFile)) return()
ext <- tools::file_ext(inFile$name)
if (ext == "csv") {
databaw(read.csv(inFile$datapath, na.strings = c("", "NA"), stringsAsFactors = FALSE))
} else if (ext == "xlsx") {
databaw(readxl::read_xlsx(inFile$datapath, na = c("", "NA")))
}
})
# Observe event for action button to generate box & whisker plots
observeEvent(input$generatebaw, {
# Get the data and filter out non-numeric columns
df <- databaw() %>%
select_if(is.numeric) %>%
na.omit()
# If no numeric columns, return a message
if (ncol(df) == 0) {
output$bawPlot <- renderPlotly({
plot_ly() %>%
add_annotations(
text = "No numeric columns available for plotting",
x = 0.5, y = 0.5, showarrow = FALSE,
font = list(size = 20)
)
})
return()
}
output$bawPlot <- renderPlotly({
req(databaw()) # Ensure data is loaded
df <- databaw() %>%
select_if(is.numeric) %>%
na.omit()
# If no numeric columns, return a message
if (ncol(df) == 0) {
plot_ly() %>%
add_annotations(
text = "No numeric columns available for plotting",
x = 0.5, y = 0.5, showarrow = FALSE,
font = list(size = 20)
)
} else {
p <- plot_ly() # Start a plotly object
# Add a box trace for each column
for (col in names(df)) {
p <- p %>% add_trace(
y = df[[col]],
name = col,
type = 'box',
marker = list(color = RColorBrewer::brewer.pal(8, "Set1")[col])
)
}
# Finalize layout
p %>% layout(
yaxis = list(title = "Values"),
# boxmode = "group" might not be needed if each trace is a separate box plot
# If boxmode causes an error, it can be safely removed
title = "Multiple Box & Whisker Plots"
)
}
})
})
##Heatmap Correlation Plot
# Reactive value for storing the data
datahm <- reactiveVal()
observeEvent(input$heatmapFile, {
inFile <- input$heatmapFile
if (is.null(inFile)) {
return(NULL) # Exit if no file uploaded
}
# Determine the file extension and read the data accordingly
ext <- tools::file_ext(inFile$name)
if (ext == "csv") {
datahm(read.csv(inFile$datapath, na.strings = c("", "NA"), stringsAsFactors = FALSE))
} else if (ext == "xlsx") {
datahm(readxl::read_xlsx(inFile$datapath, na = c("", "NA")))
}
# You may need to handle other file types and conditions here
})
observeEvent(input$generateHeatmap, {
req(datahm()) # Ensure that data is not NULL before proceeding
withProgress(message = 'Generating heatmap...', value = 0, {
df <- datahm()
if (is.null(df)) {
showNotification("Data not loaded correctly", type = "error")
return(NULL)
}
# Ensure the dataframe is all numeric for correlation
df_numeric <- df %>% select_if(is.numeric) %>% na.omit()
if (ncol(df_numeric) < 2) {
showNotification("Not enough numeric columns for correlation", type = "error")
return(NULL)
}
correlation_matrix <- cor(df_numeric)
heatmap_data <- reshape2::melt(correlation_matrix)
output$heatmapPlot <- renderPlotly({
plot_ly(
x = heatmap_data$Var1, y = heatmap_data$Var2, z = heatmap_data$value,
type = "heatmap", colorscale = 'RdBu'
) %>% layout(title = 'Heatmap Correlation Plot')
})
incProgress(1) # Signal that the process is complete
})
})
##Basic Statistics Table
# Reactive value for storing the data
databs <- reactiveVal(NULL)
# Flag to trigger the generation of statistics
triggerStats <- reactiveVal(FALSE)
# Observe file upload and read the data
observeEvent(input$fileInputbs, {
req(input$fileInputbs)
inFile <- input$fileInputbs
ext <- tools::file_ext(inFile$name)
# Read data based on file type
if (ext == "csv") {
databs(read.csv(inFile$datapath, na.strings = c("", "NA"), stringsAsFactors = FALSE))
} else if (ext == "xlsx") {
databs(readxl::read_xlsx(inFile$datapath, na = c("", "NA")))
}
})
# Update trigger flag on button click
observeEvent(input$generateStats, {
if (!is.null(databs())) {
triggerStats(TRUE) # Set flag to TRUE
}
})
# Generate statistics when the flag is updated
observeEvent(triggerStats(), {
if (triggerStats()) {
df <- req(databs())
df_stats <- calculate_stats(df)
# Output the table
output$statsTable <- renderDT({
df_stats <- req(calculate_stats(databs()))
# Render the DataTable with dynamic colored styling and element ID
datatable(df_stats,
options = list(
pageLength = 25,
scrollX = TRUE,
autoWidth = TRUE,
columnDefs = list(list(className = 'dt-center', targets = "_all"))
),
elementId = "statsTable" # Add elementId here
) %>%
formatStyle(
columns = 1:ncol(df_stats), # Apply to all columns
backgroundColor = JS(
"function(data, type, row, meta) {
return isNaN(parseFloat(data)) ? '#A3E4D7' : '#FCF3CF';
}"
)
)
})
triggerStats(FALSE) # Reset flag after generating the table
}
})
}
shinyApp(ui, server) |