Criando apresentações com o {xaringan}

O pacote {xaringan} no R permite criar slides "ninja", através de layouts já prontos para utilização, opções de gráficos e tabelas interativos, integração com LaTeX e formatação precisa. Por usar o R Markdown, você pode até mesmo automatizar os seus slides! Se você se cansou de sofrer criando slides no PowerPoint, dê uma chance ao {xaringan} e confira este breve tutorial.

O pacote {xaringan}

Fonte: xaringan package

Algumas das principais características do pacote:

  • Possibilita criar slides "ninjas" através do R Markdown;
  • Utiliza JavaScript e CSS internamente;
  • É altamente customizável e possui extensões;
  • Gera slides no formato HML com interatividade;
  • É possível converter o HTML para PDF (estático);
  • É um documento reprodutível e amplamente utilizado no R.

Criando uma apresentação {xaringan}

Para criar seu primeiro slide com o layout básico do {xaringan}, siga esses passos:

  1. Abra o RStudio e instale o pacote: install.packages("xaringan")
  2. Navegue por File > New File > R Markdown > From Template > Ninja Presentation {xaringan} > OK  e salve o arquivo .Rmd gerado
  3. Compile o documento usando o botão Knit (talvez você também precise instalar os pacotes DT e leaflet)
  4. Visualize o resultado na janela do RStudio ou abrindo o arquivo HTML gerado no seu navegador

E pronto! Com estes simples passos você já terá uma estrutura de slides pronta para trabalhar. Sugerimos que navegue pelos slides que são gerados por padrão no layout básico para conferir previamente os recursos e possibilidades disponíveis.

Criando e personalizando slides

A partir do layout básico é possível ter uma noção do funcionamento e sintaxe do pacote {xaringan}, mas vamos resumir aqui o principal que você precisa saber e algumas dicas que passamos no curso de Relatórios em R Markdown:

Dica 1: o conteúdo dos slides começam onde o YAML (cabeçalho) termina. Use cabeçalhos Markdown (#) para gerar o título do slide e crie novos slides com 3 hífens --- sequenciais em uma linha. Veja o exemplo:

 

Dica 2: Para criar um slide de destaque, com o fundo em cor de contraste, utilize a classe inverse  logo abaixo dos hífens de criação de novo slide. Opcionalmente você pode alinhar horizontalmente o conteúdo do slide ao centro com center e, verticalmente, ao meio com middle.

Dica 3: Os slides também podem ser configurados com um layout diferente via outras classes. Para criar um slide com conteúdo de "destaque" pode ser útil uma barra lateral à esquerda com largura limitada e o restante à direita. Para tal use as classes .left-column[] .right-column[], por exemplo:

 

Saiba mais

Para saber mais e se aprofundar no assunto, confira os cursos aplicados de R e Python da Análise Macro disponíveis neste outono, especialmente o curso de Produção de Relatórios em R Markdown.

 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com Python”.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.