Don’t Worry, Be Shiny

06/02/2021

Programme de la séance

Architecture d’une application Shiny
Notion de réactivité de objets
Pratique sur exemples simples
Comment partager une application

Disponibilité

Les fichiers seront sur le SOTR Rennes :

https://stateofther.github.io/rennes/.

La séance est enregistrée et sera disponible par ici :

http://MPEjetelaissefairetatambouille.com.

Intérêt de Shiny

Une application est avant tout un outil adapté à la diffusion & à la collaboration :

une seule interface utilisable par plusieurs personnes simultanément
requiert seulement un navigateur web pour l’utilisation
permet de toucher un public ne sachant pas utiliser R
qui dit intéractivité dit implication

Intérêt de Shiny

Une application est avant tout un outil adapté à la diffusion & à la collaboration :

une seule interface utilisable par plusieurs personnes simultanément
requiert seulement un navigateur web pour l’utilisation
permet de toucher un public ne sachant pas utiliser R
qui dit intéractivité dit implication

…et tout ça depuis R !!!

Eh pour quoi faire ?!

Une application Shiny peut servir à :

Rendre assessible / Diffuser un jeu de données exploration ou téléchargement
…et les analyses / statistiques associées
Créer un espace collaboration pour l’analyse de résultats
Diffuser un outil d’analyse (chacun y met sa propre donnée)
Collecter de la donnée
etc…

Quelques liens utiles

Livres & tutos

Architecture d’une application Shiny

Une application Shiny comporte deux composants majeurs qui vont intéragir en permanence lors de l’utilisation :

la “UI”, pour “User Interface”- génère ce que l’on voit
le “SERVER” - fonction régissant ce qui se passe derrière

Architecture d’une application Shiny

shinyApp(

  ui = fluidPage(
    titlePanel("Bienvenue sur ta 1e application !"),
    sidebarLayout(
      sidebarPanel(
        strong("BARRE LATERALE"),
        br(),
        "C'est ici que vous pourrez rentrer les informations/instructions utilisées par l'application pour visualiser différents éléments"
      ),
      mainPanel(
        strong("PANNEAU PRINCIPAL:"),
        br(),
        "C'est là que seront représentées les sorties (graphiques, tableaux, texte, images etc.)"
    )
  )
  ),
  
  server = function(input, output) {}
  
)

Architecture d’une application Shiny

Plus pratique pour les grosses applications :

ui <- fluidPage(
  
  titlePanel("Bienvenue sur ta 1e application !"),
  sidebarLayout(
    sidebarPanel(
      strong("BARRE LATERALE"),
      br(),
      "C'est ici que vous pourrez rentrer les informations/instructions utilisées par l'application pour visualiser différents éléments"
      ),
    mainPanel(
      strong("PANNEAU PRINCIPAL:"),
      br(),
      "C'est là que seront représentées les sorties (graphiques, tableaux, texte, images etc.)"
      )
  )
)

server<- function(input, output) {}
shinyApp(ui, server)

Architecture d’une application Shiny

Un aperçu de ce que ça donne :

Parce qu’on est tous un petit peu ornithologues

#remotes::install_github("allisonhorst/palmerpenguins")
data(penguins,package = "palmerpenguins")
penguins <- penguins %>%
  rename(bill_l = bill_length_mm, bill_d = bill_depth_mm, flip_l = flipper_length_mm, bm = body_mass_g)
penguins %>%
  print(n=2)

## # A tibble: 344 x 8
##   species island    bill_l bill_d flip_l    bm sex     year
##   <fct>   <fct>      <dbl>  <dbl>  <int> <int> <fct>  <int>
## 1 Adelie  Torgersen   39.1   18.7    181  3750 male    2007
## 2 Adelie  Torgersen   39.5   17.4    186  3800 female  2007
## # … with 342 more rows

Parce qu’on est tous un petit peu ornithologues

Tronche de pingouin :

