Verwandeln Sie ein R Markdown-Dokument in eine interaktive Erfahrung

R Markdown ist eine meiner Lieblingsbeschäftigungen im modernen R. Es bietet eine einfache Möglichkeit, Text, R-Code und die Ergebnisse von R-Code in einem einzigen Dokument zu kombinieren. Wenn dieses Dokument als HTML gerendert wird, können Sie Benutzerinteraktionen mit HTML-Widgets wie DT für Tabellen oder Broschüren für Karten hinzufügen. (Wenn Sie mit R Markdown nicht vertraut sind, können Sie zuerst mein R Markdown-Video-Tutorial lesen und dann hierher zurückkehren.) 

Möglicherweise wissen Sie jedoch nicht, dass es eine Möglichkeit gibt, die R Markdown-Interaktivität noch weiter zu verbessern: durch Hinzufügen runtime: shinyzum Dokumentenkopf.

Shiny ist ein Webanwendungsframework für R. Als Framework hat es eine ziemlich spezifische Struktur. Sie können jedoch ein R-Markdown-Dokument in eine Shiny-App konvertieren, ohne viel von dieser starren Struktur befolgen zu müssen . Stattdessen können Sie sofort loslegen und mit dem Codieren beginnen - ohne sich um einige typische Shiny-Aufgaben kümmern zu müssen, z. B. sicherzustellen, dass alle Ihre Klammern und Kommas in tief verschachtelten Layoutfunktionen korrekt sind.

Selbst wenn Sie ein erfahrener, glänzender Entwickler sind, kann ein R Markdown-Dokument für glänzende Aufgaben nützlich sein, bei denen Sie keine vollständige Anwendung benötigen oder um Code schnell auszuprobieren. Es wird weiterhin ein Shiny-Server benötigt, aber wenn Sie RStudio und das Shiny-Paket installiert haben, haben Sie bereits einen lokal.

Werfen wir einen Blick darauf, wie Riny zur Laufzeit in R Markdown funktioniert.

1. Grundlegender R-Abschlag

Ich beginne mit einem herkömmlichen, nicht Shiny R Markdown-Dokument, das eine durchsuchbare Datentabelle nach der Postleitzahl von Massachusetts enthält. Benutzer können nach einer beliebigen Tabellenspalte suchen oder sortieren und Fragen wie "Welche Postleitzahlen haben das höchste mittlere Haushaltseinkommen in Middlesex County?" Beantworten. oder "Welche Postleitzahlen haben die teuerste monatliche Unterkunft?"

Sharon Machlis /

Dieses Dokument enthält auch ein Histogramm, das die Verteilung des mittleren Haushaltseinkommens und einen Text zeigt, aus dem hervorgeht, welche Postleitzahlen das höchste und das niedrigste Einkommen haben. Die Tabelle ist interaktiv, der Rest des Dokuments jedoch nicht. Sie können die gerenderte HTML-Version in den RPubs von RStudio sehen.

Wenn Sie mitmachen möchten, können Sie Code für eine eigenständige Version dieses R Markdown-Dokuments - einschließlich Daten - auf GitHub anzeigen. Wenn Sie sehen möchten, wie ich diese demografischen Daten in R aufgenommen habe, finden Sie in diesem Artikel R-Code zum Erstellen Ihres eigenen Datensatzes (und Sie können den Code optimieren, um einen anderen Status auszuwählen). Wenn Sie Ihre eigene Version der Daten erstellen, befindet sich der Code für ein einfaches R Markdown-Dokument unter Verwendung einer separaten Datendatei auch auf GitHub.

Unabhängig davon, welches R Markdown-Dokument Sie auswählen, werden Sie feststellen, dass es sich um ein größtenteils statisches Dokument mit einer gewissen Interaktivität handelt. Aber was ist, wenn ich möchte, dass das gesamte Dokument interaktiv ist - in diesem Fall sehen Sie, wie sich das Histogramm und der Text sowie die Tabelle ändern? Wie kann der Benutzer einzelne Städte auswählen und alle Informationen so anzeigen, dass sie nur für diese Orte angezeigt werden?

Eine Lösung besteht darin, für jede Stadt eine Seite zu erstellen - möglich mit einem R-Skript, wenn Sie sogenannte parametrisierte Berichte verwenden. Sie können jedoch auch ein einzelnes R-Markdown-Dokument erstellen, das wie eine interaktive App funktioniert.

