app.R

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)