Migrazione del codice R dagli script di RStudio ai notebook Jupyter

Per migrare il codice dagli script di RStudio ai notebook Jupyter, crea innanzitutto un nuovo notebook Jupyter che utilizzi uno dei runtime R supportati, quindi installa eventuali pacchetti R aggiuntivi nel relativo runtime. Infine, trasferisci i tuoi file da RStudio al tuo nuovo notebook Jupyter ed esegui il codice.

Prima di iniziare :

Prima della migrazione, controlla i tuoi script R per individuare:

• Dipendenze : Elenca tutti i pacchetti necessari
• Fonti dei dati : percorsi dei file, connessioni ai database, API
• Variabili d'ambiente : Impostazioni di configurazione
• Funzioni personalizzate : funzioni definite dall'utente
• Formati di output : grafici, tabelle, file

Per migrare il codice dagli script di RStudio ai notebook Jupyter:

1. Avvia l'IDE d RStudio e ed esporta il codice R, le funzioni personalizzate e tutti i file di dati necessari sul tuo computer locale. Vedi "Come scaricare un file da RStudio "

2. Apri il tuo progetto di Studio su watsonx.ai, quindi crea un nuovo notebook Jupyter che utilizzi uno dei runtime R supportati. Vedi Creazione e gestione dei notebook e Modelli predefiniti di runtime della CPU.

3. Installa eventuali pacchetti R aggiuntivi necessari nell'ambiente di esecuzione del notebook.

   Esempio:

   # Core data manipulation packages
   install.packages(c(
   "tidyverse",    # Data manipulation and visualization
   "dplyr",        # Data manipulation
   "readr",        # Reading data
   "tidyr",        # Data tidying
   "lubridate"     # Date/time handling
   ))
   
   # Visualization packages
   install.packages(c(
   "plotly",       # Interactive plots
   "ggplot2",      # Plotting
   "ggraph",       # Network graphs
   "DT",           # Interactive tables
   "htmlwidgets"   # HTML widgets
   ))
   
   
   # Spark integration (if needed)
   install.packages(c(
   "sparklyr",     # Spark interface
   "arrow"         # Apache Arrow
   ))
   
   # Python integration
   install.packages(c(
   "reticulate",   # Python integration
   "keras",        # Deep learning
   "tensorflow"    # TensorFlow
   ))
   

4. Aggiungi al tuo progetto i dati che hai esportato da RStudio. Vedi la sezione "Aggiunta di dati al progetto".

5. Carica i dati dal tuo progetto sul tuo notebook. Vedi "Caricamento dei dati tramite frammenti di codice".

6. Inserisci il codice R che hai esportato da RStudio nelle celle del tuo notebook Jupyter, quindi esegui il notebook.

library(dplyr)
library(ggplot2)

monthly_sales <- sales %>%
  group_by(month) %>%
  summarise(
    total_sales = sum(amount),
    avg_sales = mean(amount),
    count = n()
  ) %>%
  arrange(month)
print(monthly_sales)

# Visualization
options(repr.plot.width = 12, repr.plot.height = 6)
ggplot(monthly_sales, aes(x = month, y = total_sales)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  geom_text(aes(label = scales::comma(total_sales)),
            vjust = -0.5, size = 3) +
  theme_minimal() +
  labs(title = "Monthly Sales Performance",
       x = "Month",
       y = "Total Sales ($)") +
  scale_y_continuous(labels = scales::comma)

wslib$here$get_name()
wslib$show(wslib$list_stored_data())

wslib$save_data("testasset.csv", charToRaw("1,2,3"), overwrite=TRUE)
wslib$show(wslib$list_stored_data())

my_file <- wslib$load_data("testasset.csv")

df <-  read.csv(text = rawToChar(my_file))
head(df)