##       species          island        bill_l          bill_d     
##  Adelie   :152   Biscoe   :168   Min.   :32.10   Min.   :13.10  
##  Chinstrap: 68   Dream    :124   1st Qu.:39.23   1st Qu.:15.60  
##  Gentoo   :124   Torgersen: 52   Median :44.45   Median :17.30  
##                                  Mean   :43.92   Mean   :17.15  
##                                  3rd Qu.:48.50   3rd Qu.:18.70  
##                                  Max.   :59.60   Max.   :21.50  
##                                  NA's   :2       NA's   :2      
##      flip_l            bm           sex           year     
##  Min.   :172.0   Min.   :2700   female:165   Min.   :2007  
##  1st Qu.:190.0   1st Qu.:3550   male  :168   1st Qu.:2007  
##  Median :197.0   Median :4050   NA's  : 11   Median :2008  
##  Mean   :200.9   Mean   :4202                Mean   :2008  
##  3rd Qu.:213.0   3rd Qu.:4750                3rd Qu.:2009  
##  Max.   :231.0   Max.   :6300                Max.   :2009  
##  NA's   :2       NA's   :2

Parce qu’on est tous un petit peu ornithologues

Exemple de graph à partir duquel vous travaillerez:

Exercices pratiques

En tripatouillant autour de ce jeu de données et de ce graph, nous allons essayer de réaliser qlq exercices pratiques de niveau croissant:

Niv.1 = interactivité de base - utiliser un widget
Niv.2 = interactivité de base - faire dialoguer code et widgets
Niv.3 = gestion de la réactivité d’un objet
Niv.4 = réactivité et feedback “SERVER” –> “UI”

Représenter graphiquement notre donnée

Comment a-t-on fait ?

Représenter graphiquement notre donnée

ui <- fluidPage(
  titlePanel("Ma Donnée de Piafs"),
  sidebarLayout(
    sidebarPanel(
      "Pour l'instant, pas d'intéractivité, vous dîtes seulement à l'application de représenter une figure 'figée'."
      )
    ,
  mainPanel(
    "Ci-dessous notre jolie figure :",
        plotOutput("pengPlot")
    )
  )
)
server<- function(input, output) {
    output$pengPlot = renderPlot({
      penguins %>% 
        ggplot() + aes( x= bill_l, y=bill_d, col = species) + geom_point() + 
        labs( x = 'Bill length in mm') +
        labs(y = 'Bill depth in mm') +
        labs(color = "Species")+
        theme_light()
      })
}

shinyApp(ui, server)

Représenter graphiquement notre donnée

Comment a-t-on fait ?

On crée notre graph “output$pengPlot” dans Server

    output$pengPlot = renderPlot({
      penguins %>% 
        ggplot() + aes( x= bill_l, y=bill_d, col = species) + geom_point() + 
        labs( x = 'Bill length in mm') +
        labs(y = 'Bill depth in mm') +
        labs(color = "Species")+
        theme_light()
      })

Représenter graphiquement notre donnée

Comment a-t-on fait ?

On crée notre graph “output$pengPlot” dans Server
On l’appelle dans l’UI

  mainPanel(
    "Ci-dessous notre jolie figure :",
        plotOutput("pengPlot")
    )

Représenter graphiquement notre donnée

Comment a-t-on fait ?

On crée notre graph “output$pengPlot” dans Server
On l’appelle dans l’UI …Ceci grâce à deux fonctions Shiny complémentaires:

renderPlot()
plotOutput()

Les fonctions Shiny

Les fonctions Shiny permettent de

créer des objets “réactifs”
contrôler les conditions de leur réactivité
représenter des sorties de différents types : code/texte/tables/graphs

Les fonctions Shiny

Les fonctions Shiny permettent de

créer des objets “réactifs”
contrôler les conditions de leur réactivité
représenter des sorties de différents types : code/texte/tables/graphs

On verra dans ce TD quelques fonctions Shiny. Commençons par les fonctions appartenant à la 3e catégorie.

