(5/22追記あり)[雑記] R 4.2.0のリリースでにわかに盛り上がる Base Pipe “|>” とは何なのか? %>%との違いを調べました
Twitterにて@eitsupiさんに 「Base pipeのプレースホルダーを二回以上使用すると、その数だけパイプ以前の処理を繰り返し評価してしまう」という情報をいただきました! この仕様を踏まえると、今後プレースホルダーが二回以上使えるようになる日は来ない可能性があるな🤔と思いました。詳しい内容は「追記」にて追記させていただきました。 こんにちは。大変分かりやすい記事をありがとうございました。 プレースホルダーを二回使えない件ですが、これは意図的と思われます。 ↓の投稿にもあるように、ベースパイプは_の中身をそのまま評価するため、複数回使用すると計算量が何倍にもなるからです。https://t.co/A8Oxi3B4Qn — えいつぴ (@eitsupi) May 21, 2022 はじめに こんにちは! このブログは当初初心者向けのコンテンツを提供する場として始めたのですが、いよ
![(5/22追記あり)[雑記] R 4.2.0のリリースでにわかに盛り上がる Base Pipe “|>” とは何なのか? %>%との違いを調べました](https://cdn-ak-scissors.b.st-hatena.com/image/square/11dadcf53a948c66f6387c303805f83f707f3c9d/height=288;version=1;width=512/https%3A%2F%2Fi0.wp.com%2Fexcel2rlang.com%2Fwp-content%2Fuploads%2F2022%2F05%2Ffd0ef023e64effb63589225b32bf1fbd.jpg%3Ffit%3D853%252C480%26ssl%3D1)
データ解析に役立つおすすめR本とサイトをまとめました。 - Open Box with STAT
ぼくは医学統計学と疫学が専門です。これらのデータ解析には主にRを使います。 かれこれ15年ほどRを使ってきました。当時、Rに関するまとまった情報は『The R Tips』しかありませんでした。時は流れ、今はたくさんR本やサイトがあります。しかし、たくさんありすぎて何を見れば良いのか迷いますよね？ そこで、ぼくの経験に基づき、おすすめする有益なR本・サイトをまとめてみました！ RとRStudioの環境構築 矢内先生の「RとRStudioのインストール方法の解説」サイト 基礎（網羅的） Rではじめるデータサイエンス RユーザーのためのRStudio実践入門 The R Tips Rクックブック 宋先生の「Rプログラミング入門の入門」サイト データハンドリング特化 宋先生の「dplyr入門 (dplyr 1.0.0対応)」Webページ 宋先生の「tidyr入門」Webページ 可視化特化 Rグラフ
Practical Data Science with R and Python: 実践的データサイエンス
実践的データサイエンス はじめに データ分析のためにコンピュータを利用する際、RおよびPython言語のいずれかを使うことが多いと思います(Julia言語は高レベル・高パフォーマンスな技術計算のための言語で今後期待が膨らみます）。これらの2つの言語では、データ操作や可視化、データ分析、モデリングに使われるライブラリが豊富にあり、 どれを使うのが良いのか迷うような状況が続いていました。しかしその状態は落ち着きを見せ、成熟期を迎えつつあります。 R言語ではパイプ演算子の登場によりデータフレームに対する操作に大きな変化が生じ、tidyverseによるデータ読み込みからデータ整形、可視化までが可能になりました。またtidyverseのような、機械や人間の双方が扱いやすいパッケージが増えてきました。特にR言語の強力な一面でもあったデータ分析の操作はtidymodelsに代表されるパッケージがユーザの
極値理論を使って多摩川の氾濫は推測できたのか検証してみる - Qiita
はじめに 令和元年の台風19号の被害が凄いことになっていますが、様々な河川の氾濫が報道されています。気候変動の影響があり、今回のような規模の水害は想定できなかったという意見も聞こえてきますが、本当にそうなのかと素人ながら疑問に思っていました。というのも、堤防を作る際に、異常降水を外れ値とみなして削除して計算しているということも耳にしたからです。 そんなわけで、今回は異常値を外れ値とはみなさない極値理論を用いて、今回の氾濫が推定できたのか検証してみました。 ＜やったこと＞ PythonのBeautiful Soupを使ったスクレイピング RのAmeliaを使った多重代入法による時系列分析の欠損値補完 RのismevとextRemesを使った極値理論解析 ＜環境＞ Windows Subsystem for Linux Ubuntu 18.04 Python 3.6 R 3.6.0 極値理論と
Shinyユーザのための非同期プログラミング入門
第81回R勉強会＠東京（#TokyoR）発表資料 https://tokyor.connpass.com/event/141318/Read less
190928_TokyoR81_Shiny
Tokyo.R #81 応用セッション Shiny Appを支えるエンジニアリング (+おまけ)
Rでインタラクティブなプロットを作ろう
Rでインタラクティブなプロットを作ろう 前田和寛(kazutan) はじめに 自己紹介 前田 和寛 比治山大学短期大学部 @kazutan twitter GitHub Qiita 今日のお話 Rでインタラクティブプロット? htmlwidges系パッケージ plotlyとは plotlyの基本 plotlyギャラリー 使いドコロと留意事項 Rでプロット、何を使ってますか? baseのplot? ggplot2? lattic? その他パッケージ? いろんな選択肢があります できればグリグリ動かしたい baseのplotやggplot2は“静止画” 出力したらそれで固定 軸範囲やデータ系列の変更はコードに戻る必要 できれば出力した後で動かしたい しかしplotやggplot2では難しい HTML + CSS + JSで実現しよう! htmlwidgets系パッケージ htmlwidgets
ShinyProxyを使ったEnterprise向けShiny Appの構築 - Qiita
