Gerando aplicativos interativos com Shiny

No Dicas de R dessa semana, vamos mostrar as funcionalidades básicas da ferramenta Shiny, que permite gerar aplicativos interativos em R. Nosso exemplo será um mapa da localização de jogadores famosos da Champions League ao receberem passes, utilizando os dados da plataforma StatsBomb - acessados através do pacote StatsBombR - e também a formatação em ggplot do pacote ggsoccer. Primeiramente, vamos carregar os pacotes utilizados:


library(shiny)
library(ggplot2)
library(ggsoccer)
library(tidyverse)

Um aplicativo em Shiny possui dois componentes principais: a interface do usuário, e um servidor. O primeiro indica todos os elementos que serão visíveis no programa final, e as interações que podem ocorrer entre eles. A interface apresentada abaixo contém um elemento de título, e um elemento de layout com barra lateral, que é subdivido entre o gráfico principal e a barra que faz a escolha - input do usuário - do jogador a ser apresentado.

ui <- fluidPage(

titlePanel("Posicionamento de jogadores ao receberem passes"),

sidebarLayout(

sidebarPanel(

selectInput(inputId = "players",
label = "Escolha um jogador:",
choices = c("Messi",
"Toni Kroos",
"Cristiano Ronaldo",
"Iniesta",
"Robben",
"Pirlo"))
),

mainPanel(plotOutput("fieldPlot"))

)
)

As escolhas que podem ser feitas foram definidas acima, porém o elemento fieldPlot referenciado na última linha não existe ainda. Ele é gerado internamente e apenas seu resultado é apresentado, logo seu código faz parte do servidor do programa:

server <- function(input, output){

output$fieldPlot <- renderPlot({

passes_de_jogo %>% filter(grepl(input$players, pass.recipient.name)) %>%
ggplot(aes(x=pass.end_location.x, y = pass.end_location.y))+
annotate_pitch(dimensions = pitch_statsbomb) +
geom_bin2d(binwidth = c(5, 5))+
theme_pitch()

})

}

Com os dois componentes em mãos, basta rodar o aplicativo:


shinyApp(ui = ui, server = server)

O resultado pode ser disponibilizado online, através do shinyapps.io. O aplicativo feito aqui está disponível aqui.
Abaixo, um exemplo do resultado:

É interessante notar que os dados aparentam estar invertidos - Robben está recebendo passes do lado esquerdo enquanto
que Cristiano Ronaldo do lado direito, contrariando suas posições originais.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Automatizando Análises Econômicas com LangChain e LangGraph: Multi-Agentes com LLMs

A evolução das ferramentas baseadas em modelos de linguagem (LLMs) está transformando o modo como realizamos análises econômicas. Neste artigo, apresentamos como utilizar LangChain e LangGraph, duas das bibliotecas mais relevantes para a orquestração de fluxos complexos com agentes de IA, integrando-os com o Google Gemini. O foco será a construção de uma pipeline multi-agente para análise econômica utilizando dados reais do Brasil.

O que é o ciclo de Agentes de IA?

Neste post, vamos explorar o fluxo completo de trabalho de um Agente de IA — um ciclo que definimos como Pensamento-Ação-Observação. Ao final, criamos um exemplo de Agente de IA que responde perguntas sobre dados econômicos.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

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.