R︱shiny实现交互式界面布置与搭建（案例讲解+学习笔记）

要学的东西太多，无笔记不能学~~ 欢迎关注公众号，一起分享学习笔记，记录每一颗“贝壳”~

———————————————————————————

看了看往期的博客，这个话题竟然是第一次涉及，还真是学无止境啊。

Web Service 这个概念比较成功了， 在SOAP服务之后， Restful服务的普及， 使得数据库的CRUD操作通过网络无限延伸。 普遍的好处是：

1） 你不需要安装任何程序， 携带数据， 只要有网的地方， 你就能演示。（远程）

2） 只要安装一次， 可以多人使用， 可以让别人试用。（多用户）

3） 不用担心软件或者代码泄密， 可以控制用户使用时间和权限。 （服务）

——————————————————————————————————

案例一：中文词云

昨天自己动手实践了一把，做了一个简单的低版本词云实现的web，同时里面内嵌了jiebaR分词，导入文本即可分词、画词云，效果如下图：

——————————————————————————————

案例二：社交网络

网络上的一个社交网络案例——打开网页即可使用：

https://kehaowu.shinyapps.io/SocialNetwork/

这个是个非常简单的应用，我们输入的数据包括人物关系和一些简单的参数。其中人物关系是这样定义的：

比如A和B是friend关系，那么：

输入数据中的Former Person就是A；Later Person就是B，Label就是friend。

依次类推，如果A和B是friend关系，A和C是couples关系，B和C是classmate关系，那么输入数据就应该是：

Former Person: A,A,B

Later Person: B,C,C

Label:friend,couples,classmate

参考博客：

R语言 用shiny开发一个简单的画人物关系应用

 

——————————————————————————————

案例三:官网的案例库

http://shiny.rstudio.com/gallery/

有案例库，你就知道怎么做了吧？——别告诉我，你没做过PPT，copy一下他们的代码就行啦~

——————————————————————————————

一、Shiny安装

1. 直接通过包管理器安装

      install.packages("shiny")

2. 利用devtools通过github安装

      if (!require("devtools"))install.packages("devtools")devtools::install_github("rstudio/shiny")

这里要注意， 如果需要利用代理

library(httr)set_config(use_proxy(url="18.91.12.23", port=8080, username="user",password="password"))

或者要设定专门的版本号

      devtools::install_version("shiny", version = "0.10.2.2")

————————————————————————————————————————————

二、ui.R+server.R+global.R

看到网上大多给你扯ui.R+server.R，很少会提到global.R，笔者在自己实践的时候遇到的了global.R的使用问题，网上教程只能自己参悟了。

ui.R：搭框架，控件；

server.R：每个控件背后的算法代码；

global.R:server.R中，万一有很长的代码与调用很多其他packages就可以用global写一个函数集合，然后统一在server.R调用。

基本的框架就是:

# ui.Rlibrary(shiny)shinyUI(fluidPage())# server.Rlibrary(shiny)shinyServer(function(input, output) {})

往里面的函数里面写东西就行。

1、ui.R——界面设计

library(shiny)# Define UI for application that plots random distributions 
shinyUI(pageWithSidebar(# Application titleheaderPanel("Hello Shiny!"),# Sidebar with a slider input for number of observationssidebarPanel(sliderInput("obs", "Number of observations:", min = 0, max = 1000, value = 500)),# Show a plot of the generated distributionmainPanel(plotOutput("distPlot"))
))

sidebarPanel就是侧面的控件，mainPanel就是右边的控件（默认位置），一般mainPanel通过plotOutput画图。
sliderInput是一个滑动的窗口。

2、server.R

library(shiny)shinyServer(function(input, output) {output$distPlot <- renderPlot({dist <- rnorm(input$obs)hist(dist)})
})

server.R是数据处理的地方，后端，数据来源都来自于ui.R，譬如obs，可能server处理好的图才是返回给ui.R。譬如dist

要调用ui里面的内容的话就是Input$obs就是上面sliderInput里面输入的内容。

Shiny提供一些缓存优化的机制， 其中最有效的是Reactive Expression 反冲表达式。

Reactive机制使得交互渲染的效率大幅度提高。 举个例子， server.R返回一个数据绘图， 但是每次运行需要重新读取数据。 但是当如果输入没有变化的时候， 这种重复的数据读取会极大的延迟反应， 浪费资源。

基于这种考虑， 我们使用reactive关键词重写了数据读取模块。reactive像一个带cache的模块， 并且当reactive检查到数据输入没有任何变化， 那么输出也不会有变化的时候， reactive就会使用缓存的数据，避免了重复运算， 加速了反应。

