Un documento Quarto con codice esterno

Nota

Puoi scaricare qui il progetto RStudio in formato compresso con tutto il necessario per compilare sul tuo PC i report Quarto (codice R integrato, codice R esterno, report parametrico con codice R integrato, report parametrico con codice R esterno).

Chunk preliminari di codice

Per sfruttare il codice R disponibile su un file script esterno si può sfruttare la funzione read_chunk() della libreria knitr:

knitr::read_chunk("lab_14-report-quarto_codice-esterno.R")

Nel file script esterno è necessario definire i nomi dei chunk da richiamare con la sintassi: ## @knitr nome-chunk-esterno.

E’ importante sottolineare che al report Quarto è destinato uno spazio di memoria dedicato, per cui è necessario caricare esplicitamente tutte i package necessari all’analisi:

library(tidyverse)    # per le usuali manipolazioni sui dati
library(gapminder)    # per sfruttare la tabella gapminder
library(knitr)        # per la funzione kable per un report tabellare
library(gt)           # per la funzione gt per un altro report tabellare
library(gtExtras)     # per arricchire la tabella gt con grafici

“Tabellone” dati

Anche se non è molto utile in questo caso, è possibile sfruttare la funzione datatable {DT} per stampare in output la tabella dati utilizzata per l’analisi:

DT::datatable(gapminder)

Un esempio di tabelle e grafici di sintesi

Di seguito un esempio di un chunk di codice R che produce una tabella formattata sfruttando la funzione kable():

gapminder |>
  filter(year == 2007) |>
  group_by(continent) |>
  summarise(life_exp_avg = mean(lifeExp)) |>
  kable()

continent	life_exp_avg
Africa	54.80604
Americas	73.60812
Asia	70.72848
Europe	77.64860
Oceania	80.71950

e di un chunk di codice per la costruzione di un grafico che mostra l’andamento dell’aspettativa media di vita (asse verticale) nei vari continenti (differenti linee) per gli anni (asse orizzontale) disponibili nel dataset:

gapminder |>
  group_by(year, continent) |>
  summarise(life_exp_avg = mean(lifeExp)) |>
  ggplot() +
    aes(x = year, y = life_exp_avg, col = continent) +
    geom_line()

Figure 1: Andamento dell’aspettativa di vita medio nei cinque continenti

Alcuni esempi con gtExtras per arricchire le tabelle in output

Il package gtExtras contiene diverse funzioni per arricchire un report tabellare. Un esempio è la funzione plt_bullet, che permette di visualizzare in modo grafico il valore di una colonna della tabella.

Preparo prima la tabella come di seguito illustrato estraendo a caso due paesi per ciascuno dei cinque continenti:

# fisso il seme della sequenza casuale
set.seed(1)
gap_tab <- gapminder |>
  group_by(continent) |>
  # calcolo il numero di paesi disponibili nel dataset per ciascun continente
  # e l'aspettativa media di vita per continente
  mutate(nr_countries = n(),
         exp_life_avg = mean(lifeExp)) |>
  # seleziono due paesi a caso per ciascun continente
  slice_sample(n = 2) |>
  relocate(continent) |>
  ungroup()

# stampo in output il report tabellare sfruttando la funzione gt
gap_tab |> gt()

continent	country	year	lifeExp	pop	gdpPercap	nr_countries	exp_life_avg
Africa	Congo, Dem. Rep.	1992	45.548	41672143	457.7192	624	48.86533
Africa	Somalia	1972	40.973	3840161	1254.5761	624	48.86533
Americas	Venezuela	2002	72.766	24287670	8605.0478	300	64.65874
Americas	United States	1977	73.380	220239000	24072.6321	300	64.65874
Asia	Kuwait	1982	71.309	1497494	31354.0357	396	60.06490
Asia	Singapore	1982	71.760	2651869	15169.1611	396	60.06490
Europe	Denmark	1952	70.780	4334000	9692.3852	360	71.90369
Europe	Slovak Republic	1952	64.360	3558137	5074.6591	360	71.90369
Oceania	Australia	1997	78.830	18565243	26997.9366	24	74.32621
Oceania	New Zealand	1997	77.550	3676187	21050.4138	24	74.32621

A questo punto sfrutto la funzione plt_bullet per visualizzare graficamente la colonna relativa all’aspettativa di vita media: la lunghezza della barra è collegata al volore dell’aspettativa di vita del particolare paese, mentre le linee rosse all’aspettativa di vita media del continente.

gap_tab |>
  gt() |>
  gt_plt_bullet(column = lifeExp, target = exp_life_avg, width = 45,
                palette = c("darkblue", "red"))

continent	country	year	lifeExp	pop	gdpPercap	nr_countries
Africa	Congo, Dem. Rep.	1992		41672143	457.7192	624
Africa	Somalia	1972		3840161	1254.5761	624
Americas	Venezuela	2002		24287670	8605.0478	300
Americas	United States	1977		220239000	24072.6321	300
Asia	Kuwait	1982		1497494	31354.0357	396
Asia	Singapore	1982		2651869	15169.1611	396
Europe	Denmark	1952		4334000	9692.3852	360
Europe	Slovak Republic	1952		3558137	5074.6591	360
Oceania	Australia	1997		18565243	26997.9366	24
Oceania	New Zealand	1997		3676187	21050.4138	24

Un altro esempio interessante è rappresentato dalle sparkline. In questo caso è necessario inserire nelle celle delle colonne in cui si vogliono inserire le sparkline dei vettori che verranno utilizzati per costruire questo tipo di rappresentazione.

Costruisco (e stampo sulla console) la tabella dati:

gap_tab_sparkline <- gapminder |>
  group_by(continent) |>
  slice_sample(n = 15) |>
  summarize(
    mean = mean(lifeExp),
    sd = sd(lifeExp),
    # must end up with list of data for each row in the input dataframe
    lifeExp_data = list(lifeExp),
    .groups = "drop"
  )

gap_tab_sparkline

# A tibble: 5 × 4
  continent  mean    sd lifeExp_data
  <fct>     <dbl> <dbl> <list>      
1 Africa     46.0  7.61 <dbl [15]>  
2 Americas   62.0 12.0  <dbl [15]>  
3 Asia       60.4 10.9  <dbl [15]>  
4 Europe     71.4  7.54 <dbl [15]>  
5 Oceania    74.1  4.01 <dbl [15]>  

E poi sfrutto la funzione gt_plt_sparkline indicando quale colonne contiene i dati necessari alla rappresentazione grafica:

gap_tab_sparkline |>
  # ordino i continenti in senso decrescente dell'aspettativa di vita media
  arrange(desc(mean)) |>
    # rappresentazione tabellare con gt
    gt() |>
    # cui sostituisco la colonna lifeExp_data
    gtExtras::gt_plt_sparkline(lifeExp_data) |>
    fmt_number(columns = mean:sd, decimals = 1)

continent	mean	sd	lifeExp_data
Oceania	74.1	4.0
Europe	71.4	7.5
Americas	62.0	12.0
Asia	60.4	10.9
Africa	46.0	7.6