8 인터랙티브 시각화

Author

연세대 산업보건 연구소

Published

November 19, 2025

9 인터랙티브 시각화 및 공중보건 대시보드

🎯 학습 목표

이 챕터를 마치면 다음을 할 수 있습니다:

plotly로 ggplot2를 인터랙티브하게 변환 (ggplotly())
Shiny 앱의 UI와 Server 구조 이해
반응성(Reactivity) 개념 완벽 습득
DT 패키지로 인터랙티브 데이터 테이블 생성
공중보건 대시보드 구축 및 배포
flexdashboard로 빠른 대시보드 제작

📚 왜 인터랙티브 시각화인가?

정적 그래프(Static plots)는 논문 출판에 적합하지만, 데이터 탐색과 실시간 모니터링에는 한계가 있습니다.

인터랙티브 시각화의 장점: - 🔍 데이터 탐색: 마우스 오버로 세부 정보 확인 - 🔎 확대/축소: 관심 영역 집중 분석 - 🎛️ 필터링: 실시간으로 데이터 서브셋 선택 - 📊 대시보드: 여러 지표를 한 화면에 통합 - 🌐 웹 공유: URL로 간편하게 공유 가능

실제 활용 사례: - Johns Hopkins COVID-19 대시보드 - WHO 질병 감시 시스템 - CDC FluView 인터랙티브 리포트 - 지역 보건소 실시간 모니터링

9.1 7.1 정적 → 동적: plotly와 ggplotly()

9.1.1 7.1.1 plotly의 강력함

plotly는 JavaScript 기반 라이브러리로, R에서 인터랙티브 그래프를 쉽게 만들 수 있습니다. 가장 강력한 기능은 ggplot2 객체를 한 줄로 변환하는 ggplotly()입니다.

기본 예제:

library(plotly)
library(ggplot2)

# 1. 일반 ggplot2 객체 생성
p_static <- ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl))) +
  geom_point(size = 3) +
  labs(
    title = "자동차 무게와 연비의 관계",
    x = "무게 (1000 lbs)",
    y = "연비 (mpg)",
    color = "실린더"
  ) +
  theme_minimal()

# 2. ggplotly()로 변환 (단 한 줄!)
p_interactive <- ggplotly(p_static)

# 3. 결과 출력 (HTML 위젯)
p_interactive

인터랙티브 기능: - ✅ 마우스 오버: 각 점의 정확한 값 표시 - ✅ 확대/축소: 박스 선택 또는 더블클릭 - ✅ 패닝: 클릭-드래그로 이동 - ✅ 범례 클릭: 그룹 표시/숨김 - ✅ 다운로드: PNG로 저장 가능

💡 투자 대비 수익(ROI) 최고!

ggplot2 문법을 마스터했다면, ggplotly(p)라는 단 한 줄로 강력한 인터랙티브 그래프로 변환됩니다!

코드 비교:

# 정적 (Static)
p

# 인터랙티브 (Interactive)
ggplotly(p)

ggplot2의 모든 기능(facet, theme, scale)이 대부분 자동 변환됩니다!

9.1.2 7.1.2 plotly 고급 활용

예제 1: 시계열 데이터 (COVID-19 추세)

# 모의 COVID-19 데이터
library(tidyverse)
library(plotly)

set.seed(42)
covid_sim <- tibble(
  date = seq.Date(as.Date("2020-01-01"), by = "day", length.out = 365),
  cases = cumsum(c(0, rpois(364, lambda = 50)))
)

# ggplot2 생성
p <- ggplot(covid_sim, aes(x = date, y = cases)) +
  geom_line(color = "steelblue", size = 1) +
  geom_point(size = 0.5, alpha = 0.3) +
  labs(
    title = "COVID-19 누적 확진자 추세",
    x = "날짜",
    y = "누적 확진자 (명)"
  ) +
  theme_minimal(base_size = 12)

# plotly 변환
ggplotly(p) %>%
  layout(
    hovermode = "x unified",  # x축 기준 통합 툴팁
    xaxis = list(rangeslider = list(visible = TRUE))  # 날짜 범위 슬라이더 추가
  )

예제 2: 3D 산점도

plotly는 ggplot2를 넘어 3D 시각화도 지원합니다:

library(plotly)

# iris 데이터로 3D 산점도
plot_ly(
  iris,
  x = ~Sepal.Length,
  y = ~Sepal.Width,
  z = ~Petal.Length,
  color = ~Species,
  colors = c("#E41A1C", "#377EB8", "#4DAF4A"),
  type = "scatter3d",
  mode = "markers",
  marker = list(size = 5)
) %>%
  layout(
    title = "붓꽃 3D 산점도",
    scene = list(
      xaxis = list(title = "Sepal Length"),
      yaxis = list(title = "Sepal Width"),
      zaxis = list(title = "Petal Length")
    )
  )

예제 3: 애니메이션 (시간 경과에 따른 변화)

# 연도별 데이터 시뮬레이션
library(plotly)

anim_data <- data.frame(
  year = rep(2010:2020, each = 100),
  age = rep(20:119, 11),
  prevalence = rnorm(1100, mean = 50, sd = 10)
)

# 애니메이션 플롯
plot_ly(
  anim_data,
  x = ~age,
  y = ~prevalence,
  frame = ~year,  # 애니메이션 프레임
  type = "scatter",
  mode = "markers",
  marker = list(size = 8, color = "steelblue")
) %>%
  layout(
    title = "연도별 연령대 유병률 변화",
    xaxis = list(title = "나이"),
    yaxis = list(title = "유병률 (%)")
  ) %>%
  animation_opts(
    frame = 500,  # 프레임당 500ms
    transition = 300,  # 전환 300ms
    redraw = FALSE
  )

9.1.3 7.1.3 커스터마이징: tooltip과 hover 정보

기본 툴팁을 커스터마이즈할 수 있습니다:

# 데이터 준비
library(tidyverse)
library(plotly)

health_data <- tibble(
  patient_id = paste0("P", 1:50),
  age = rnorm(50, mean = 55, sd = 15),
  bmi = rnorm(50, mean = 25, sd = 4),
  sbp = rnorm(50, mean = 130, sd = 20)
)

# 커스텀 툴팁
p <- ggplot(health_data, aes(
  x = age,
  y = sbp,
  text = paste(
    "환자 ID:", patient_id,
    "\n나이:", round(age, 1), "세",
    "\nBMI:", round(bmi, 1),
    "\n수축기 혈압:", round(sbp, 0), "mmHg"
  )
)) +
  geom_point(aes(size = bmi), color = "steelblue", alpha = 0.7) +
  labs(
    title = "환자별 나이와 혈압",
    x = "나이 (세)",
    y = "수축기 혈압 (mmHg)"
  ) +
  theme_minimal()

# tooltip 옵션 지정
ggplotly(p, tooltip = "text")

9.2 7.2 Shiny 대시보드 구축

💻 Shiny 앱 실행 방법

정적 HTML 책에서는 Shiny 앱이 작동하지 않습니다! (서버 필요)

아래 코드 예제들을 직접 실행하려면:

방법 1: 예제 파일 다운로드

# GitHub에서 전체 프로젝트 클론
git clone https://github.com/jinhaslab/rvis.git

# 또는 ZIP 다운로드: https://github.com/jinhaslab/rvis/archive/main.zip

# Shiny 앱 실행
shiny::runApp("code/shiny_apps/01_basic_app")
shiny::runApp("code/shiny_apps/02_disease_dashboard")

방법 2: 코드 복사 - 아래 코드를 app.R 파일로 저장 - RStudio에서 “Run App” 버튼 클릭

필수 패키지:

install.packages(c("shiny", "tidyverse", "plotly", "DT"))

자세한 설명: code/shiny_apps/README.md 참조

9.2.1 7.2.1 Shiny의 핵심: UI와 Server

Shiny는 R 코드만으로 웹 애플리케이션을 만드는 프레임워크입니다. HTML/CSS/JavaScript 지식이 없어도 강력한 대시보드를 구축할 수 있습니다.