Les fonctions Render*

Génèrent des sorties de différents types dans l’UI

Prennent en entrée une / plusieurs lignes de code générant cette sortie

L’objet répond à chaque fois qu’une valeur réactive présente dans le code change

Les fonctions Render*

Fonction (Server)	Creates	UI (appelle l’obj. créé dans server)
renderDataTable()	An interactive table	dataTableOutput()
renderImage()	An image	imageOutput()
renderPlot()	A plot	plotOutput()
renderPrint()	A code block of printed output	print()
renderTable()	A table	tableOutput()
renderText()	A character string	textOutput()
renderUI()	A Shiny UI element	uiOutput()

Au passage, un outil sympa : Plotly

Faciliter l’interactivité avec le package plotly (déjà chargé). Permet d’otenir les valeurs aux points en survolant le graph, de zoomer, de télécharger le graph en .png etc. Il suffit de remplacer les fonctions graphiques par :

renderPlotly()
plotlyOutput()

Au passage, un outil sympa : Plotly

Interactivité : comment ?

Une application Shiny comporte deux composants majeurs qui vont intéragir en permanence lors de l’utilisation :

la “UI”, pour “User Interface”- génère ce que l’on voit
le “SERVER” - fonction régissant ce qui se passe derrière

“output” permet de communiquer de “SERVER” vers “UI”

“input” permet de communiquer de “UI” vers “SERVER”

Interactivité : les Widgets Shiny

Une multiplicité de “Widgets” sont à votre disposition pour faire intéragir “UI” et “SERVER”.

Pour en avoir un aperçu, allez faire un tour dans la widget gallery

Interactivité : les Widgets Shiny

Une multiplicité de “Widgets” sont à votre disposition pour faire intéragir “UI” et “SERVER”.

Pour en avoir un aperçu, allez faire un tour dans la widget gallery

Dans ce TD, on va voir quelques widgets, comment les mobiliser en fonction de nos besoins dans l’applciation, et comment les faire insérer dans notre code pour obtenir les fonctionnalités escomptées.

Le widget selectInput

Créer un menu déroulant pour sélectionner l’espèce que l’on veut représenter.

selectInput("NOM DE L'INPUT", label = "NOM/CONSIGNE POUR L'UTILISATEUR", 
    choices = list("NomChoix1" = "Choix1", "NomChoix2" = "Choix2",..., "NomChoixn" = "Choixn",), 
    selected = [Choix par défaut], multiple=[TRUE si plusieurs choix autorisés])

A vous de jouer!

Pratique Niv1 : selectInput - ce qu’on veut

Pratique Niv1 : SelectInput - ce qu’il fallait faire

ui <- fluidPage(
...
    sidebarPanel(
      strong("Ma belle barre latérale"),
      selectInput("select", label = h3("Select Species"), 
    choices = list("ADELIE" = "Adelie", "CHINSTRAP" = "Chinstrap", "GENTOO" = "Gentoo"), 
    selected = "Adelie", multiple=T)
      )
...
  )
)

Pratique Niv1 : SelectInput - ce qu’il fallait faire

...
server<- function(input, output) {
    output$pengPlot = renderPlotly({
      penguins %>% 
        filter(species%in%input$select) %>%
        ggplot() + aes( x= bill_l, y=bill_d,col = species) + geom_point() + 
        labs( x = 'Bill length in mm') +
        labs(y = 'Bill depth in mm') +
        labs(color = "Species")+
        theme_light()
      })
}
...

Le widget sliderInput

Créer une glissière de sélection de plage temporelle couverte par les données représentées.

      sliderInput("NOM DE L'INPUT", label = "TITRE", min = "min value", max = "max value", value = c("min value","max value"))

A vous de jouer!

