Web Developer Roadmap 2018が2019年版になっていたので比較してみる - Qiita
偉大なるリポジトリ 昨年に引き続き、Webエンジニアのためのロードマップが2019年版へ更新されています。2018年の間に大きく様変わりしていて、他の投稿者による翻訳記事がQiitaにもあがっているので詳しくはそちらをご覧ください。 この記事では2018年版と2019年版を比較して、技術トレンドの推移をそれなりに把握する事を目的としています。また、技術選択の際に迷った時も指針として活用していただければ幸いです。前回書いた記事はこちら 内容が充実しすぎていることもあり、すべてに触れたくても触れられません。一部ピックアップをしながら進めていきます。 ではさっそく見ていきましょう！疲れるので今回はあまりふざけません。 🚀Introduction 2018 2019 Choose your path に変化はないですが、左右の四角に変化があります。2019年版にはlicenseやSOLID,KI
NuGetパッケージのベストプラクティス - きよくらの備忘録
タイトルは若干釣りです。 Stack Overflowでこんなディスカッションを見つけました： Best practices with Nuget: Debug or Release? NuGet自体が一つのパッケージにReleasaeとDegubの両方のビルドを含めれたら一番いい…とも思いましたが、ビルド時にどちらを参照するか切り替える必要があるとか考えるとその仕組みをうまく提供するのが面倒な気もしますね。手動でビルドスクリプトなんかをカスタマイズすればできなくない気がしますが…。 とは言え、『ライブラリのソースにステップインしたい』だけなら何もDebugビルドは必要なく、昨日のエントリのようにReleaseビルドでシンボルパッケージを作成し、シンボルサーバにパブリッシュしておけば十分です。ですので、『ライブラリ自体のデバッグ』が必要な時以外の大抵の場合は以下で十分なんだとは思います。
Practical R Package Development (Japanese)
Practical R Package Development (Japanese) Hiroaki Yutani 2019-02-11 はじめに Rのパッケージ開発については「R Packages」（Hadley Wickham、2015）に詳しいが、Rのパッケージ開発にはここ数年で様々な変化があった。 幸い、同書は第2版に向けて大幅に書き直される予定1なので、賢明なRパッケージ開発者はそれを待つのがいいだろう。本書は、あくまでもそれまでのつなぎのような存在として、むしろ筆者のメモ代わりとして、衝動的に書き殴られたものだ。Rパッケージ開発の基礎はすっとばし、新たなトピックを中心に取り扱う。信用がおける知識についてはあくまでも「R Packages」を参照されたい。
Yarn
超高速 Yarn はダウンロードしたパッケージをキャッシュするので、再ダウンロードは不要です。さらにリソースを最大限利用できるように処理を並列化するので、インストール時間はかつてないほど高速です。
Great R packages for data import, wrangling, and visualization
The table below shows my favorite go-to R packages for data import, wrangling, visualization and analysis — plus a few miscellaneous tasks tossed in. The package names in the table are clickable if you want more information. To find out more about a package once you’ve installed it, type help(package = "packagename") in your R console (of course substituting the actual package name ). My favorite
多次元時系列の異常検知手法 sGMRFmix について /sGMRFmix - Speaker Deck
All slide content and descriptions are owned by their creators.
データ系列が多すぎるとき、いい感じに一部をハイライトするためのパッケージgghighlightをつくりました - Technically, technophobic.
ggplot2で可視化しようとして、データ系列が多すぎてこんなもじゃもじゃになってしまう、みたいなことないでしょうか。 これを、一部だけを色付けしてこんな感じのプロットにしてくれるパッケージをつくりました。 インストール GitHub上からインストールできます。 devtools::install_github("yutannihilation/gghighlight") gghiglightがやっていること gghiglightの説明をする前に、まずは上のグラフが何をしているのか、まずはふつうのtidyverseでやってみます。 データはこんな感じのやつです。 library(dplyr, warn.conflicts = FALSE) set.seed(1) d <- tibble( idx = 1:10000, value = runif(idx, -1, 1), type = sa
[R] 非ガウシアン状態空間対応パッケージ, KFAS の使い方 - ill-identified diary
概要 まだ日本語情報の少ない KFAS を一連の状態空間モデルネタの続きとして紹介する. KFAS には一番良く使われている dlm パッケージよりも優れた点がいくつもある. 前回のように, パッケージの理念・構文・具体例を用いた実験を順に紹介していく. 状態空間モデルを扱う Rパッケージの中では dlm が最も有名だが, これは名前の示すように動的線形モデル dynamic linear model, すなわちノイズが正規分布になる, ガウシアン線形状態空間モデルしか扱うことができない. これに対して KFAS の長所はいくつもあり, 特に正規分布いがいの分布も扱うことができるという点は特筆すべきである. なお, KFAS を日本語で紹介している文献は, 伊東先生の発表スライド, Rパッケージ“KFAS”を使った時系列データの解析方法 from Hiroki Itô 伊東 (2017,