Shiny의 구조:

┌─────────────────────────────────────┐
│            Shiny App                │
├─────────────────┬───────────────────┤
│       UI        │      Server       │
│  (사용자 인터페이스) │   (백엔드 로직)    │
├─────────────────┼───────────────────┤
│ - 레이아웃       │ - 데이터 처리      │
│ - 입력 위젯      │ - 플롯 생성       │
│ - 출력 영역      │ - 테이블 생성      │
│                 │ - 반응성 로직      │
└─────────────────┴───────────────────┘

최소 Shiny 앱 예제:

library(shiny)

# UI: 사용자가 보는 화면
ui <- fluidPage(
  titlePanel("첫 번째 Shiny 앱"),

  sidebarLayout(
    sidebarPanel(
      sliderInput(
        "num_points",
        "점의 개수:",
        min = 10,
        max = 200,
        value = 50
      )
    ),

    mainPanel(
      plotOutput("scatter_plot")
    )
  )
)

# Server: 실제 연산이 일어나는 곳
server <- function(input, output) {

  output$scatter_plot <- renderPlot({
    # input$num_points 값에 따라 자동으로 재실행됨!
    n <- input$num_points

    data <- data.frame(
      x = rnorm(n),
      y = rnorm(n)
    )

    ggplot(data, aes(x, y)) +
      geom_point(color = "steelblue", size = 3) +
      labs(title = paste("N =", n, "개 점")) +
      theme_minimal()
  })
}

# 앱 실행
shinyApp(ui = ui, server = server)

파일 저장: - app.R (단일 파일) 또는 - ui.R + server.R (분리 파일)

실행 방법: 1. RStudio: “Run App” 버튼 클릭 2. 콘솔: shiny::runApp("app_directory")

9.2.2 7.2.2 반응성(Reactivity) 이해

🔄 Shiny의 핵심: 반응성

반응성(Reactivity)은 Shiny의 마법입니다:

사용자가 UI 위젯 변경 (예: input$num_points)
Shiny가 자동 감지
해당 input에 의존하는 모든 output 자동 재실행
UI 업데이트

선언적 프로그래밍: “언제 업데이트할지”가 아니라 “무엇을 보여줄지”만 선언하면, Shiny가 자동으로 관리합니다!

반응성 그래프:

input$num_points
       ↓
  (의존성)
       ↓
output$scatter_plot
       ↓
  (자동 재실행)
       ↓
   UI 업데이트

반응성 예제: 필터링

library(shiny)
library(tidyverse)

ui <- fluidPage(
  titlePanel("mtcars 데이터 필터링"),

  sidebarLayout(
    sidebarPanel(
      selectInput(
        "cyl_select",
        "실린더 개수:",
        choices = c("All", "4", "6", "8"),
        selected = "All"
      ),

      sliderInput(
        "mpg_range",
        "연비 범위:",
        min = 10,
        max = 35,
        value = c(10, 35)
      )
    ),

    mainPanel(
      plotOutput("filtered_plot"),
      tableOutput("filtered_table")
    )
  )
)

server <- function(input, output) {

  # 반응형 데이터 (reactive expression)
  filtered_data <- reactive({
    data <- mtcars

    # 실린더 필터
    if (input$cyl_select != "All") {
      data <- data %>%
        filter(cyl == as.numeric(input$cyl_select))
    }

    # 연비 범위 필터
    data <- data %>%
      filter(mpg >= input$mpg_range[1],
             mpg <= input$mpg_range[2])

    data
  })

  # 플롯 출력
  output$filtered_plot <- renderPlot({
    ggplot(filtered_data(), aes(x = wt, y = mpg)) +
      geom_point(size = 3, color = "steelblue") +
      labs(
        title = paste("필터링된 데이터:", nrow(filtered_data()), "대"),
        x = "무게",
        y = "연비"
      ) +
      theme_minimal()
  })

  # 테이블 출력
  output$filtered_table <- renderTable({
    head(filtered_data(), 10)
  })
}

shinyApp(ui, server)

9.2.3 7.2.3 주요 입력 위젯

Shiny는 다양한 입력 위젯을 제공합니다:

위젯 함수	설명	사용 예시
`textInput()`	텍스트 입력	환자 ID 입력
`numericInput()`	숫자 입력	연령 입력
`sliderInput()`	슬라이더	날짜/범위 선택
`selectInput()`	드롭다운	지역 선택
`checkboxInput()`	체크박스	옵션 활성화
`radioButtons()`	라디오 버튼	성별 선택
`dateInput()`	날짜 선택	시작일 입력
`dateRangeInput()`	날짜 범위	기간 선택
`fileInput()`	파일 업로드	CSV 업로드
`actionButton()`	액션 버튼	“분석 실행” 버튼

예제: 다양한 입력 위젯

ui <- fluidPage(
  titlePanel("입력 위젯 데모"),

  sidebarLayout(
    sidebarPanel(
      textInput("patient_id", "환자 ID:", "P12345"),

      numericInput("age", "나이:", value = 50, min = 0, max = 120),

      selectInput("gender", "성별:",
                  choices = c("남성" = "M", "여성" = "F")),

      checkboxInput("smoker", "흡연자", value = FALSE),

      radioButtons("diagnosis", "진단:",
                   choices = c("정상", "당뇨", "고혈압")),

      dateRangeInput("visit_dates", "방문 기간:",
                     start = Sys.Date() - 30,
                     end = Sys.Date()),

      actionButton("submit", "제출", class = "btn-primary")
    ),

    mainPanel(
      verbatimTextOutput("input_summary")
    )
  )
)

server <- function(input, output) {

  observeEvent(input$submit, {
    output$input_summary <- renderPrint({
      cat("=== 입력 요약 ===\n")
      cat("환자 ID:", input$patient_id, "\n")
      cat("나이:", input$age, "\n")
      cat("성별:", input$gender, "\n")
      cat("흡연:", ifelse(input$smoker, "예", "아니오"), "\n")
      cat("진단:", input$diagnosis, "\n")
      cat("방문 기간:", as.character(input$visit_dates), "\n")
    })
  })
}

shinyApp(ui, server)

9.2.4 7.2.4 실전 예제: 공중보건 감시 대시보드

완전한 예제: 감염병 감시 대시보드

전체 코드 보기 (클릭)

# app.R - 감염병 감시 대시보드
library(shiny)
library(tidyverse)
library(plotly)
library(DT)

# 모의 데이터 생성
set.seed(42)
disease_data <- tibble(
  date = rep(seq.Date(as.Date("2024-01-01"), by = "day", length.out = 365), 3),
  region = rep(c("서울", "부산", "대구"), each = 365),
  cases = rpois(365 * 3, lambda = 50) + rnorm(365 * 3, mean = 0, sd = 10),
  deaths = rpois(365 * 3, lambda = 2)
) %>%
  mutate(
    cases = pmax(0, cases),  # 음수 제거
    deaths = pmax(0, deaths),
    cfr = deaths / cases * 100  # Case Fatality Rate
  )

# UI
ui <- fluidPage(
  # 스타일링
  tags$head(
    tags$style(HTML("
      .navbar { background-color: #2C3E50; }
      .navbar-brand { color: white !important; }
      h2 { color: #2C3E50; }
    "))
  ),

  # 제목
  titlePanel(
    div(
      style = "background-color: #2C3E50; color: white; padding: 20px; margin: -15px -15px 20px -15px;",
      h1("감염병 실시간 감시 대시보드", style = "margin: 0;"),
      p("Infectious Disease Surveillance System", style = "margin: 5px 0 0 0; font-size: 14px;")
    )
  ),