更新履歴 2019-12-25 : "Kubernetes モードを試してみる" を追加 2019-12-10 : "Containerized モードを試してみる" を追加 はじめに アクセスする人数が多くなってきたときに、どうやってShiny Appをスケールさせるかなーと考えていたときに、たまたまこのOSSを見つけたので検証してみました Shiny Server の運用上の課題 OSSのShiny Serverでは、1つのShinyappが 1 processで動くため、複数人のユーザでアクセスすると、急に動きがもっさりしがちです。例えば、ユーザA、Bの順でアクセスして、データをロードしはじめると、ユーザAの処理が終わるまで、ユーザBは待たないといけないので、待っている間ストレスがかかります OSSのShiny Server自体では、認証の機能を持っていないので（Shiny Serv
Radiant – Business analytics using R and Shiny
Home News Data Manage View Visualize Pivot Explore Transform Combine Design DOE Design of Experiments (DOE) Sample Random sampling Sample size (single) Sample size (compare) Basics Probability Probability calculator Central Limit Theorem Means Single mean Compare means Proportions Single proportion Compare proportions Tables Goodness of fit Cross-tabs Correlation Model Estimate Linear regression (
DataExplorerパッケージで探索的データ解析を手助けする - Qiita
概要 DataExplorerは探索的データ解析を手助けするR言語のパッケージ ggplot2パッケージをラップしており、関数ひとつでデータセットを可視化できる 可視化結果をまとめたHTML形式の定型レポート生成も手軽 前書き 探索的データ解析(EDA: Exploratory Data Analysis)とは？ S-PLUS -トップ > 製品概要 > 探索的データ解析」より引用。 探索的データ解析は、1960年ごろより有名な統計学者J.W.Tukeyによって提唱されたもので、データの解釈にあたっては「まずモデルありき」ではなく、モデルを仮定する前に現実的な立場で、データの示唆する情報を多面的に捉えるという、解析初期のフェーズを重視したアプローチです。 それ以前は、あらかじめモデルを用意して、データをあてはめて確率計算を行っていました。しかし現実には、複雑な現実のデータ構造の中から、最適
tidymodelsによるtidyな機械学習（その2：Cross Varidation） - Dropout
はじめに 前処理 Cross Validation ハイパーパラメータのサーチ まとめ 参考 はじめに 本記事ではtidymodelsを用いたCross Validationとハイパーパラメータのチューニングについて紹介したいと思います。 なお、tidymodelsの基本的な操作方法については以下の記事をご覧下さい。 dropout009.hatenablog.com 前処理 まずは前回の記事と同様、訓練/テストデータの分割と前処理を行います。なお、例によってデータはdiamondsを用います。 # パッケージ library(tidyverse) library(tidymodels) set.seed(42) # 分割 df_split = initial_split(diamonds, p = 0.8) df_train = training(df_split) df_test =
tidymodelsによるtidyな機械学習（その1：データ分割と前処理から学習と性能評価まで） - Dropout
目次 目次 はじめに tidyな機械学習フロー 訓練データとテストデータの分割 特徴量エンジニアリング モデルの学習 モデルの精度評価 まとめ 参考文献 ※この記事をベースにした2019年12月7日に行われたJapan.R 2019での発表資料は以下になります。 tidymodelsによるtidyな機械学習 - Speaker Deck はじめに 本記事ではtidymodelsを用いたtidyな機械学習フローを紹介したいと思います。 tidyverseはデータハンドリングと可視化のためのメタパッケージでしたが、tidymodelsはtydyverseにフィットするやり方で統計モデリング/機械学習をするためのメタパッケージになります。 tidymodels配下のパッケージは量が多く使い所が限られているパッケージも多いため、一度に全ては紹介できません。 ですので、今回は典型的な 訓練データとテ
ColaboratoryでRやSwiftを使う - Qiita
GitHubにサンプルを置いてみたので、とりあえず試してみたいという方はこちらからどうぞ。 R: R Example - Colaboratory Swift: Swift Example - Colaboratory 動作確認だけならそのまま動かしても良いですし、編集・保存したければコピーして使うこともできます。 以下説明。 ColaboratoryはJupyter notebookを手軽に試せる非常に便利なサービスなんですが、新規作成時のカーネルにはPython3かPython2しか選べません。 ですが、!jupyter-kernelspec listを実行して利用可能なカーネルを確認してみると、ir（Rのカーネル）とswiftが利用可能なことが分かります。 で、実は、カーネルにirやswiftを利用した.ipynbファイルをColaboratoryで開けば、これらのカーネルを普通に使
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
How To Dockerize ShinyApps | R-bloggers
Visualisation of proteomics data using R and Bioconductor
Introducing correlationfunnel v0.1.0 – Speed Up Exploratory Data Analysis by 100X | R-bloggers
Dropbox - File Deleted - Simplify your life
Quantile regression in R | R-bloggers
Sending email from Outlook in R – Sean Carney
RPubs - 曖昧な関係のとりあつかい: fuzzyjoinパッケージ