![[R] 非ガウシアン状態空間対応パッケージ, KFAS の使い方 - ill-identified diary](https://cdn-ak-scissors.b.st-hatena.com/image/square/55dde84011f89d2bb3b373c108a980d209ee20e8/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fi%2Fill-identified%2F20180811%2F20180811000928.png)
Rおじさん、Pythonistaになる - cucumber flesh
こちらをご覧ください。踏み絵ではありません。R上で地理空間データを扱うPythonモジュール、geopandasによる作図を行なっている画面です。 え、RでPythonを!?と驚かれる方もいるかもしれませんが、reticulateというRパッケージを使うことで、ほぼストレスフリーでPythonのモジュールや関数がR上で利用可能になります。先の図は次のコードによって実行されました。 library(reticulate) # モジュールの呼び出し gpd <- import("geopandas") plt <- import("matplotlib.pyplot") # サンプルデータの読み込み world <- gpd$read_file(gpd$datasets$get_path("naturalearth_lowres")) # データセットの確認 head(world) # ではな
DJタカヤナギ=サンで学ぶRを用いた画像操作 ·
こんにちは、ホクソエムの市川です。 日々の業務の合間にちょっとクソコラを作りたいこと、あると思います。 でもクソコラに手間はかけたくない。 そんな時に使えるのがimagerパッケージです。 ちなみに画像操作に使えるRのパッケージには他にもEBImageパッケージ、magickパッケージ等があります。 それぞれに利点はあるのですが、EBImageはbioconductorからインストールする必要があるので手間がかかり、magickは画像の上に図形を描くのが意外と面倒だったりします。 繰り返しますがクソコラに手間はかけたくない。 ということで今回はCC0ライセンスで公開されているDJタカヤナギ=サンの画像を用いてimagerパッケージの使い方について学びたいと思います。 画像の読み込みと表示 画像の読み込みにはload.image()を用います。 読み込んだ画像の情報はprint.cimg()
Bayesplotパッケージはいいよ
ベイズの話があちこちで盛り上がっていますね！ ところで，ベイジアン・モデリングで得られた結果を表現する切り口っていろいろあるのですが，これを一手に引き受けてくれる便利なパッケージ，bayespotの存在を知りました。 これまではshinystanでみると綺麗！だったのですが，ブラウザが立ち上がるのでちょっと面倒。bayesplotパッケージはplot領域に出力されるし，結果がggplot2オブジェクトなので，ggplot2のレイアを上書きして言ったりすることができるのも便利。 ということで，練習がてら挙動を確認してみる。 まずは簡単なモデルを書いてみることに。 # ライブラリの読み込み library(rstan) ## 要求されたパッケージ ggplot2 をロード中です ## 要求されたパッケージ StanHeaders をロード中です ## rstan (Version 2.14.1
{forcats}パッケージでカテゴリカル変数(factor型データ)をいじってみる
tidyverseパッケージ群のひとつで，カテゴリカル変数(Factor型データ)をいじるのに特化したものとしてforcatsパッケージがあります。開発の経緯や詳細はパッケージの公式サイト，および「R for Data Science」のFactorsの章をご覧ください: Tools for Working with Categorical Variables (Factors) • forcats 15 Factors - R for Data Science 今回は，公式サイトの関数リファレンスを参考に，自分向けのメモがてらテストします。 インストール CRANに登録済み。また，tidyverseパッケージ群なのでtidyverseをインストールすることでも可能。 # {tidyverse}をインストールすれば自動的にインストールされます: install.packages("tidy
miniCRAN で Azure Machine Learning 用のリポジトリーを作る - 捨てられたブログ
本記事は R Advent Calendar 2016 に参加しています。 Azure Machine Learning（Azure ML）を使うと、分析処理を容易に WebAPI 化することができて便利です。分析モジュールは細分化することができ、 R や Python で処理を記述することができます。 R Advent Calendar なのでもちろん R の話です。 R で処理を行う際に、自作他作問わず様々なパッケージを導入する必要がありますが、 Azure ML だとパッケージの導入は少し手間がかかります。というのは Azure ML の分析モジュールではインターネットアクセスを行うことができず、 `install.packages` 関数や `devtools` パッケージの install 系関数では単純にパッケージをインストールすることができないからです。 ではどうするかという
🍭ホクソエムのつながりをNeo4Jを使って確かめる - cucumber flesh
先日、Neo4Jというオープンソースで開発されるグラフデータベースの存在を知りました。恥ずかしながら、グラフデータベース？なにそれ美味しいの？という知識しかありませんでしたが、どうやらNoSQL（リレーショナルデータベースだけがデータベースではない）の流れを組んで誕生したものらしいです。グラフデータベースは、表形式で表現されるリレーショナルデータベースに対して、データ間の関係性を表現するのに向いています。 気になるものがあるとすぐにRパッケージを探し出してしまう性分なので調べてみると、すぐに {RNeo4j}というパッケージが見つかりました。というわけでこの{RNeo4j}パッケージを使ってNeo4Jの扱いについて慣れていこうというメモです。 今回は適当な例として来月に結成１周年を迎える匿名知的集団「ホクソエム」のメンバー間のTwitter上でのフォロー状況について整理してみることにします
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
【Rメモ】多変数の関係性を視覚化する関数（パッケージ）まとめ - Qiita
Packrat: パッケージ管理入門
Automating roxygen2 package documentation | R-bloggers
Posit
ggraph: ggplot for graphs | R-bloggers
Neo4j from R - Developer Guides