Pratique Niv1 : sliderInput - ce qu’on veut

Pratique Niv1 : sliderInput - ce qu’il fallait faire

ui <- fluidPage(
...
      selectInput("select", label = h3("Select Species"),
                  choices = list("ADELIE" = "Adelie", "CHINSTRAP" = "Chinstrap", "GENTOO" ="Gentoo"),
                  selected = "Adelie", multiple=T),
      sliderInput("slider", label = h3("Slider"), min = 2007, max = 2009, value = c(2007,2009))
...
)

Pratique Niv1 : sliderInput - ce qu’il fallait faire

server<- function(input, output) {
    output$pengPlot = renderPlotly({
      penguins %>% 
        filter(species%in%input$select) %>%
        filter(year>=input$slider[1]) %>%
        filter(year<=input$slider[2]) %>%
        ggplot() + aes( x= bill_l, y=bill_d,col = species) + geom_point() + 
        labs( x = 'Bill length in mm') +
        labs(y = 'Bill depth in mm') +
        labs(color = "Species")+
        theme_light()
      })
}

Le widget checkboxInput

Permettre de représenter l’ajustement de régressions linéaires (utiliser les codes ggplot de MP Etienne dispo sur le SOTR - Rennes)

checkboxInput("NOM DE L'INPUT", label = "CONSIGNE", value = FALSE)

A vous de jouer !

Pratique Niv2 : checkboxInput - ce qu’on veut

Pratique Niv2 : checkboxInput - ce qu’il fallait faire

ui <- fluidPage(
...
      selectInput("select", label = h3("Choisir une espèce"),
                  choices = list("ADELIE" = "Adelie", "CHINSTRAP" = "Chinstrap", "GENTOO" ="Gentoo"),
                  selected = "Adelie", multiple=T),
      sliderInput("slider", label = h3("Choisir une période"), min = 2007, max = 2009, value = c(2007,2009)),
      checkboxInput("checkbox", label = "Draw regression", value = FALSE)
...
)

Pratique Niv2 : checkboxInput - ce qu’il fallait faire

server<- function(input, output) {
    output$pengPlot = renderPlotly({
      penguins %>% ...
      ...->toplot
      
      if(input$checkbox==T){
        toplot<-toplot+geom_smooth(method = 'lm', se = FALSE)
      }
      toplot
      })
}

Le widget checkboxGroupInput

Utiliser checkboxGroup pour sélectionner le type de régression (linéraire vs loess) à représenter graphiquement. Utiliser checkbox pour ajouter l’enveloppe dincertitude ou non.

(outil analogue = radioButtons; mais sélection d’un seul choix possible)

checkboxGroupInput("NOM DE L'INPUT", label = "Consigne", choices=c("CHOIX1"="choix1","CHOIX2"="choix2"))

Pratique Niv2 : checkboxeGroup - ce qu’on veut

Pratique Niv2 : checkboxeGroup - ce qu’il fallait faire

ui <- fluidPage(
...
      selectInput("select", label = h3("Choisir une espèce"),
                  choices = list("ADELIE" = "Adelie", "CHINSTRAP" = "Chinstrap", "GENTOO" ="Gentoo"),
                  selected = "Adelie", multiple=T),
      sliderInput("slider", label = h3("Choisir une période"), min = 2007, max = 2009, value = c(2007,2009)),
      checkboxGroupInput("checkbox1", label = "Draw regression", choices=c("Linear reg."="linear","Loess"="loess")),
      checkboxInput("checkbox2", label = "Represent uncertainty", value = FALSE)
...
)

Pratique Niv2 : checkboxeGroup - ce qu’il fallait faire

server<- function(input, output) {
    output$pengPlot = renderPlotly({
      penguins %>% ...
      ...->toplot
      if("linear"%in%input$checkbox1){
        toplot<-toplot+geom_smooth(method = 'lm', se = input$checkbox2)
      }
      if("loess"%in%input$checkbox1){
        toplot<-toplot+geom_smooth(method = 'loess', se = input$checkbox2)
      }
      toplot
      })
}

La nécessité d’utiliser des fontions réactives

Ajoutez sous votre graph une table de données réactive présentant les valeurs de la table penguins sélectionnées pour le graph.

