Kei te kaha haere te rongonui o nga tūtohi pae pakiwaituhi ka taea te whakauru ki roto i tetahi pou i runga i tetahi paetukutuku. Ka whakaatu ratou i nga hihiko o nga huringa i roto i nga ahuatanga i roto i tetahi waa ka mahi marama. Kia kite tatou me pehea te hanga ma te whakamahi i nga kohinga R me nga kohinga whanui.
Ka whakamahara matou:mo nga kaipānui katoa o "Habr" - he utu mo te 10 rubles i te wa e whakauru ana ki tetahi akoranga Skillbox ma te whakamahi i te waehere whakatairanga "Habr".
Ko enei e rua e tino hiahiatia ana. I tua atu, ka hiahiatia te tidyverse, te kaitiaki me nga unahi ki te whakahaere i nga raraunga, ki te horoi i te raupapa me te whakatakotoranga kia rite.
raraunga
Ko te huinga raraunga taketake ka whakamahia e matou i roto i tenei kaupapa ka tangohia mai i te paetukutuku a te Peeke o te Ao. Anei ratou - Raraunga Peeke Ao. Ko nga raraunga ano, ki te hiahia koe kia rite, ka taea te tango mai i kōpaki kaupapa.
He aha tenei momo korero? Kei roto i te tauira te uara GDP o te nuinga o nga whenua mo etahi tau (mai i te 2000 ki te 2017).
Te tukatuka raraunga
Ka whakamahia e matou te waehere kua tuhia i raro nei hei whakarite i te whakatakotoranga raraunga e hiahiatia ana. Ka whakawāteahia ngā ingoa tīwae, ka huri ngā tau ki te whakatakotoranga tau, ka huri i ngā raraunga mā te mahi kohikohi(). Ka tiakina e matou nga mea katoa ka riro mai i te gdp_tidy.csv hei whakamahi ano.
Te whakatakoto i te huinga katoa o nga histograms ma te whakamahi i te ggplot2.
Whakakorikori histograms pateko me nga tawhā e hiahiatia ana ma te whakamahi i te gganimate.
Ko te mahi whakamutunga ko te tuku i te hākoritanga ki te whakatakotoranga e hiahiatia ana, tae atu ki te GIF me te MP4.
E uta ana i nga whare pukapuka
whare pukapuka(tidyverse)
whare pukapuka(gganimate)
Te whakahaere raraunga
I tenei taahiraa, me tarai koe i nga raraunga kia whiwhi i nga whenua 10 runga mo ia tau. Me taapiri etahi pou e taea ai e tatou te whakaatu korero mo te histogram.
gdp_tidy <- read_csv("./data/gdp_tidy.csv")
gdp_formatted <- gdp_tidy %>%
group_by(year) %>%
# The * 1 makes it possible to have non-integer ranks while sliding
mutate(rank = rank(-value),
Value_rel = value/value[rank==1],
Value_lbl = paste0(" ",round(value/1e9))) %>%
group_by(country_name) %>%
filter(rank <=10) %>%
ungroup()
Te hanga histograms pateko
Inaianei he kete raraunga kei roto i te whakatakotoranga e hiahiatia ana, ka timata taatau ki te tuhi histograms pateko. Nga korero taketake - nga whenua 10 o runga me te GDP morahi mo te waahi wa kua tohua. Ka hanga kauwhata mo ia tau.
Ko te hanga papa ma te whakamahi i te ggplot2 he tino ngawari. Ka taea e koe te kite i te waahanga waehere i runga ake nei, he maha nga waahanga matua me te kaupapa () mahi. He mea tika kia ora nga huānga katoa me te kore raru. Ko etahi o aua mea kaore pea e whakaatuhia mena ka tika. Tauira: Ko nga rarangi matiti poutū me nga pakiwaitara anake ka tuhia, engari ko nga taitara tuaka me etahi atu waahanga ka tangohia mai i te waahi.
hākoritanga
Ko te mahi matua i konei ko transition_states(); Ka whakamahia te view_follow() ki te tuhi raina matiti.
anim = staticplot + transition_states(year, transition_length = 4, state_length = 1) +
view_follow(fixed_x = TRUE) +
labs(title = 'GDP per Year : {closest_state}',
subtitle = "Top 10 Countries",
caption = "GDP in Billions USD | Data Source: World Bank Data")
Te tuku
Kia hangahia te hākoritanga me te penapena i roto i te ahanoa animate, kua tae ki te wa ki te whakaputa ma te whakamahi i te mahi animate(). Ko te kaituku e whakamahia ana i roto i te animate() ka rereke pea i runga i te momo konae whakaputa e hiahiatia ana.