Fügen Sie glänzende Interaktivität hinzu

Um einem herkömmlichen R-Markdown-Dokument Shiny-Interaktivität hinzuzufügen, fügen Sie runtime: shinyzunächst dem YAML-Header des Dokuments Folgendes hinzu:

--- ---.

Titel: "Mittleres Haushaltseinkommen nach Postleitzahl"

Ausgabe: html_document

Laufzeit: glänzend

--- ---.

Sobald Sie dies getan haben und auf Speichern klicken, wird das Stricksymbol in RStudio zu "Dokument ausführen". Obwohl in der Ausgabe immer noch "html_document" steht, wird es kein einfaches HTML mehr sein. Es ist jetzt eine Mini-Shiny-Anwendung. 

Sharon Machlis / Sharon Machlis,

Lassen Sie Benutzer Daten auswählen

Jetzt brauche ich eine Möglichkeit für Benutzer, ihre Datenauswahl zu treffen. Shiny hat hierfür eine Reihe von „Eingabe-Widgets“. Ich verwende selectInput(), wodurch eine Dropdown-Liste erstellt wird und Benutzer mehr als ein Element auswählen können. Shiny verfügt über weitere Widgets für Optionsfelder, Texteingaben, Datumsauswahl und mehr. Eine Sammlung davon finden Sie in der Shiny Widgets Gallery von RStudio. 

Der Code für die selectInput()Dropdown-Liste meiner Mini-App enthält fünf Argumente und sieht folgendermaßen aus:

selectInput ("mycities", "Wählen Sie eine oder mehrere Städte:",

Auswahl = Sortierung (eindeutig (markdowndata $ City)),

selected = "Boston", multiple = TRUE)

Das erste Argument  selectInput(), mycitiesist der Variablenname ich zum Speichern gewählt haben , was die Benutzer Picks Werte. Das zweite Argument ist der Kopfzeilentext, der in der Dropdown-Liste angezeigt wird. Das dritte Argument choicesist ein Vektor aller möglichen Werte in der Dropdown-Liste - in diesem Fall eindeutige Werte von Städtenamen in meinen Daten, alphabetisch sortiert. selected = Bostonbedeutet, dass in der Dropdown-Liste standardmäßig Boston als ausgewählte Stadt angezeigt wird (die Auswahl einer Standardauswahl ist optional). Und schließlich multiple = TRUEkönnen Benutzer mehr als eine Stadt gleichzeitig auswählen.

Dieser Code erstellt die HTML-Dropdown-Liste. Wenn Sie diesen selectInput()Code in Ihrer R-Konsole ausführen, wird HTML für die Dropdown-Liste generiert (vorausgesetzt, Sie haben Shiny geladen und einen Datenrahmen namens markdowndata mit einer City-Spalte). 

Als nächstes muss ich ein R schreiben, damit dieses Dropdown tatsächlich etwas bewirkt.

Erstellen Sie dynamische Variablen

Ich werde diese Interaktivitätslogik in zwei Teile codieren:

  1. Erstellen Sie einen Datenrahmen mydata- ich nenne ihn -, der jedes Mal gefiltert wird, wenn der Benutzer eine Stadt auswählt.
  2. Schreiben Sie Code für Text, Histogramm und Datentabelle, die sich basierend auf meinem dynamischen Datenrahmen ändern.

Das Wichtigste an dieser Stelle ist, dass diese Objekte keine „regulären“ R-Variablen mehr sind. Sie sind dynamisch . Sie ändern sich basierend auf Benutzeraktionen . Und das bedeutet, dass sie etwas anders funktionieren als die Variablen, an die Sie wahrscheinlich gewöhnt sind.

Was ist das Besondere an ihnen? Hier sind die drei Dinge, die Sie wissen müssen:

  1. Um auf den Wert einer Eingabevariablen zuzugreifen, in der Informationen von Ihrem Benutzer gespeichert werden, benötigen Sie input$myvarnamenicht nur die Syntax myvarname. mycitiesVerwenden Sie für Werte, die in der Dropdown-Liste gespeichert sind, Folgendes input$mycities
  2. Objects like graphs and tables that depend on values from your user are also dynamic and need to be reactive. That’s as easy as wrapping them in a special function, but you need to remember to do it. They also can't be accessed by just their names, but require parentheses as well: a syntax like myvar() and not myvar.
  3. When you display dynamic content—once again, things like a table, a map, a histogram, or even text—it needs to be rendered in a special way, usually using one of Shiny’s special render functions. The good news is that Shiny takes care of most of the functionality of monitoring for changes and calculating results. You just need to know which function to use, and then include it in your code.