A vous de jouer !

Pratique Niv3 : datatable - ce qu’on veut

Pratique Niv3 : datatable - ce qu’on pouvait faire

ui <- fluidPage(
...
  mainPanel(
    "Panneau principal: ici sont représentées les sorties désirées",
    plotlyOutput("pengPlot"),
    dataTableOutput("table")
    
    )
...
)

Pratique Niv3 : datatable - ce qu’on pouvait faire

server<- function(input, output) {
    output$pengPlot = renderPlotly({
      penguins %>% 
        filter(species%in%input$select) %>%
        filter(year>=input$slider[1]) %>%
        filter(year<=input$slider[2]) %>%
        ggplot() + ...+
        theme_light()->toplot
...
    })
    output$table = renderDataTable({
      penguins %>% 
        filter(species%in%input$select) %>%
        filter(year>=input$slider[1]) %>%
        filter(year<=input$slider[2])
      })
}

Le problème …

En procédant ainsi, l’appli fonctionne mais vous écrivez deux fois le traiement de la table penguins…

Prend de la place
Potentiellement plus long, en particulier lorsque le traitement de l’objet que vous voulez représenter est plus lourd
Pas exactement les 2 mêmes objets finaux suivant le traitement qu’on effectue (expl tirages aléatoires)

La solution …

En procédant ainsi, l’appli fonctionne mais vous écrivez deux fois le traiement de la table penguins…

Prend de la place
Potentiellement plus long, en particulier lorsque le traitement de l’objet que vous voulez représenter est plus lourd
Pas exactement les 2 mêmes objets finaux suivantle traitement qu’on effectue (expl tirages aléatoires)

On va donc créer un seul et unique objet réactif qui sera le fruit du traitement de penguins et l’on utilisera cet objet pour la figure et la table.

La fonction Reactive

Pour ce faire on utilise une fonction Shiny : reactive().

Cette fonction confère un statut réactif à un objet. A chaque fois qu’un “input” sera modifié, le script créant notre objet sera relancé et les scripts traitant cet objet le seront également.

Pratique Niv3 : function reactive

server<- function(input, output) {
  penguinsBIS<-reactive({penguins%>% 
        filter(species%in%input$select) %>%
        filter(year>=input$slider[1]) %>%
        filter(year<=input$slider[2])})
  
    output$pengPlot = renderPlotly({
      penguinsBIS() %>%
        ggplot() + ...
      ...->toplot
...
    })
    output$table = renderDataTable({
      penguinsBIS()
      })
}

Pratique Niv4 : sélection séquentielle de critères

A l’aide de selectInput, mettre en place une sélection des données à représenter basée sur

species
island
sex

Pratique Niv4 : sélection séquentielle - ce qu’on est tenté de faire

ui <- fluidPage(
...
      selectInput("spsel", label = h3("Choisir l'espèce"),
                  choices = list("ADELIE" = "Adelie", "CHINSTRAP" = "Chinstrap", "GENTOO" ="Gentoo"), selected="Adelie", multiple=F),
      selectInput("islandsel", label = h3("Choisir l'île"),
                  choices = list("BISCOE" = "Biscoe", "DREAM" = "Dream", "TORGENSEN" ="Torgersen"), selected="Biscoe", multiple=F),
      selectInput("sexsel", label = h3("Choisir le sexe"),
                  choices = list("Males" = "male", "Femelles" = "female", "Unrecorded"=NA), selected="male", multiple=F)
      )
...
)

