Mostrando los resultados de nuestro proyecto en Shiny

Clase 32 de 34 • Curso Profesional de Ciencia de Datos 2019

Edwin Jesset Barrientos Gonzales

student•

Excelente clase, acabo de darme cuenta que la mayoria de los datos que obtuve con el webscraping no tenian opiniones en su mayoria, y con un rango de precios concentrado en baratos por decirlo de ese modo.

Gabriel Martínez Llano

student•

Si después de crear una app en shiny quiero ponerle autenticación de usuario, de qué forma puedo hacerlo?

Luis Bernal

student•

Hola Gabriel, aquí puedes encontrar información: https://curso-r.github.io/auth0/

También hay otras opciones de pago como subir tus apps a https://www.shinyapps.io/ donde el plan que permite autenticación supone unos 100 € al mes y permite alojar un número ilimitado de apps.

Leonardo Armando Simesen de Bielke

student•

Trate de guardar con write.csv(data,file="data_aspiradoras.csv") para luego usarlo con read.csv, sin embargo no estoy seguro de que direccion tengo que poner. Se podrian dar mejores indicaciones de esto?? Trate con varias formas pero al final en el grafico dice Error: undefined columns selected

Edwin Jesset Barrientos Gonzales

student•

Hola, te falto row.names = FALSE

write.csv(data,&quot;turuta/data.csv&quot;, row.names = FALSE)```

en mi caso mi ruta fue

write.csv(data,"D:/Dropbox/Curso Profesional de Ciencia de Datos/data.csv", row.names = FALSE)```

lesier gg

student•

Atacarles mejor...

CLAUDIA CRISTINA APARICIO RUEDA

student•

interesante!

Dagoberto Porras Plata

student•

He tenido un error en el que esta aplicación no encontraba mis datos de aspiradoras, pero lo he logrado solucionar al fijar el directorio de trabajo en el Rstudio donde se encuentran los datos y los archivos de shiny

Ibrahin Cruz Luqueño

student•

de donde salio el data.csv?????

Jorge Osuna

student•

Puedes crear el archivo csv, que se guardará en la carpeta común donde guardas los archivos en R: Utiliza el comando write.csv("NOMBRE DEL DATA FRAME", file="nombredelarchivo.csv") Ej: write.csv(audifonos, file="audifonos.csv")

Platzerito De Platzi

student•

Les comparto mi código importando un archivo .csv 1. contenido de: ui.R

a<-read.csv("dataNormalizada.csv")
a<-a[,-1] #elimina data que no es numerica
vars<-names(a)
pageWithSidebar(
  headerPanel('Laptops Amazon k-means clustering'),
  sidebarPanel(
    selectInput('xcol', 'X Variable', vars),
    selectInput('ycol', 'Y Variable', vars,
                selected=vars[[2]]),
    numericInput('clusters', 'Cluster count', 3,
                 min = 1, max = 9)
  ),
  mainPanel(
    plotOutput('plot1')
  )
)

2. Contenido de: server.R

function(input, output, session) {
  a<-read.csv("dataNormalizada.csv")
  a<-a[,-1] #elimina data que no es numerica
  # Combine the selected variables into a new data frame
  selectedData <- reactive({
    a[, c(input$xcol, input$ycol)]
  })
  clusters <- reactive({
    kmeans(selectedData(), input$clusters)
  })
  output$plot1 <- renderPlot({
    palette(c("#E41A1C", "#377EB8", "#4DAF4A", "#984EA3",
              "#FF7F00", "#FFFF33", "#A65628", "#F781BF", "#999999"))
    par(mar = c(5.1, 4.1, 0, 1))
    plot(selectedData(),
         col = clusters()$cluster,
         pch = 20, cex = 3)
    points(clusters()$centers, pch = 4, cex = 4, lwd = 4)
  })
}

3. Resultado

JAVIER SANTIAGO SALGADO

student•

En mi caso no cogi el dataset completo, pero salio al final.

Tener dataset mas amplio.
Ver el tema de los jugadores - al sol de hoy lo estoy haciendo con los equipos.

Mostrando los resultados de nuestro proyecto en Shiny

Basicos para el curso

Mundo Data Science

¿Qué hace un Data Scientist?

Introducción a R

Operaciones con datos: vectores, listas y matrices

Operaciones con datos: dataframe y ficheros

¿Qué es web scraping?

Visualización de datos

Presentación del proyecto

Web scraping con R

Intro paquete Rvest y descripción de ejercicio

Principales funciones de Rvest

HTML node

Rvest en nuestro proyecto de Amazon. Recopilación de paginación

Obtención de URL de cada producto

Funciones Apply

Obtención de información de cada producto

Automatización para obtener datos preprocesados

Corrección de errores durante obtención de datos

Reto: Obtén datos de la liga española de fútbol

Adecuación y Análisis descriptivo de los datos

Adecuación de los datos, transformación y eliminación de NA

Procesamiento de datos

Adecuación al algoritmo K-means

Reto: Prepara los datos obtenidos

Aplicando modelo no supervisado: Kmeans

Cómo funciona el algoritmo K-means

Aplicando K-means a nuestro proyecto

Visualización de los clusters

Reto: Aplica el modelo K-means

Modelo en producción

Cómo hacer un punto de API con plumber en R

Poner nuestro modelo en tiempo real: revisión de distancias

Poner nuestro modelo en producción

Reto: Pon un modelo en producción

Representación de los resultados del modelo

Introducción a shiny y sus componentes

Mostrando los resultados de nuestro proyecto en Shiny

Reto:Representación de los resultados del modelo

Cierre del curso

Conclusiones