  # 레이아웃
  sidebarLayout(
    sidebarPanel(
      width = 3,

      h4("📊 필터 옵션"),

      selectInput(
        "region_select",
        "지역 선택:",
        choices = c("전체" = "All", "서울", "부산", "대구"),
        selected = "All"
      ),

      dateRangeInput(
        "date_range",
        "기간 선택:",
        start = as.Date("2024-01-01"),
        end = as.Date("2024-12-31"),
        min = as.Date("2024-01-01"),
        max = as.Date("2024-12-31")
      ),

      hr(),

      h4("📈 표시 옵션"),

      checkboxInput("show_deaths", "사망자 표시", value = TRUE),
      checkboxInput("show_cfr", "치명률(CFR) 표시", value = FALSE),

      hr(),

      actionButton("update", "업데이트", class = "btn-primary btn-block"),

      br(),

      wellPanel(
        h5("ℹ️ 정보"),
        p("데이터 출처: 모의 데이터", style = "font-size: 12px;"),
        p("업데이트: 실시간", style = "font-size: 12px;")
      )
    ),

    mainPanel(
      width = 9,

      # 요약 통계 카드
      fluidRow(
        column(
          3,
          div(
            style = "background-color: #3498DB; color: white; padding: 15px; border-radius: 5px;",
            h4("총 확진자", style = "margin: 0;"),
            h2(textOutput("total_cases", inline = TRUE), style = "margin: 10px 0 0 0;")
          )
        ),
        column(
          3,
          div(
            style = "background-color: #E74C3C; color: white; padding: 15px; border-radius: 5px;",
            h4("총 사망자", style = "margin: 0;"),
            h2(textOutput("total_deaths", inline = TRUE), style = "margin: 10px 0 0 0;")
          )
        ),
        column(
          3,
          div(
            style = "background-color: #F39C12; color: white; padding: 15px; border-radius: 5px;",
            h4("평균 CFR", style = "margin: 0;"),
            h2(textOutput("avg_cfr", inline = TRUE), style = "margin: 10px 0 0 0;")
          )
        ),
        column(
          3,
          div(
            style = "background-color: #27AE60; color: white; padding: 15px; border-radius: 5px;",
            h4("관찰 기간", style = "margin: 0;"),
            h2(textOutput("obs_days", inline = TRUE), style = "margin: 10px 0 0 0;")
          )
        )
      ),

      br(),

      # 탭 패널
      tabsetPanel(
        type = "tabs",

        # 탭 1: 시계열 그래프
        tabPanel(
          "시계열 추세",
          br(),
          plotlyOutput("time_series_plot", height = "500px")
        ),

        # 탭 2: 지역별 비교
        tabPanel(
          "지역별 비교",
          br(),
          plotlyOutput("region_comparison", height = "500px")
        ),

        # 탭 3: 데이터 테이블
        tabPanel(
          "데이터 테이블",
          br(),
          DTOutput("data_table")
        ),

        # 탭 4: 통계 요약
        tabPanel(
          "통계 요약",
          br(),
          verbatimTextOutput("summary_stats")
        )
      )
    )
  )
)

# Server
server <- function(input, output, session) {

  # 반응형 데이터
  filtered_data <- reactive({
    data <- disease_data

    # 지역 필터
    if (input$region_select != "All") {
      data <- data %>% filter(region == input$region_select)
    }

    # 날짜 필터
    data <- data %>%
      filter(date >= input$date_range[1],
             date <= input$date_range[2])

    data
  }) %>% bindEvent(input$update)

  # 요약 통계
  output$total_cases <- renderText({
    format(sum(filtered_data()$cases), big.mark = ",")
  })

  output$total_deaths <- renderText({
    format(sum(filtered_data()$deaths), big.mark = ",")
  })

  output$avg_cfr <- renderText({
    cfr <- mean(filtered_data()$cfr, na.rm = TRUE)
    paste0(round(cfr, 2), "%")
  })

  output$obs_days <- renderText({
    paste(nrow(filtered_data()), "일")
  })

  # 시계열 플롯
  output$time_series_plot <- renderPlotly({
    data <- filtered_data()

    p <- ggplot(data, aes(x = date)) +
      geom_line(aes(y = cases, color = region), size = 1) +
      labs(
        title = "일일 확진자 추세",
        x = "날짜",
        y = "확진자 수",
        color = "지역"
      ) +
      theme_minimal(base_size = 12)

    # 사망자 추가
    if (input$show_deaths) {
      p <- p + geom_line(aes(y = deaths * 10, linetype = "사망자 (×10)"),
                         color = "red", size = 0.8, alpha = 0.7)
    }

    ggplotly(p) %>%
      layout(hovermode = "x unified")
  })

  # 지역별 비교
  output$region_comparison <- renderPlotly({
    data <- filtered_data() %>%
      group_by(region) %>%
      summarize(
        total_cases = sum(cases),
        total_deaths = sum(deaths),
        avg_cfr = mean(cfr, na.rm = TRUE)
      )

    plot_ly(data) %>%
      add_bars(
        x = ~region,
        y = ~total_cases,
        name = "총 확진자",
        marker = list(color = "#3498DB")
      ) %>%
      layout(
        title = "지역별 총 확진자",
        xaxis = list(title = "지역"),
        yaxis = list(title = "확진자 수")
      )
  })

  # 데이터 테이블
  output$data_table <- renderDT({
    datatable(
      filtered_data() %>%
        select(날짜 = date, 지역 = region, 확진자 = cases,
               사망자 = deaths, CFR = cfr) %>%
        mutate(CFR = round(CFR, 2)),
      options = list(
        pageLength = 20,
        lengthMenu = c(10, 20, 50, 100),
        searching = TRUE,
        ordering = TRUE
      ),
      filter = "top",
      rownames = FALSE
    )
  })

  # 통계 요약
  output$summary_stats <- renderPrint({
    data <- filtered_data()

    cat("=== 기술 통계 요약 ===\n\n")
    cat("확진자 수:\n")
    print(summary(data$cases))
    cat("\n사망자 수:\n")
    print(summary(data$deaths))
    cat("\n치명률 (%):\n")
    print(summary(data$cfr))
    cat("\n지역별 총계:\n")
    print(data %>%
            group_by(region) %>%
            summarize(
              확진자 = sum(cases),
              사망자 = sum(deaths),
              평균CFR = round(mean(cfr, na.rm = TRUE), 2)
            ))
  })
}

# 앱 실행
shinyApp(ui, server)

9.3 7.3 인터랙티브 테이블: DT 패키지

9.3.1 7.3.1 DT 기본 사용법

DT 패키지는 JavaScript DataTables 라이브러리를 R에 통합하여 강력한 인터랙티브 테이블을 제공합니다.

기본 예제:

library(DT)

# 기본 테이블
datatable(mtcars)

주요 기능: - 🔍 검색: 실시간 필터링 - ↕️ 정렬: 열 클릭으로 정렬 - 📄 페이지네이션: 대용량 데이터 처리 - 📥 내보내기: CSV, Excel, PDF - 🎨 스타일링: 조건부 포맷팅

고급 예제:

library(DT)
library(tidyverse)

# 보건 데이터
health_table <- tibble(
  patient_id = paste0("P", 1:100),
  age = sample(20:80, 100, replace = TRUE),
  gender = sample(c("M", "F"), 100, replace = TRUE),
  bmi = rnorm(100, mean = 25, sd = 4),
  sbp = rnorm(100, mean = 130, sd = 20),
  glucose = rnorm(100, mean = 100, sd = 20),
  diagnosis = sample(c("정상", "전당뇨", "당뇨"), 100, replace = TRUE, prob = c(0.6, 0.25, 0.15))
)

# 인터랙티브 테이블
datatable(
  health_table,

  # 옵션
  options = list(
    pageLength = 20,  # 페이지당 행 수
    lengthMenu = c(10, 20, 50, 100),  # 페이지 크기 옵션
    searching = TRUE,  # 검색 활성화
    ordering = TRUE,   # 정렬 활성화
    dom = 'Bfrtip',    # 레이아웃 (B=버튼, f=필터, r=processing, t=테이블, i=정보, p=페이지네이션)
    buttons = c('copy', 'csv', 'excel', 'pdf', 'print')  # 내보내기 버튼
  ),

  # 열 필터
  filter = "top",  # 상단에 열별 필터 추가

  # 행 이름 제거
  rownames = FALSE,

  # 열 이름 변경
  colnames = c("환자 ID", "나이", "성별", "BMI", "수축기 혈압", "혈당", "진단")
) %>%

  # 조건부 포맷팅: BMI가 25 이상이면 빨간색
  formatStyle(
    'bmi',
    backgroundColor = styleInterval(c(25), c('white', '#ffcccc'))
  ) %>%

  # 조건부 포맷팅: 혈당이 126 이상이면 주황색
  formatStyle(
    'glucose',
    backgroundColor = styleInterval(c(126), c('white', '#ffe6cc'))
  ) %>%

  # 숫자 반올림
  formatRound(c('bmi', 'sbp', 'glucose'), 1)

9.4 7.4 flexdashboard: 빠른 대시보드 제작

flexdashboard는 R Markdown 기반으로 대시보드를 빠르게 만드는 패키지입니다. Shiny보다 간단하지만 강력합니다.