This is all often easier than that may sound. Here’s how I’d create a data frame called mydata that changes each time the user selects a city with the mycities selectInput() dropdown :

mydata <- reactive({

filter(markdowndata, City %in% input$mycities)

})

The mydata object now holds a reactive expression and will change value each time the user makes a change in the dropdown list controlling mycities.

Display dynamic variables

Now I'd like to code a table using that filtered mydata data.

As you might have guessed by now, DT::datatable(mydata) won’t work. And there are two reasons why.

First, because mydata is a reactive expression, you can’t refer to it by name alone. It needs parentheses after it, such as  mydata().

But, second, DT::datatable(mydata()) won’t work as standalone code, either. You’ll get an error message something like this: 

 Operation not allowed without an active reactive context.

(You tried to do something that can only be done from inside

a reactive expression or observer.)

You may see versions of this error message quite often when you’re first starting out. It means that you’re trying to display something dynamic using conventional R syntax.

To fix this, I need a Shiny render function. Several visualization packages have their own special Shiny render functions, including DT. Its render function is renderDT(). If I add renderDT ({  }) around the DT code and run the document again, that should work.

This is my table code:

renderDT({

DT::datatable(mydata(), filter = 'top') %>%

formatCurrency(4:5, digits = 0) %>%

formatCurrency(6, currency = "", digits = 0)

})

Note: In addition to creating and displaying the table, this code also adds some formatting. Columns 4 and 5 show as currency, with a dollar sign and commas. The second formatCurrency() line for column 6 adds the commas to the rounded numbers without a dollar sign, since I specified "" as the currency symbol.

I can use the same mydata() reactive data frame to create a histogram, using another Shiny render function: renderPlot().

renderPlot({

ggplot2::ggplot(mydata(), aes(x = MedianHouseholdIncome)) +

geom_histogram(binwidth = 20000, color = "black", fill = "darkgreen") +

theme_classic() +

xlab("") +

ylab("") +

scale_x_continuous(labels = dollar)

})

That code also includes a little ggplot styling, such as choosing colors for the bar outline and fill and changing the graph's theme. The last line formats the x axis to add dollar signs and commas, and it requires the scales package.

Each one of these blocks of R code needs to be within an R Markdown R code chunk, just like any other R code chunks in a conventional Markdown document. That could look something like the code below, which also names the chunk “histo” (names are optional) and sets the width and height of my plot in inches.

```{r histo, fig.width = 3, fig.height = 2}

renderPlot({

ggplot2::ggplot(mydata(), aes(x = MedianHouseholdIncome)) +

geom_histogram(binwidth = 20000, color = "black", fill = "darkgreen") +

theme_classic() +

xlab("") +

ylab("") +

scale_x_continuous(labels = dollar)

})

```

If I'd like to display interactive text that changes with the user's selection, I need a Shiny render function that's named—surprise!—renderText(). You can put that inside a code chunk, or use alternative R Markdown syntax format outside of code chunks like this:

I have some plain text and then add  `r R CODE WILL BE EVALUATED HERE`

The syntax for this is one backtick followed immediately by a lower-case r, a space, the R code you want evaluated, and ending with another single backtick. So, to add a dynamic headline for the histogram, you could use code like this:

Histogram for `r renderText({input$mycities})`

This works fine for a single city. However, if there's more than one city, that code will just display the names without commas between them, such as Boston Cambridge Amherst. For public-facing code,  you'd want to pretty that up a bit, perhaps using base R's paste() function:

Histogram for `r renderText({paste(input$mycities,

sep = " ", collapse = ", ")})`

You can use similar code to generate text that tells users the ZIP codes with highest and lowest median incomes. For those calculations, I created one reactive data frame containing the row with the highest household income and another with the lowest.

I also discovered that the lowest median income was being suspiciously low—$2,500 in the college-town community of Amherst, Mass.—where the median monthly housing cost is $1,215. My guess is that's a concentration of student housing, so I excluded any ZIP code with median household income of less than $5,000.