Pratique Niv4 : sélection séquentielle - ce qu’on est tenté de faire

server<- function(input, output) {
    output$pengPlot = renderPlotly({
      penguins %>%
        filter(species%in%input$spsel)%>%
        filter(island%in%input$islandsel)%>%
        filter(sex%in%input$sexsel)%>%
        ggplot() + aes( x= flip_l, y=bm) + geom_point() + 
        labs(x = 'Flipper length') +
        labs(y = 'Body mass') +
        theme_light()
    })

}

Pratique Niv4 : sélection séquentielle - ce que ça donne

Le problème …

En procédant ainsi, on met en évidence que certaines combinaisons de critères ne sont pas possiles : seule l’espèce Adélie est échantillonnée sur toutes les îles ..!

Propositions de filtres non-cohérents
Affichage blanc pour les sélections impossibles

La solution …

En procédant ainsi, on met en évidence que certaines combinaisons de critères ne sont pas possiles : seule l’espèce Adélie est échantillonnée sur toutes les îles ..!

On va donc chercher à contraindre les choix des menus déroulants aux seules combinaisons possibles.

Ici on va utiliser une fonction d’“update” :

updateSelectInput(session,"NOM DU selectInput A UPDATER", "CONSIGNE", choices = " NOUVEAUX CHOIX", selected=" NOUVEAUX CHOIX ACTIFS")

(session sera à préciser à la fois dans la fonction update et comme paramètre d’entrée de la fonction SERVER)

La fonction observeEvent

Et on aura beson d’une nouvelle fonction Shiny : observeEvent().

Cette fonction nous permet de contrôler la réactivité (l’activité) de notre updateSelectInput.

On va ainsi conditionner la mise à jour des champs proposés pour “islands” à l’espèce sélectionnée (donc dès qu’il y a un changement d’espèce) ; et les champs proposés pour “sex” à la combinaison espèce-île choisie (donc dès qu’il y a un changement d’espèce ou d’île).

On crée un flux d’information de l’“UI” vers le “SERVER” puis du “SERVER” vers l’“UI” etc.

Pratique Niv4 : sélection séquentielle - ce qu’il faut faire

ui <- fluidPage(
...
      selectInput("spsel", label = h3("Choisir l'espèce"),
                  choices = list("ADELIE" = "Adelie", "CHINSTRAP" = "Chinstrap", "GENTOO" ="Gentoo"), selected="Adelie", multiple=F),
      selectInput("islandsel", label = h3("Choisir l'île"),
                  choices = list("BISCOE" = "Biscoe", "DREAM" = "Dream", "TORGENSEN" ="Torgersen"), selected="Biscoe", multiple=F),
            selectInput("sexsel", label = h3("Choisir le sexe"),
                  choices = list("Males" = "male", "Femelles" = "female", "Unrecorded"=NA), selected="male", multiple=F)
      )
...
)

Pratique Niv4 : sélection séquentielle - ce qu’il faut faire

server<- function(input, output, session) {
  
  observeEvent(input$spsel, {
    newislands <- as.character(unique(penguins$island[which(penguins$species%in%input$spsel)])) 
    updateSelectInput(session,"islandsel", "Choisir l'île", choices = c(newislands), selected=c(newislands)[1])
  })

 observeEvent(input$spsel, {
   newsex <- as.character(unique(penguins$sex[which(penguins$species%in%input$spsel & penguins$island%in%input$islandsel)]))
   updateSelectInput(session,"sexsel", "Choisir le sexe", choices = c(newsex), selected=c(newsex)[1])
 })
 
 observeEvent(input$islandsel, {
   newsex <- as.character(unique(penguins$sex[which(penguins$species%in%input$spsel & penguins$island%in%input$islandsel)])) 
   updateSelectInput(session,"sexsel", "Choisir le sexe", choices = c(newsex), selected=c(newsex)[1])
 })
}

Pratique Niv4 : sélection séquentielle - ce que ça donne

Pour aller + loin

Autres fonctions Shiny permettant de contrôler la réactivité des objets

isolate() = empêcher la réactivité d’un objet
observe() = équivalent à observeEvent mais
reactiveEvent() = la réactivité est déclenchée uniquement une fois qu’un évènement précis a lieu (affichage du graph après sélection des critères que lorsque l’on aclique sur un actionButton).