기본 구조:

---
title: "보건 지표 대시보드"
output:
  flexdashboard::flex_dashboard:
    orientation: columns
    vertical_layout: fill
---

9.5 Column

9.5.1 일일 확진자 추세

# 플롯 코드

9.6 Column

9.6.1 지역별 누적 확진자

# 플롯 코드

9.6.2 최근 7일 요약

# 테이블 코드


## 7.5 Shiny 앱 배포

### 7.5.1 shinyapps.io (무료/유료)

가장 간단한 배포 방법입니다:

**단계:**
1. [shinyapps.io](https://www.shinyapps.io/) 계정 생성
2. RStudio에서 `rsconnect` 패키지 설치
3. 계정 연결
4. 앱 배포

::: {.cell layout-align="center"}

```{.r .cell-code}
# 1. rsconnect 설치
install.packages("rsconnect")

# 2. 계정 인증 (웹에서 토큰 복사)
rsconnect::setAccountInfo(
  name = "your-account",
  token = "your-token",
  secret = "your-secret"
)

# 3. 앱 배포
rsconnect::deployApp(appDir = "path/to/app")

:::

무료 플랜 제한: - 5개 앱 - 25 활성 시간/월 - 1GB RAM

유료 플랜: $9/월부터 시작

9.6.3 7.5.2 Shiny Server (오픈소스)

자체 서버에 설치하는 무료 옵션:

# Ubuntu에 Shiny Server 설치
sudo apt-get install gdebi-core
wget https://download3.rstudio.org/ubuntu-18.04/x86_64/shiny-server-1.5.20.1002-amd64.deb
sudo gdebi shiny-server-1.5.20.1002-amd64.deb

# 서비스 시작
sudo systemctl start shiny-server

앱은 /srv/shiny-server/ 디렉토리에 배치합니다.

9.6.4 7.5.3 Docker를 이용한 배포

재현 가능하고 이식 가능한 배포:

Dockerfile:

FROM rocker/shiny:latest

# 패키지 설치
RUN R -e "install.packages(c('tidyverse', 'plotly', 'DT', 'shiny'))"

# 앱 복사
COPY ./app /srv/shiny-server/myapp

# 포트 노출
EXPOSE 3838

# 실행
CMD ["/usr/bin/shiny-server"]

빌드 및 실행:

# 이미지 빌드
docker build -t my-shiny-app .

# 컨테이너 실행
docker run -p 3838:3838 my-shiny-app

9.7 7.6 종합 실습: COVID-19 모니터링 대시보드

최종 프로젝트: 완전한 COVID-19 대시보드

이 예제는 지금까지 배운 모든 내용을 통합합니다:

COVID-19 대시보드 전체 코드

# app.R - COVID-19 모니터링 대시보드
library(shiny)
library(tidyverse)
library(plotly)
library(DT)
library(lubridate)

# 데이터 로딩 (실제 프로젝트에서는 API나 데이터베이스 사용)
covid_data <- read_csv("covid_data.csv")  # 또는 API 호출

ui <- navbarPage(
  title = "COVID-19 모니터링 시스템",
  theme = bslib::bs_theme(version = 4, bootswatch = "flatly"),

  # 탭 1: 개요
  tabPanel(
    "개요",
    fluidRow(
      column(3, valueBoxOutput("total_cases")),
      column(3, valueBoxOutput("total_deaths")),
      column(3, valueBoxOutput("total_recovered")),
      column(3, valueBoxOutput("active_cases"))
    ),
    fluidRow(
      column(6, plotlyOutput("daily_cases_plot")),
      column(6, plotlyOutput("cumulative_plot"))
    )
  ),

  # 탭 2: 지역별 분석
  tabPanel(
    "지역별 분석",
    sidebarLayout(
      sidebarPanel(
        selectInput("region", "지역:", choices = unique(covid_data$region)),
        dateRangeInput("dates", "기간:", start = min(covid_data$date))
      ),
      mainPanel(
        plotlyOutput("region_plot"),
        DTOutput("region_table")
      )
    )
  ),

  # 탭 3: 백신 접종
  tabPanel(
    "백신 접종",
    plotlyOutput("vaccine_progress"),
    DTOutput("vaccine_table")
  )
)

server <- function(input, output, session) {
  # 서버 로직 구현
  # ... (위 예제 참고)
}

shinyApp(ui, server)

9.8 7.7 요약 및 다음 단계

9.8.1 7.7.1 핵심 정리

이 챕터에서 배운 내용:

✅ plotly/ggplotly: ggplot2를 한 줄로 인터랙티브하게 변환 ✅ Shiny 구조: UI + Server, 반응성 개념 ✅ 입력/출력 위젯: 10+ 종류의 위젯 활용 ✅ DT 테이블: 검색, 정렬, 필터링, 내보내기 ✅ 배포 전략: shinyapps.io, Shiny Server, Docker

주요 함수 요약:

패키지	주요 함수	용도
plotly	`ggplotly()`	ggplot2 → 인터랙티브
plotly	`plot_ly()`	직접 plotly 생성
shiny	`fluidPage()`	UI 레이아웃
shiny	`renderPlot()`	플롯 출력
shiny	`reactive()`	반응형 데이터
DT	`datatable()`	인터랙티브 테이블
flexdashboard	R Markdown 기반	빠른 대시보드

9.8.2 7.7.2 실전 워크플로우

대시보드 개발 5단계:

1. 프로토타입 → 2. UI 설계 → 3. Server 로직 → 4. 테스트 → 5. 배포
   (ggplot2)     (레이아웃)    (반응성)       (버그 수정)   (공유)

1단계: 프로토타입 (R 스크립트)

# 정적 플롯으로 먼저 개발
p <- ggplot(data, aes(x, y)) + geom_line()
p

2단계: 인터랙티브로 변환

ggplotly(p)

3단계: Shiny UI 추가

ui <- fluidPage(
  selectInput(...),
  plotlyOutput(...)
)

4단계: Server 로직

server <- function(input, output) {
  output$plot <- renderPlotly({
    filtered_data <- data %>% filter(...)
    ggplotly(ggplot(filtered_data, ...))
  })
}

5단계: 배포

rsconnect::deployApp()

9.8.3 7.7.3 추가 학습 자료

🔗 유용한 리소스

9.8.4 공식 문서

Shiny: https://shiny.posit.co/
plotly: https://plotly.com/r/
DT: https://rstudio.github.io/DT/
flexdashboard: https://pkgs.rstudio.com/flexdashboard/

9.8.5 튜토리얼

Mastering Shiny: https://mastering-shiny.org/ (무료 전자책)
Shiny Gallery: https://shiny.posit.co/r/gallery/ (예제 모음)

9.8.6 커뮤니티

RStudio Community: https://community.rstudio.com/
Stack Overflow: [shiny] 태그

9.8.7 7.7.4 실전 프로젝트 아이디어

보건학 분야 Shiny 앱 아이디어:

병원 병상 관리 대시보드
- 실시간 병상 가용률
- 지역별/진료과별 현황
- 예측 모델링
백신 접종률 추적기
- 지역별 접종률
- 인구 집단별 분석
- 목표 대비 진행률
질병 발생 조기 경보 시스템
- 실시간 모니터링
- 이상치 탐지
- 알림 기능
임상시험 모니터링 도구
- 환자 모집 현황
- 부작용 추적
- 통계 분석 자동화
건강검진 결과 시각화
- 개인별 대시보드
- 추세 분석
- 건강 권고사항

축하합니다! Chapter 7을 완료했습니다. 이제 인터랙티브 대시보드를 만들고 배포할 수 있습니다! 🎉

다음 챕터에서는 전체 내용을 정리하고, 실전 프로젝트를 진행합니다.