Here is code to create those two data frames:

zip_highest_income_row <- reactive({

filter(mydata(), MedianHouseholdIncome == max(MedianHouseholdIncome, na.rm = TRUE))

})

zip_lowest_income_row <- reactive({

filter(mydata(), MedianHouseholdIncome >= 5000) %>%

filter(MedianHouseholdIncome == min(MedianHouseholdIncome, na.rm = TRUE))

})

This should look like typical dplyr filter() code, except that 1) each is wrapped in a reactive({ }) function, and 2) the mydata dynamic data frame which changes based on user input is referred to as mydata() and not simply mydata

To show the value of the first item in the zip_highest_income_row data frame's ZIP column, I can't use usual R code like zip_highest_income_row$Zip[1]. Instead,  I need to refer to the dynamic data frame with parentheses: zip_highest_income_row()$Zip[1] . And then wrap that in a Shiny render() function—in this case renderText():

ZIP code `r renderText(zip_highest_income_row()$ZipCode[1])` in

`r renderText(zip_highest_income_row()$City[1])`

has the highest median income in the place(s) you selected,

`r renderText(scales::dollar(zip_highest_income_row()$MedianHouseholdIncome[1]))`.

ZIP code `r renderText(zip_lowest_income_row()$ZipCode[1])` in

`r renderText(zip_lowest_income_row()$City[1])` has the lowest

median income in the place(s) you selected,

`r renderText(scales::dollar(zip_lowest_income_row()$MedianHouseholdIncome[1]))`.

Run and share your Shiny app

Once you add runtime: shiny to an R Markdown, it’s not an HTML file anymore—it’s a mini Shiny application. And that means it needs a Shiny server to run.

As I mentioned earlier, anyone with R, RStudio, and the shiny package has a Shiny server on their local system. That makes it easy to share any Shiny app with fellow R users. You can send them a document by email or, more elegantly, post it online as a zipped file and use the shiny::runUrl() command. There are special runGitHub() and runGist() functions for apps on GitHub that are convenient if you use GitHub for projects, which will automatically zip additional files in your project, such as data files.

But chances are, at some point you’ll want to show your work to non-R users, and that requires a publicly accessibly Shiny server. Probably the easiest option is RStudio’s shinyapps.io service. It’s free for a few limited public apps with very light usage. Paid accounts are priced based on the number of active hours they offer for your apps. Active hours measure time the application is actively being used—one person on for an hour is the same hour as 100 people in that hour. To ensure 24x7 uptime for a couple of apps, you’d need the $1,100/year standard account with 2,000 hours.

You can also build your own Shiny server on a cloud service like AWS and installations for R and the free version of RStudio’s Shiny server software. There’s a great step-by-step tutorial by Dean Attali showing how to do so at Digital Ocean, where you can build and run a small Shiny server for just $5 per month of hosting costs without worrying about active hours. The trade-off is doing your own patching and R/library updates—and you may need a heftier virtual server than the cheapest 1G droplet for robust applications.

Add an interactive map

Finally, I'll walk you through how I added an interactive map to this document using the leaflet package.

First, you need a file with geospatial data as well as numerical data, so your app knows the shape of each ZIP code. The code below explains how create a spatial data frame using the tidycensus and sf packages.

For interactivity, I'll create a dynamic version of that spatial data, so only the selected cities show up on the map. Below is my code for doing that. It may look a little repetitive, but I'm going for readability instead of brevity. Feel free to tighten your own version.

mapdata <- reactive({

if("All Mass" %in% input$mycities){

ma_appdata_for_map %>%

dplyr::select(ZipCode = GEOID, MedianHouseholdIncome = medincome, MedianMonthlyHousingCost = medmonthlyhousingcost, Population = pop, City, County = county.name, State, Lat, Long, income, housing, Pop, geometry) %>%

mutate(

Highlighted = "Yes"

) %>%

sf::st_as_sf()

} else {

dplyr::filter(ma_appdata_for_map, City %in% input$mycities) %>%

dplyr::select(ZipCode = GEOID, MedianHouseholdIncome = medincome, MedianMonthlyHousingCost = medmonthlyhousingcost, Population = pop, City, County = county.name, State, Lat, Long, income, housing, Pop, geometry) %>%

dplyr::mutate(

Highlighted = ifelse(City %in% input$mycities, "Yes", "No")

) %>%

sf::st_as_sf()

}

})

The reactive function should be familiar by now. My if and else statements take into account whether the user has chosen All Mass or just individual cities. For any choice but All Mass, I filter for just the selected cities. In both cases I'm using a conventional dplyr select() function to choose which columns I want in the map, making sure to include Lat for latitude, Long for longitude, and geometry that holds the ZIP code polygon shape files. The last line in each if() code section makes sure the results are an sf (simple features) geospatial object. While I didn't need that code on my local Mac, the app worked better on shinyapps.io when I included it.

