Migração de código R de scripts do ` RStudio ` para notebooks do ` Jupyter `

Para migrar seu código de scripts do RStudio para notebooks do Jupyter, primeiro crie um novo notebook no Jupyter que utilize um dos ambientes de execução do R compatíveis e, em seguida, instale quaisquer pacotes R adicionais nesse ambiente de execução. Por fim, transfira seus arquivos de RStudio para o seu novo notebook em Jupyter e execute seu código.

Antes de iniciar:

Antes da migração, revise seus scripts R para identificar:

• Dependências : Liste todos os pacotes necessários
• Fontes de dados : caminhos de arquivos, conexões com bancos de dados, APIs
• Variáveis de ambiente : Opções de configuração
• Funções personalizadas : funções definidas pelo usuário
• Formatos de saída : Gráficos, tabelas, arquivos

Para migrar seu código de scripts do RStudio para notebooks do Jupyter :

1. Abra o IDE do RStudio e exporte seu código R, funções personalizadas e quaisquer arquivos de dados necessários para o seu computador. Consulte “Como baixar um arquivo do site RStudio ”

2. Abra seu projeto do Studio do watsonx.ai e, em seguida, crie um novo notebook do Jupyter que utilize um dos ambientes de execução do R compatíveis. Consulte “Criação e gerenciamento de notebooks” e “Modelos padrão de tempo de execução da CPU ”.

3. Instale quaisquer pacotes R adicionais necessários no ambiente de execução do notebook.

   Exemplo

   # 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. Adicione ao seu projeto os ativos de dados que você exportou do RStudio. Consulte “Adicionando dados ao seu projeto ”.

5. Carregue os ativos de dados do seu projeto para o seu notebook. Veja Carregando dados por meio de trechos de código.

6. Adicione o código R que você exportou de RStudio às células do seu notebook Jupyter e, em seguida, execute o 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)