--- title: "인터랙티브 시각화" author: "연세대 산업보건 연구소" date: today --- ```{r setup, include=FALSE} # 한글 폰트 설정 library(showtext) library(sysfonts) font_add_google("Noto Sans KR", "noto") showtext_auto() library(ggplot2) theme_set(theme_grey(base_family = "noto")) showtext_opts(dpi = 96) knitr::opts_chunk$set( fig.showtext = TRUE, dev = "png", dpi = 96 ) ``` # 인터랙티브 시각화 및 공중보건 대시보드 ::: {.callout-note} ## 🎯 학습 목표 이 챕터를 마치면 다음을 할 수 있습니다: - **plotly**로 ggplot2를 인터랙티브하게 변환 (`ggplotly()`) - **Shiny** 앱의 UI와 Server 구조 이해 - **반응성(Reactivity)** 개념 완벽 습득 - **DT** 패키지로 인터랙티브 데이터 테이블 생성 - 공중보건 대시보드 구축 및 배포 - **flexdashboard**로 빠른 대시보드 제작 ::: ::: {.callout-tip} ## 📚 왜 인터랙티브 시각화인가? 정적 그래프(Static plots)는 논문 출판에 적합하지만, **데이터 탐색**과 **실시간 모니터링**에는 한계가 있습니다. **인터랙티브 시각화의 장점:** - 🔍 **데이터 탐색**: 마우스 오버로 세부 정보 확인 - 🔎 **확대/축소**: 관심 영역 집중 분석 - 🎛️ **필터링**: 실시간으로 데이터 서브셋 선택 - 📊 **대시보드**: 여러 지표를 한 화면에 통합 - 🌐 **웹 공유**: URL로 간편하게 공유 가능 **실제 활용 사례:** - Johns Hopkins COVID-19 대시보드 - WHO 질병 감시 시스템 - CDC FluView 인터랙티브 리포트 - 지역 보건소 실시간 모니터링 ::: ## 7.1 정적 → 동적: plotly와 ggplotly() ### 7.1.1 plotly의 강력함 **plotly**는 JavaScript 기반 라이브러리로, R에서 인터랙티브 그래프를 쉽게 만들 수 있습니다. 가장 강력한 기능은 **ggplot2 객체를 한 줄로 변환**하는 `ggplotly()`입니다. **기본 예제:** ```{r} #| eval: true #| echo: true #| warning: false library(plotly) library(ggplot2) # 1. 일반 ggplot2 객체 생성 p_static <- ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl))) + geom_point(size = 3) + labs( title = "자동차 무게와 연비의 관계", x = "무게 (1000 lbs)", y = "연비 (mpg)", color = "실린더" ) + theme_minimal() # 2. ggplotly()로 변환 (단 한 줄!) p_interactive <- ggplotly(p_static) # 3. 결과 출력 (HTML 위젯) p_interactive ``` **인터랙티브 기능:** - ✅ **마우스 오버**: 각 점의 정확한 값 표시 - ✅ **확대/축소**: 박스 선택 또는 더블클릭 - ✅ **패닝**: 클릭-드래그로 이동 - ✅ **범례 클릭**: 그룹 표시/숨김 - ✅ **다운로드**: PNG로 저장 가능 ::: {.callout-tip} ## 💡 투자 대비 수익(ROI) 최고! ggplot2 문법을 마스터했다면, `ggplotly(p)`라는 **단 한 줄**로 강력한 인터랙티브 그래프로 변환됩니다! **코드 비교:** ```r # 정적 (Static) p # 인터랙티브 (Interactive) ggplotly(p) ``` ggplot2의 모든 기능(facet, theme, scale)이 대부분 자동 변환됩니다! ::: ### 7.1.2 plotly 고급 활용 **예제 1: 시계열 데이터 (COVID-19 추세)** ```{r} #| eval: true #| echo: true #| warning: false # 모의 COVID-19 데이터 library(tidyverse) library(plotly) set.seed(42) covid_sim <- tibble( date = seq.Date(as.Date("2020-01-01"), by = "day", length.out = 365), cases = cumsum(c(0, rpois(364, lambda = 50))) ) # ggplot2 생성 p <- ggplot(covid_sim, aes(x = date, y = cases)) + geom_line(color = "steelblue", size = 1) + geom_point(size = 0.5, alpha = 0.3) + labs( title = "COVID-19 누적 확진자 추세", x = "날짜", y = "누적 확진자 (명)" ) + theme_minimal(base_size = 12) # plotly 변환 ggplotly(p) %>% layout( hovermode = "x unified", # x축 기준 통합 툴팁 xaxis = list(rangeslider = list(visible = TRUE)) # 날짜 범위 슬라이더 추가 ) ``` **예제 2: 3D 산점도** plotly는 ggplot2를 넘어 3D 시각화도 지원합니다: ```{r} #| eval: true #| echo: true #| warning: false library(plotly) # iris 데이터로 3D 산점도 plot_ly( iris, x = ~Sepal.Length, y = ~Sepal.Width, z = ~Petal.Length, color = ~Species, colors = c("#E41A1C", "#377EB8", "#4DAF4A"), type = "scatter3d", mode = "markers", marker = list(size = 5) ) %>% layout( title = "붓꽃 3D 산점도", scene = list( xaxis = list(title = "Sepal Length"), yaxis = list(title = "Sepal Width"), zaxis = list(title = "Petal Length") ) ) ``` **예제 3: 애니메이션 (시간 경과에 따른 변화)** ```{r} #| eval: true #| echo: true #| warning: false # 연도별 데이터 시뮬레이션 library(plotly) anim_data <- data.frame( year = rep(2010:2020, each = 100), age = rep(20:119, 11), prevalence = rnorm(1100, mean = 50, sd = 10) ) # 애니메이션 플롯 plot_ly( anim_data, x = ~age, y = ~prevalence, frame = ~year, # 애니메이션 프레임 type = "scatter", mode = "markers", marker = list(size = 8, color = "steelblue") ) %>% layout( title = "연도별 연령대 유병률 변화", xaxis = list(title = "나이"), yaxis = list(title = "유병률 (%)") ) %>% animation_opts( frame = 500, # 프레임당 500ms transition = 300, # 전환 300ms redraw = FALSE ) ``` ### 7.1.3 커스터마이징: tooltip과 hover 정보 기본 툴팁을 커스터마이즈할 수 있습니다: ```{r} #| eval: true #| echo: true #| warning: false # 데이터 준비 library(tidyverse) library(plotly) health_data <- tibble( patient_id = paste0("P", 1:50), age = rnorm(50, mean = 55, sd = 15), bmi = rnorm(50, mean = 25, sd = 4), sbp = rnorm(50, mean = 130, sd = 20) ) # 커스텀 툴팁 p <- ggplot(health_data, aes( x = age, y = sbp, text = paste( "환자 ID:", patient_id, "\n나이:", round(age, 1), "세", "\nBMI:", round(bmi, 1), "\n수축기 혈압:", round(sbp, 0), "mmHg" ) )) + geom_point(aes(size = bmi), color = "steelblue", alpha = 0.7) + labs( title = "환자별 나이와 혈압", x = "나이 (세)", y = "수축기 혈압 (mmHg)" ) + theme_minimal() # tooltip 옵션 지정 ggplotly(p, tooltip = "text") ``` ## 7.2 Shiny 대시보드 구축 ::: {.callout-important} ## 💻 Shiny 앱 실행 방법 **정적 HTML 책에서는 Shiny 앱이 작동하지 않습니다!** (서버 필요) 아래 코드 예제들을 **직접 실행**하려면: **방법 1: 예제 파일 다운로드** ```r # GitHub에서 전체 프로젝트 클론 git clone https://github.com/jinhaslab/rvis.git # 또는 ZIP 다운로드: https://github.com/jinhaslab/rvis/archive/main.zip # Shiny 앱 실행 shiny::runApp("code/shiny_apps/01_basic_app") shiny::runApp("code/shiny_apps/02_disease_dashboard") ``` **방법 2: 코드 복사** - 아래 코드를 `app.R` 파일로 저장 - RStudio에서 "Run App" 버튼 클릭 **필수 패키지**: ```r install.packages(c("shiny", "tidyverse", "plotly", "DT")) ``` 자세한 설명: `code/shiny_apps/README.md` 참조 ::: ### 7.2.1 Shiny의 핵심: UI와 Server **Shiny**는 R 코드만으로 웹 애플리케이션을 만드는 프레임워크입니다. HTML/CSS/JavaScript 지식이 없어도 강력한 대시보드를 구축할 수 있습니다. **Shiny의 구조:** ``` ┌─────────────────────────────────────┐ │ Shiny App │ ├─────────────────┬───────────────────┤ │ UI │ Server │ │ (사용자 인터페이스) │ (백엔드 로직) │ ├─────────────────┼───────────────────┤ │ - 레이아웃 │ - 데이터 처리 │ │ - 입력 위젯 │ - 플롯 생성 │ │ - 출력 영역 │ - 테이블 생성 │ │ │ - 반응성 로직 │ └─────────────────┴───────────────────┘ ``` **최소 Shiny 앱 예제:** ```{r} #| eval: false #| echo: true library(shiny) # UI: 사용자가 보는 화면 ui <- fluidPage( titlePanel("첫 번째 Shiny 앱"), sidebarLayout( sidebarPanel( sliderInput( "num_points", "점의 개수:", min = 10, max = 200, value = 50 ) ), mainPanel( plotOutput("scatter_plot") ) ) ) # Server: 실제 연산이 일어나는 곳 server <- function(input, output) { output$scatter_plot <- renderPlot({ # input$num_points 값에 따라 자동으로 재실행됨! n <- input$num_points data <- data.frame( x = rnorm(n), y = rnorm(n) ) ggplot(data, aes(x, y)) + geom_point(color = "steelblue", size = 3) + labs(title = paste("N =", n, "개 점")) + theme_minimal() }) } # 앱 실행 shinyApp(ui = ui, server = server) ``` **파일 저장:** - `app.R` (단일 파일) 또는 - `ui.R` + `server.R` (분리 파일) **실행 방법:** 1. RStudio: "Run App" 버튼 클릭 2. 