Now it’s time to work on map colors. I'll set up two reactive color palettes for my leaflet map, one for income and the other for housing costs. In both cases I use greens, but you could choose any you'd like. 

incomepal <- reactive({

leaflet::colorNumeric(palette = "Greens",

domain = mapdata()$MedianHouseholdIncome)

})

housingpal <- reactive({

leaflet::colorNumeric(palette = "Greens",

domain = mapdata()$MedianMonthlyHousingCost)

})

I want these to be reactive, too, so they change based on user selections. The domain argument defines the values that the palette will be displaying. In the first case, it’s my reactive mapdata object's MedianHouseholdIncome column—with mapdata coded as mapdata() since it's reactive; in the second case, it's the MedianMonthlyHousingCost column.

I'll also set up exactly how I want my popup text to appear. This can take a mixture of HTML (the

is an HTML line break) and data frame columns. While you can certainly use base R’s paste() or paste0() functions, I find the glue package much easier when dealing with more than one variable mixed in with text. You can see below that I just need to enclose variables I want evaluated within curly braces. Of course, the popup text needs to be reactive as well, so it, too, changes with the user’s selection.

mypopups <- reactive({

glue::glue("ZIP Code: {mapdata()$ZipCode}

Median Household Income: {mapdata()$income}

Median Monthly Housing Cost: {mapdata()$housing}

Population: {mapdata()$Pop}

City: {mapdata()$City}

County: {mapdata()$County}")

})

Finally, code for the leaflet map itself.

leaflet::renderLeaflet({

leaflet(mapdata()) %>%

addProviderTiles("CartoDB.Positron") %>%

addPolygons(fillColor = ~incomepal()(mapdata()$MedianHouseholdIncome),

fillOpacity = 0.7,

weight = 1.0,

color = "black",

smoothFactor = 0.2,

popup = mypopups(),

group = "Household Income"

) %>%

addPolygons(fillColor = ~housingpal()(mapdata()$MedianMonthlyHousingCost),

fillOpacity = 0.7,

weight = 0.2,

color = "black",

smoothFactor = 0.2,

popup = mypopups(),

group = "Housing Costs"

) %>%

addLayersControl(

baseGroups=c("Household Income", "Housing Costs"),

position = "bottomleft",

options = layersControlOptions(collapsed = FALSE)

)

})

renderLeaflet() is the Shiny render function that will display the dynamic dataviz relying on the dynamic mapdata object. Inside that function is "regular" leaflet mapping code. The first line, leaflet(mapdata()), creates an R leaflet object from the reactive mapdata object. It is using the leaflet package, which is an R wrapper to the leaflet.js library. Next line adds a style of background map tiles from CartoDB.

The addPolygons() function tells leaflet how to display the ZIP code polygons. I want it colored by the MideanHouseholdIncome column using the income palette I set up earlier, incomepal. Most of the rest of those arguments are styling. The popup argument sets the popup text to be the mypopups object I created earlier, and the group argument gives a name to the map layer.

Ich füge eine weitere ähnliche Ebene für die mittleren monatlichen Wohnkosten hinzu. Und schließlich wird addLayersControl()links unten für jede Ebene eine anklickbare Legende eingefügt.

Sharon Machlis /

Wenn Sie mehr über das Mapping in R mit einer Broschüre erfahren möchten, lesen Sie mein Tutorial „Erstellen von Maps in R in 10 (ziemlich) einfachen Schritten“.

Die endgültige R-Markdown-Datei

Sie können die endgültige R Markdown-Datei auf GitHub sehen. Wenn Sie sich den Code genau ansehen, werden Sie möglicherweise einige Ergänzungen bemerken. Ich habe All Mass zum selectInput()Auswahlvektor der Dropdown-Liste hinzugefügt , sodass der Code jetzt angezeigt wird

selectInput ("mycities", "Wählen Sie eine oder mehrere Städte:",

Auswahl = c ("Alle Masse", sortieren (eindeutig (markdowndata $ City))),

multiple = TRUE, selected = "Boston")

And then I tweaked several other lines of code to give a different option if All Mass is selected, such as creating a dynamic variable selected_places that will say "Massachusetts" if "All Mass" is one of the selected cities.