Structurer un tableau de bord

Nous avons vu un exemple d’application simple : Une seule fenêtre et un seul graph. Mais on peut compelxifier la structure de l’application en utilisant différentes tables dans notre paneau principal et en affichant plusieurs grapiques sur la page.

Des panneaux peuvent être créer pour disposer de plusieurs pages d’affichage.

Structurer un tableau de bord

Des panneaux peuvent être créer pour disposer de plusieurs pages d’affichage.

La mise en page d’une application Shiny repose sur une grille définie par 12 colonnes et 12 lignes.

Structurer un tableau de bord

Notions d’esthétique

Utilisation de packages spécifique :

shinytheme

(cyborg, superhero, darkly, united etc. Il faut être indulgent pour les noms de thèmes, les mecs sont à la fois geeks et américains)

Notions d’esthétique

Utilisation de packages spécifique :

shinytheme
shinydashboard organiser l’espace en “boxes” avoir des menus déroulants créer une barre latérale bien pratique maximisant l’espace etc

Notions d’esthétique

Utilisation de packages spécifique :

shinytheme
shinydashboard organiser l’espace en “boxes” créer une barre latérale bien pratique maximisant l’espace
l’option html/css : htoml directement dans l’appli ; css aégalement ou logé dans un document externe.

Apprendre à piller

De nombreuses applications Shiny présentes sur internet fournissent un lien vers le code source. Ne pas hésiter à aller piocher ce qui vous intéresse dans ces applications et les insérer dans la votre.

La Shiny Gallery : https://shiny.rstudio.com/gallery/.

Application ou Application Web

Deux cas de figure

Application simple : Travailler en local sur son propre jeu de données. Accessible sans connection
Application Web : Travailler en ligne sur un jeu de données commun ou son propre jeu de données

Publier (ou pas?) une application shiny

Définir le besoin :

Partager un outil ?
Pour quel type de traitement ?
Partager de la donnée ?

Publier une application shiny

Une application fonctionne sur un serveur. Ce serveur peut-être

Un serveur institutionnel
Votre serveur perso (Jérôme Geekon je suis sûr que tu en as un à la maison)
Un serveur perso shiny.io

Publier une application shiny sur server shinyio

Compte gratuit donne accès à 5 applications maximum. Sinon, si on veut en créer une nouvelle il faut en retirer une.

Préliminaire :

(c’est mieux de le faire au moment où on commence à développer l’appli) on bosse au sein d’un projet RStudio type Shiny
l’application est dans un simple script .R
les packages requis sont appelés en tête de script
les données nécessaires se trouvent dans un dossier “data” ou alors sont chargées explicitement dans le scrpt app.R en utilisant le chemin vers l’emplacement en question.

Publier une application shiny sur server shinyio

Compte gratuit donne accès à 5 applications maximum. Sinon, si on veut en créer une nouvelle il faut en retirer une.

Cliquer sur le petit icône bleu en haut à droite de la fenêtre où s’affiche votre application.
Entrer vos identifiant et mot de passe shiny.io.
Sélectionner les dossiers/fichiers nécessaires au fonctionnement de votre application
Lancer la procédure (+/- long suivant la complexité de votre application). Une fenêtre vers votre application en ligne s’affichera une fois l’application déployée sur les serveurs de RStudio

ou pas?

Diffuser ses scripts et ses données :(
Crée un paquet déposé sur le CRAN, GitHub etc. :) - expl de Factoshiny pour les locaux

Et n’oubliez pas…

Don’t Worry…

Et n’oubliez pas…

Don’t Worry…

Be Shiny