콘솔: `shiny::runApp("app_directory")` ### 7.2.2 반응성(Reactivity) 이해 ::: {.callout-important} ## 🔄 Shiny의 핵심: 반응성 **반응성(Reactivity)**은 Shiny의 마법입니다: 1. 사용자가 UI 위젯 변경 (예: `input$num_points`) 2. Shiny가 자동 감지 3. 해당 `input`에 의존하는 모든 `output` **자동 재실행** 4. UI 업데이트 **선언적 프로그래밍:** "언제 업데이트할지"가 아니라 "무엇을 보여줄지"만 선언하면, Shiny가 자동으로 관리합니다! **반응성 그래프:** ``` input$num_points ↓ (의존성) ↓ output$scatter_plot ↓ (자동 재실행) ↓ UI 업데이트 ``` ::: **반응성 예제: 필터링** ```{r} #| eval: false #| echo: true library(shiny) library(tidyverse) ui <- fluidPage( titlePanel("mtcars 데이터 필터링"), sidebarLayout( sidebarPanel( selectInput( "cyl_select", "실린더 개수:", choices = c("All", "4", "6", "8"), selected = "All" ), sliderInput( "mpg_range", "연비 범위:", min = 10, max = 35, value = c(10, 35) ) ), mainPanel( plotOutput("filtered_plot"), tableOutput("filtered_table") ) ) ) server <- function(input, output) { # 반응형 데이터 (reactive expression) filtered_data <- reactive({ data <- mtcars # 실린더 필터 if (input$cyl_select != "All") { data <- data %>% filter(cyl == as.numeric(input$cyl_select)) } # 연비 범위 필터 data <- data %>% filter(mpg >= input$mpg_range[1], mpg <= input$mpg_range[2]) data }) # 플롯 출력 output$filtered_plot <- renderPlot({ ggplot(filtered_data(), aes(x = wt, y = mpg)) + geom_point(size = 3, color = "steelblue") + labs( title = paste("필터링된 데이터:", nrow(filtered_data()), "대"), x = "무게", y = "연비" ) + theme_minimal() }) # 테이블 출력 output$filtered_table <- renderTable({ head(filtered_data(), 10) }) } shinyApp(ui, server) ``` ### 7.2.3 주요 입력 위젯 Shiny는 다양한 입력 위젯을 제공합니다: | 위젯 함수 | 설명 | 사용 예시 | |----------|------|----------| | `textInput()` | 텍스트 입력 | 환자 ID 입력 | | `numericInput()` | 숫자 입력 | 연령 입력 | | `sliderInput()` | 슬라이더 | 날짜/범위 선택 | | `selectInput()` | 드롭다운 | 지역 선택 | | `checkboxInput()` | 체크박스 | 옵션 활성화 | | `radioButtons()` | 라디오 버튼 | 성별 선택 | | `dateInput()` | 날짜 선택 | 시작일 입력 | | `dateRangeInput()` | 날짜 범위 | 기간 선택 | | `fileInput()` | 파일 업로드 | CSV 업로드 | | `actionButton()` | 액션 버튼 | "분석 실행" 버튼 | **예제: 다양한 입력 위젯** ```{r} #| eval: false #| echo: true ui <- fluidPage( titlePanel("입력 위젯 데모"), sidebarLayout( sidebarPanel( textInput("patient_id", "환자 ID:", "P12345"), numericInput("age", "나이:", value = 50, min = 0, max = 120), selectInput("gender", "성별:", choices = c("남성" = "M", "여성" = "F")), checkboxInput("smoker", "흡연자", value = FALSE), radioButtons("diagnosis", "진단:", choices = c("정상", "당뇨", "고혈압")), dateRangeInput("visit_dates", "방문 기간:", start = Sys.Date() - 30, end = Sys.Date()), actionButton("submit", "제출", class = "btn-primary") ), mainPanel( verbatimTextOutput("input_summary") ) ) ) server <- function(input, output) { observeEvent(input$submit, { output$input_summary <- renderPrint({ cat("=== 입력 요약 ===\n") cat("환자 ID:", input$patient_id, "\n") cat("나이:", input$age, "\n") cat("성별:", input$gender, "\n") cat("흡연:", ifelse(input$smoker, "예", "아니오"), "\n") cat("진단:", input$diagnosis, "\n") cat("방문 기간:", as.character(input$visit_dates), "\n") }) }) } shinyApp(ui, server) ``` ### 7.2.4 실전 예제: 공중보건 감시 대시보드 **완전한 예제: 감염병 감시 대시보드** ```{r} #| eval: false #| echo: true #| code-fold: true #| code-summary: "전체 코드 보기 (클릭)" # app.R - 감염병 감시 대시보드 library(shiny) library(tidyverse) library(plotly) library(DT) # 모의 데이터 생성 set.seed(42) disease_data <- tibble( date = rep(seq.Date(as.Date("2024-01-01"), by = "day", length.out = 365), 3), region = rep(c("서울", "부산", "대구"), each = 365), cases = rpois(365 * 3, lambda = 50) + rnorm(365 * 3, mean = 0, sd = 10), deaths = rpois(365 * 3, lambda = 2) ) %>% mutate( cases = pmax(0, cases), # 음수 제거 deaths = pmax(0, deaths), cfr = deaths / cases * 100 # Case Fatality Rate ) # UI ui <- fluidPage( # 스타일링 tags$head( tags$style(HTML(" .navbar { background-color: #2C3E50; } .navbar-brand { color: white !important; } h2 { color: #2C3E50; } ")) ), # 제목 titlePanel( div( style = "background-color: #2C3E50; color: white; padding: 20px; margin: -15px -15px 20px -15px;", h1("감염병 실시간 감시 대시보드", style = "margin: 0;"), p("Infectious Disease Surveillance System", style = "margin: 5px 0 0 0; font-size: 14px;") ) ), # 레이아웃 sidebarLayout( sidebarPanel( width = 3, h4("📊 필터 옵션"), selectInput( "region_select", "지역 선택:", choices = c("전체" = "All", "서울", "부산", "대구"), selected = "All" ), dateRangeInput( "date_range", "기간 선택:", start = as.Date("2024-01-01"), end = as.Date("2024-12-31"), min = as.Date("2024-01-01"), max = as.Date("2024-12-31") ), hr(), h4("📈 표시 옵션"), checkboxInput("show_deaths", "사망자 표시", value = TRUE), checkboxInput("show_cfr", "치명률(CFR) 표시", value = FALSE), hr(), actionButton("update", "업데이트", class = "btn-primary btn-block"), br(), wellPanel( h5("ℹ️ 정보"), p("데이터 출처: 모의 데이터", style = "font-size: 12px;"), p("업데이트: 실시간", style = "font-size: 12px;") ) ), mainPanel( width = 9, # 요약 통계 카드 fluidRow( column( 3, div( style = "background-color: #3498DB; color: