I have a dedicated R program for processing data. So, I have downloaded R, and the associated R-studio for my work laptop. The R-studio is a GUI interface for R and is divided into 4 panes. The upper left is the R program that you can import from Leafpad. The lower left is the actual real-time command-line processing. The upper right is publishing the rights for the statistical outputs and tables for journal abstracts. The lower right is the produced tables. R has the capability of creating a Shiny app which is an online capability for the R programs that you use. It is now possible to be connected to your R programs using a web browser. The Shiny app replaces a previous Perl Batch program. The batch program required 2 hrs, the Shiny app does the same amount of work in 20 minutes. The Shiny app then generates a pdf of the waveform plots (as seen in the lower right) and the associated critical points. The Shiny app works well, but there are a few “bugs” in the R-code written by my biostatistician so the app is not perfect; however it saves time and removes technician bias in data processing. Yet it does a great job of generating the data spreadsheets for the pressure and motion data sets needed. An example spreadsheet below.
J'ai un programme R dédié pour le traitement de données. J'ai donc téléchargé R, ainsi que R-studio, pour mon ordinateur portable au travail. R-studio, une interface graphique pour R, est divisé en quatre fenêtres. En haut à gauche, il y a le programme R que vous pouvez importer à partir de Leafpad. En bas à gauche, le véritable traitement des commandes s'affiche en temps réel. En haut à droite, vous verrez les droits pour les résultats statistiques et les tables pour des résumés d'articles. Les tables créées se trouvent en bas à droite.
R peut créer une appli Shiny, qui est une solution en ligne pour les programmes R que vous utilisez. Actuellement, on peut se connecter à ses programmes R au moyen d'un navigateur Web. L'appli Shiny remplace un programme Perl Batch précédent. Le programme par lots (batch) nécessitait 2 heures, alors que l'appli Shiny abat la même quantité de travail en 20 minutes.
Ensuite, l'appli Shiny génère un PDF des graphiques des ondes (en bas à droite) et les points critiques associés. L'appli Shiny fonctionne bien, mais il y a quelques « bogues » dans le code du R écrit par mon biostatisticien et l'appli n'est donc pas parfaite ; toutefois, il me fait gagner du temps et enlève les biais des techniciens dans le traitement des données. Et pourtant, il accomplit un travail extraordinaire en générant les feuilles de calcul des données pour les ensembles de tension et de données de mouvements nécessaires. Un exemple de feuille de calcul se trouve ci-dessous.
Onto Gnuplot now. I read the starting pages on a rather dry subject: statistics. There are 2 software developers’ forewords, an ‘about this book’, 15 chapters, and an appendix. The starting paragraphs have important background and historical information on Gnuplot. Yet it does not cover the real story. I jumped into Chapter 1, and it is quite light with a 15 page span. Luckily, Gnuplot is part of the RPM and Debian repositories. I changed to root and installed gnuplot via terminal – which was an incredibly smooth process. I searched the menus and did not see an app icon. I rebooted, right-clicked, and launched terminal with gnuplot. My book is written about Gnuplot 4.0, not 5.0. I am banking on the idea that gnuplot is relatively static and that the commands are reliable. Chapter 1 merely reviews the scope and capabilities of Gnuplot. It a simple 15 pages that goes into a brief description of commands. The authors use an example of planning a morning marathon and staffing issues. Essentially, it was attempting to use bimodal statistics to highlight a need that there were two surges of marathon runners: professionals and amateurs. The staff would needed to be present at early start, say 10am, then 11am and 1pm. The professionals would end at 11 am while the amateurs will be 1 pm. Staffing would be heavy at those times. This chapter ends by stating that each chapter will treat the reader as a new user. I believe the final message is that gnuplot will “illuminate” the truth found in statistical data.
Passons maintenant à Gnuplot.
J'ai lu les premières pages concernant un sujet assez aride : les statistiques. Il y a deux avant-propos de développeurs de logiciels, une présentation du livre, 15 chapitres et un appendice. Les paragraphes initiauxt contiennent des informations de base et historiques concernant Gnuplot. Pourtant, la vérité est omise. Je me suis lancé dans le premier chapitre, qui est assez léger avec seulement 15 pages.
Heureusement, Gnuplot figure dans les dépôts de RPM et de Debian. En tant que root, j'ai installé Gnuplot avec un terminal, un processus incroyablement fluide. J'ai cherché dans les menus sans voir d'icône d'appli. J'ai redémarré, fait un clic droit et lancé le terminal avec Gnuplot. Le livre parle de Gnuplot 4.0, pas de la 5.0, et je mise sur l'idée que Gnuplot est relativement statique et que les commandes sont fiables.
Le premier chapitre ne donne qu'un aperçu de la portée et des capacités de Gnuplot. Les 15 pages sont simples et donnent de petits descriptifs des commandes. Les auteurs utilisent l'exemple de la planification d'un marathon matinal et des problèmes de personnel. Essentiellement, ils essayaient d'utiliser des statistiques bimodales pour souligner le besoin d'avoir deux départs de coureurs : les professionnels et les amateurs. Le personnel devrait être présent à un départ matinal, disons 10 h du matin, puis 11 heures et 13 heures. Les professionnels termineraient à 11 h, alors que les amateurs ne finiraient qu'à 13 h. Il y aurait de lourds besoins de personnel à ces moments-là. À la fin de ce chapitre, les auteurs préviennent que chaque chapitre supposera que le lecteur est un nouvel utilisateur. Je crois que le message final est que Gnuplot « illuminera » la vérité présente dans des données statistiques.