3、global.R

那么关系现在是这样的，ui.R负责前端，是数据获取的地方，server.R是处理的地方，返回的是处理好后的数据列；那么global.R是用来补充server.R的功能的。

一般是用来写一个函数，然后直接在server.R调用。

来看一个官网里面的global的案例：

library(tm)
library(wordcloud)
library(memoise)# The list of valid books
books <<- list("A Mid Summer Night's Dream" = "summer","The Merchant of Venice" = "merchant","Romeo and Juliet" = "romeo")# Using "memoise" to automatically cache the results
getTermMatrix <- memoise(function(book) {# Careful not to let just any name slip in here; a# malicious user could manipulate this value.if (!(book %in% books))stop("Unknown book")text <- readLines(sprintf("./%s.txt.gz", book),encoding="UTF-8")myCorpus = Corpus(VectorSource(text))myCorpus = tm_map(myCorpus, content_transformer(tolower))myCorpus = tm_map(myCorpus, removePunctuation)myCorpus = tm_map(myCorpus, removeNumbers)myCorpus = tm_map(myCorpus, removeWords,c(stopwords("SMART"), "thy", "thou", "thee", "the", "and", "but"))myDTM = TermDocumentMatrix(myCorpus,control = list(minWordLength = 1))m = as.matrix(myDTM)sort(rowSums(m), decreasing = TRUE)
})

主要就是写了一个函数，一开始把调用的包都给出来了，然后跟函数一样了。这里的memoise函数是缓存的功能，之后就跟正常使用的代码一样。

————————————————————————————————————————————

三、shiny的部署

很简单的是，一般写完之后放在一个文件夹里面，然后runApp一下那个路径的文件夹就行了。

或者Rstudio里面可以直接：”Run App“按钮，你把三个文件导入Rstudio随便点一下就可以，Rstudio会帮你识别。

其中，你想要最右边的那三个代码栏目的话，把”DESCRIPTION“+”Readme.md“复制到那个文件夹里面，自动会显示出来，而且所有的APP都可以复制同一份内容，上面的两个东西可以到library的example里找得到。

————————————————————————————————————————————

四、Shiny 服务器

假如你有创建了很多的Shiny服务， 那么一个专门的Shiny服务器会方便部署。

一般可以有两种部署， 一种是自己搭建一个Shiny Server。 这样就可以同时使用很多的Shiny 应用了。

另外一种是直接部署到Shiny云服务上去， 譬如“www.shinyapps.io” 注册一个云账号， 然后把服务部署到云上去。在注册完成后， 你只要遵照详细的链接， 授权， 和部署的步骤，就可以把本地Shiny App上传部署。

参考来自微信公众号： AIaidddzcAI2ML人工智能to机器学习

————————————————————————————————————————————

延伸一：一个用于监控Shiny应用的Shiny应用

来源公众号：子豹

## Setup work directory;
setwd("/srv/shiny-system/Data") 
I <- 0
for (i in 1:60) {system("top -n 1 -b -u shiny > top.log")dat <- readLines("top.log")id <- grep("R *$", dat)Names <- strsplit(gsub("^ +|%|\\+", "", dat[7]), " +")[[1]]if (length(id) > 0) {# 'top' data frame;L <- strsplit(gsub("^ *", "", dat[id]), " +")dat <- data.frame(matrix(unlist(L), ncol = 12, byrow = T))names(dat) <- Namesdat <- data.frame(Time = Sys.time(), dat[, -ncol(dat)], usr = NA, app = NA)dat$CPU <-as.numeric(as.character(dat$CPU))dat$MEM <-as.numeric(as.character(dat$MEM))# Check if connection number changed;for (i in 1:length(dat$PID)) {PID <- dat$PID[i]system(paste("sudo netstat -p | grep", PID, "> netstat.log"))system(paste("sudo netstat -p | grep", PID, ">> netstat.log2"))system(paste("sudo lsof -p", PID, "| grep /srv > lsof.log"))netstat <- readLines("netstat.log")lsof <- readLines("lsof.log")dat$usr[i] <- length(grep("ESTABLISHED", netstat) & grep("tcp", netstat))dat$app[i] <- regmatches(lsof, regexec("srv/(.*)", lsof))[[1]][2]}dat <- dat[, c("app", "usr")]} else {dat <- data.frame(app = "app", usr = 0)}write.table(dat, file = "CPU.txt")
}

参考文献：

1、中文教程：http://yanping.me/shiny-tutorial/

2、英文官网：http://shiny.rstudio.com/   

3、R powered web applications with Shiny ：一些讲解，比较深入讲解每个模块内容