white; padding: 15px; border-radius: 5px;", h4("총 확진자", style = "margin: 0;"), h2(textOutput("total_cases", inline = TRUE), style = "margin: 10px 0 0 0;") ) ), column( 3, div( style = "background-color: #E74C3C; color: white; padding: 15px; border-radius: 5px;", h4("총 사망자", style = "margin: 0;"), h2(textOutput("total_deaths", inline = TRUE), style = "margin: 10px 0 0 0;") ) ), column( 3, div( style = "background-color: #F39C12; color: white; padding: 15px; border-radius: 5px;", h4("평균 CFR", style = "margin: 0;"), h2(textOutput("avg_cfr", inline = TRUE), style = "margin: 10px 0 0 0;") ) ), column( 3, div( style = "background-color: #27AE60; color: white; padding: 15px; border-radius: 5px;", h4("관찰 기간", style = "margin: 0;"), h2(textOutput("obs_days", inline = TRUE), style = "margin: 10px 0 0 0;") ) ) ), br(), # 탭 패널 tabsetPanel( type = "tabs", # 탭 1: 시계열 그래프 tabPanel( "시계열 추세", br(), plotlyOutput("time_series_plot", height = "500px") ), # 탭 2: 지역별 비교 tabPanel( "지역별 비교", br(), plotlyOutput("region_comparison", height = "500px") ), # 탭 3: 데이터 테이블 tabPanel( "데이터 테이블", br(), DTOutput("data_table") ), # 탭 4: 통계 요약 tabPanel( "통계 요약", br(), verbatimTextOutput("summary_stats") ) ) ) ) ) # Server server <- function(input, output, session) { # 반응형 데이터 filtered_data <- reactive({ data <- disease_data # 지역 필터 if (input$region_select != "All") { data <- data %>% filter(region == input$region_select) } # 날짜 필터 data <- data %>% filter(date >= input$date_range[1], date <= input$date_range[2]) data }) %>% bindEvent(input$update) # 요약 통계 output$total_cases <- renderText({ format(sum(filtered_data()$cases), big.mark = ",") }) output$total_deaths <- renderText({ format(sum(filtered_data()$deaths), big.mark = ",") }) output$avg_cfr <- renderText({ cfr <- mean(filtered_data()$cfr, na.rm = TRUE) paste0(round(cfr, 2), "%") }) output$obs_days <- renderText({ paste(nrow(filtered_data()), "일") }) # 시계열 플롯 output$time_series_plot <- renderPlotly({ data <- filtered_data() p <- ggplot(data, aes(x = date)) + geom_line(aes(y = cases, color = region), size = 1) + labs( title = "일일 확진자 추세", x = "날짜", y = "확진자 수", color = "지역" ) + theme_minimal(base_size = 12) # 사망자 추가 if (input$show_deaths) { p <- p + geom_line(aes(y = deaths * 10, linetype = "사망자 (×10)"), color = "red", size = 0.8, alpha = 0.7) } ggplotly(p) %>% layout(hovermode = "x unified") }) # 지역별 비교 output$region_comparison <- renderPlotly({ data <- filtered_data() %>% group_by(region) %>% summarize( total_cases = sum(cases), total_deaths = sum(deaths), avg_cfr = mean(cfr, na.rm = TRUE) ) plot_ly(data) %>% add_bars( x = ~region, y = ~total_cases, name = "총 확진자", marker = list(color = "#3498DB") ) %>% layout( title = "지역별 총 확진자", xaxis = list(title = "지역"), yaxis = list(title = "확진자 수") ) }) # 데이터 테이블 output$data_table <- renderDT({ datatable( filtered_data() %>% select(날짜 = date, 지역 = region, 확진자 = cases, 사망자 = deaths, CFR = cfr) %>% mutate(CFR = round(CFR, 2)), options = list( pageLength = 20, lengthMenu = c(10, 20, 50, 100), searching = TRUE, ordering = TRUE ), filter = "top", rownames = FALSE ) }) # 통계 요약 output$summary_stats <- renderPrint({ data <- filtered_data() cat("=== 기술 통계 요약 ===\n\n") cat("확진자 수:\n") print(summary(data$cases)) cat("\n사망자 수:\n") print(summary(data$deaths)) cat("\n치명률 (%):\n") print(summary(data$cfr)) cat("\n지역별 총계:\n") print(data %>% group_by(region) %>% summarize( 확진자 = sum(cases), 사망자 = sum(deaths), 평균CFR = round(mean(cfr, na.rm = TRUE), 2) )) }) } # 앱 실행 shinyApp(ui, server) ``` ## 7.3 인터랙티브 테이블: DT 패키지 ### 7.3.1 DT 기본 사용법 **DT** 패키지는 JavaScript DataTables 라이브러리를 R에 통합하여 강력한 인터랙티브 테이블을 제공합니다. **기본 예제:** ```{r} #| eval: true #| echo: true library(DT) # 기본 테이블 datatable(mtcars) ``` **주요 기능:** - 🔍 **검색**: 실시간 필터링 - ↕️ **정렬**: 열 클릭으로 정렬 - 📄 **페이지네이션**: 대용량 데이터 처리 - 📥 **내보내기**: CSV, Excel, PDF - 🎨 **스타일링**: 조건부 포맷팅 **고급 예제:** ```{r} #| eval: true #| echo: true library(DT) library(tidyverse) # 보건 데이터 health_table <- tibble( patient_id = paste0("P", 1:100), age = sample(20:80, 100, replace = TRUE), gender = sample(c("M", "F"), 100, replace = TRUE), bmi = rnorm(100, mean = 25, sd = 4), sbp = rnorm(100, mean = 130, sd = 20), glucose = rnorm(100, mean = 100, sd = 20), diagnosis = sample(c("정상", "전당뇨", "당뇨"), 100, replace = TRUE, prob = c(0.6, 0.25, 0.15)) ) # 인터랙티브 테이블 datatable( health_table, # 옵션 options = list( pageLength = 20, # 페이지당 행 수 lengthMenu = c(10, 20, 50, 100), # 페이지 크기 옵션 searching = TRUE, # 검색 활성화 ordering = TRUE, # 정렬 활성화 dom = 'Bfrtip', # 레이아웃 (B=버튼, f=필터, r=processing, t=테이블, i=정보, p=페이지네이션) buttons = c('copy', 'csv', 'excel', 'pdf', 'print') # 내보내기 버튼 ), # 열 필터 filter = "top", # 상단에 열별 필터 추가 # 행 이름 제거 rownames = FALSE, # 열 이름 변경 colnames = c("환자 ID", "나이", "성별", "BMI", "수축기 혈압", "혈당", "진단") ) %>% # 조건부 포맷팅: BMI가 25 이상이면 빨간색 formatStyle( 'bmi', backgroundColor = styleInterval(c(25), c('white', '#ffcccc')) ) %>% # 조건부 포맷팅: 혈당이 126 이상이면 주황색 formatStyle( 'glucose', backgroundColor = styleInterval(c(126), c('white', '#ffe6cc')) ) %>% # 숫자 반올림 formatRound(c('bmi', 'sbp', 'glucose'), 1) ``` ## 7.4 flexdashboard: 빠른 대시보드 제작 **flexdashboard**는 R Markdown 기반으로 대시보드를 빠르게 만드는 패키지입니다. Shiny보다 간단하지만 강력합니다. **기본 구조:** ```{r} #| eval: false #| echo: true --- title: "보건 지표 대시보드" output: flexdashboard::flex_dashboard: orientation: columns vertical_layout: fill --- ```{r flex-setup, include=FALSE} library(flexdashboard) library(tidyverse) library(plotly) ``` Column {data-width=600} ----------------------------------------------------------------------- ### 일일 확진자 추세 ```{r} # 플롯 코드 ``` Column {data-width=400} ----------------------------------------------------------------------- ### 지역별 누적 확진자 ```{r} # 플롯 코드 ``` ### 최근 7일 요약 ```{r} # 테이블 코드 ``` ``` ## 7.5 Shiny 앱 배포 ### 7.5.1 shinyapps.io (무료/유료) 가장 간단한 배포 방법입니다: **단계:** 1. [shinyapps.io](https://www.shinyapps.io/) 계정 생성 2. RStudio에서 `rsconnect` 패키지 설치 3. 