selected_places <- reactive({

if("All Mass" %in% input$mycities){

"Massachusetts"

} else {

paste(input$mycities,

sep = " ", collapse = ", ")

}

})

Note also the new YAML header:

---

title: "Median Household Income by ZIP Code"

output: html_document

resource_files:

- mamarkdowndata.rdata

- zip_mass_appdata_for_map.rds

runtime: shiny

---

That resources_files: option says that this document requires two other files in order to run, mamarkdowndata.rdata and zip_mass_appdata_for_map.rds. This lets shinyapps.io know those files need to be uploaded along with the main R Markdown document when deploying a file with  rsconnect::deployDoc("docname.Rmd").

You can see this interactive R Markdown document with Shiny in action at //idgrapps.shinyapps.io/runtimeshiny/. It may take a little while to load, since I didn't attempt to optimize this code for speed. RStudio has some resources if you want to learn about speeding up Shiny apps.

How is this different from a 'real' Shiny app?

This super-charged-with-Shiny R Markdown document differs from a full-fledged Shiny app in a few key ways.

1. A Shiny app needs to be in one file called app.R or two files ui.R and server.R. The app can source additional files with other names, but that file-naming structure is absolute. In a one-file app.R app, sections are needed for the ui (user interface, which defines what the user sees and interacts with) and the server.

2. Shiny app layouts are built around the Bootstrap page grid framework. You can see more about layout structure at RStudio's Shiny application layout guide.

3. Most dynamic components that you want to render, including things like graphs and tables, need to be specifically placed somewhere on the page with additional Output functions and definitions. For example, an interactive leaflet map would need code such as leafletOutput("mymap") somewhere in the ui to tell the app where it should display,  in addition to server code such as 

output$mymap <- renderLeaflet({ #MAP CODE HERE }) 

to define the logic behind generating the map.

Here is an example of a Shiny app.R file for this app's histogram and table:

library("shiny")

library("dplyr")

library("ggplot2")

library("DT")

options(scipen = 999)

load("mamarkdowndata.rdata") # loads variable markdowndata

ma_appdata_for_map <- readRDS("zip_mass_appdata_for_map.rds")

# Define UI

ui <- fluidPage(

# Application title

titlePanel("Income and Housing Costs by ZIP Code"),

# Sidebar

sidebarLayout(

sidebarPanel(

selectInput("mycities", "Choose 1 or more Massachusetts places: ", choices = c("All Mass", sort(unique(markdowndata$City))), multiple = TRUE, selected = "Boston"),

br(),

strong("Note: some cities may have more than one place name for ZIP codes. For example, Allston, Brighton, Dorchester, and several other neighborhoods are not included in ZIP code place name \"Boston\".")

),

# Show histogram

mainPanel(

h4(htmlOutput("histogramHeadline")),

plotOutput("myhistogram"),

br(),

h4(htmlOutput("tableHeadline")),

DTOutput("mytable")

)

)

)

# Define server logic required to draw a histogram

server <- function(input, output) {

mydata <- reactive({

if("All Mass" %in% input$mycities){

markdowndata

} else {

filter(markdowndata, City %in% input$mycities)

}

})

selected_places <- reactive({

if("All Mass" %in% input$mycities){

"Massachusetts"

} else {

paste(input$mycities,

sep = " ", collapse = ", ")

}

})

output$histogramHeadline <- renderUI({

paste("Histogram for", selected_places(), " income data")

})

output$tableHeadline <- renderUI({

paste("Data for", selected_places())

})

output$myhistogram <- renderPlot({

ggplot(mydata(), aes(x = MedianHouseholdIncome)) +

geom_histogram(binwidth = 20000, color = "black", fill = "darkgreen") +

theme_classic() +

xlab("") +

ylab("") +

scale_x_continuous(labels = dollar)

})

output$mytable <- renderDT({

DT::datatable(mydata(), filter = 'top') %>%

formatCurrency(4:5, digits = 0) %>%

formatCurrency (6, Währung = "", Ziffern = 0)

})

}}

# Führen Sie die Anwendung aus

shinyApp (ui = ui, server = server)

Weitere Informationen zum Erstellen dieser Art von Shiny-Apps finden Sie in den Shiny-Intro-Tutorials von RStudio.

Weitere R-Tipps finden Sie auf der Videoseite "Mehr mit R tun" oder auf der Wiedergabeliste "Mehr mit R tun" auf YouTube.