계정 연결 4. 앱 배포 ```{r} #| eval: false #| echo: true # 1. rsconnect 설치 install.packages("rsconnect") # 2. 계정 인증 (웹에서 토큰 복사) rsconnect::setAccountInfo( name = "your-account", token = "your-token", secret = "your-secret" ) # 3. 앱 배포 rsconnect::deployApp(appDir = "path/to/app") ``` **무료 플랜 제한:** - 5개 앱 - 25 활성 시간/월 - 1GB RAM **유료 플랜:** $9/월부터 시작 ### 7.5.2 Shiny Server (오픈소스) 자체 서버에 설치하는 무료 옵션: ```bash # Ubuntu에 Shiny Server 설치 sudo apt-get install gdebi-core wget https://download3.rstudio.org/ubuntu-18.04/x86_64/shiny-server-1.5.20.1002-amd64.deb sudo gdebi shiny-server-1.5.20.1002-amd64.deb # 서비스 시작 sudo systemctl start shiny-server ``` 앱은 `/srv/shiny-server/` 디렉토리에 배치합니다. ### 7.5.3 Docker를 이용한 배포 재현 가능하고 이식 가능한 배포: **Dockerfile:** ```dockerfile FROM rocker/shiny:latest # 패키지 설치 RUN R -e "install.packages(c('tidyverse', 'plotly', 'DT', 'shiny'))" # 앱 복사 COPY ./app /srv/shiny-server/myapp # 포트 노출 EXPOSE 3838 # 실행 CMD ["/usr/bin/shiny-server"] ``` **빌드 및 실행:** ```bash # 이미지 빌드 docker build -t my-shiny-app . # 컨테이너 실행 docker run -p 3838:3838 my-shiny-app ``` ## 7.6 종합 실습: COVID-19 모니터링 대시보드 **최종 프로젝트: 완전한 COVID-19 대시보드** 이 예제는 지금까지 배운 모든 내용을 통합합니다: ```{r} #| eval: false #| echo: true #| code-fold: true #| code-summary: "COVID-19 대시보드 전체 코드" # app.R - COVID-19 모니터링 대시보드 library(shiny) library(tidyverse) library(plotly) library(DT) library(lubridate) # 데이터 로딩 (실제 프로젝트에서는 API나 데이터베이스 사용) covid_data <- read_csv("covid_data.csv") # 또는 API 호출 ui <- navbarPage( title = "COVID-19 모니터링 시스템", theme = bslib::bs_theme(version = 4, bootswatch = "flatly"), # 탭 1: 개요 tabPanel( "개요", fluidRow( column(3, valueBoxOutput("total_cases")), column(3, valueBoxOutput("total_deaths")), column(3, valueBoxOutput("total_recovered")), column(3, valueBoxOutput("active_cases")) ), fluidRow( column(6, plotlyOutput("daily_cases_plot")), column(6, plotlyOutput("cumulative_plot")) ) ), # 탭 2: 지역별 분석 tabPanel( "지역별 분석", sidebarLayout( sidebarPanel( selectInput("region", "지역:", choices = unique(covid_data$region)), dateRangeInput("dates", "기간:", start = min(covid_data$date)) ), mainPanel( plotlyOutput("region_plot"), DTOutput("region_table") ) ) ), # 탭 3: 백신 접종 tabPanel( "백신 접종", plotlyOutput("vaccine_progress"), DTOutput("vaccine_table") ) ) server <- function(input, output, session) { # 서버 로직 구현 # ... (위 예제 참고) } shinyApp(ui, server) ``` ## 7.7 요약 및 다음 단계 ### 7.7.1 핵심 정리 **이 챕터에서 배운 내용:** ✅ **plotly/ggplotly**: ggplot2를 한 줄로 인터랙티브하게 변환 ✅ **Shiny 구조**: UI + Server, 반응성 개념 ✅ **입력/출력 위젯**: 10+ 종류의 위젯 활용 ✅ **DT 테이블**: 검색, 정렬, 필터링, 내보내기 ✅ **배포 전략**: shinyapps.io, Shiny Server, Docker **주요 함수 요약:** | 패키지 | 주요 함수 | 용도 | |--------|----------|------| | **plotly** | `ggplotly()` | ggplot2 → 인터랙티브 | | **plotly** | `plot_ly()` | 직접 plotly 생성 | | **shiny** | `fluidPage()` | UI 레이아웃 | | **shiny** | `renderPlot()` | 플롯 출력 | | **shiny** | `reactive()` | 반응형 데이터 | | **DT** | `datatable()` | 인터랙티브 테이블 | | **flexdashboard** | R Markdown 기반 | 빠른 대시보드 | ### 7.7.2 실전 워크플로우 **대시보드 개발 5단계:** ``` 1. 프로토타입 → 2. UI 설계 → 3. Server 로직 → 4. 테스트 → 5. 배포 (ggplot2) (레이아웃) (반응성) (버그 수정) (공유) ``` **1단계: 프로토타입 (R 스크립트)** ```r # 정적 플롯으로 먼저 개발 p <- ggplot(data, aes(x, y)) + geom_line() p ``` **2단계: 인터랙티브로 변환** ```r ggplotly(p) ``` **3단계: Shiny UI 추가** ```r ui <- fluidPage( selectInput(...), plotlyOutput(...) ) ``` **4단계: Server 로직** ```r server <- function(input, output) { output$plot <- renderPlotly({ filtered_data <- data %>% filter(...) ggplotly(ggplot(filtered_data, ...)) }) } ``` **5단계: 배포** ```r rsconnect::deployApp() ``` ### 7.7.3 추가 학습 자료 ::: {.callout-note} ## 🔗 유용한 리소스 ### 공식 문서 - **Shiny**: [https://shiny.posit.co/](https://shiny.posit.co/) - **plotly**: [https://plotly.com/r/](https://plotly.com/r/) - **DT**: [https://rstudio.github.io/DT/](https://rstudio.github.io/DT/) - **flexdashboard**: [https://pkgs.rstudio.com/flexdashboard/](https://pkgs.rstudio.com/flexdashboard/) ### 튜토리얼 - **Mastering Shiny**: [https://mastering-shiny.org/](https://mastering-shiny.org/) (무료 전자책) - **Shiny Gallery**: [https://shiny.posit.co/r/gallery/](https://shiny.posit.co/r/gallery/) (예제 모음) ### 커뮤니티 - **RStudio Community**: [https://community.rstudio.com/](https://community.rstudio.com/) - **Stack Overflow**: [shiny] 태그 ::: ### 7.7.4 실전 프로젝트 아이디어 **보건학 분야 Shiny 앱 아이디어:** 1. **병원 병상 관리 대시보드** - 실시간 병상 가용률 - 지역별/진료과별 현황 - 예측 모델링 2. **백신 접종률 추적기** - 지역별 접종률 - 인구 집단별 분석 - 목표 대비 진행률 3. **질병 발생 조기 경보 시스템** - 실시간 모니터링 - 이상치 탐지 - 알림 기능 4. **임상시험 모니터링 도구** - 환자 모집 현황 - 부작용 추적 - 통계 분석 자동화 5. **건강검진 결과 시각화** - 개인별 대시보드 - 추세 분석 - 건강 권고사항 --- **축하합니다!** Chapter 7을 완료했습니다. 이제 인터랙티브 대시보드를 만들고 배포할 수 있습니다! 🎉 다음 챕터에서는 전체 내용을 정리하고, 실전 프로젝트를 진행합니다.