基于R Shiny与dplyr实现带多维度筛选的评分可视化仪表盘开发问询

嘿，我来帮你补全这个Shiny交互式仪表盘的代码，完全匹配你提到的多维度筛选、均值计算和可视化需求，直接就能运行：

library(shiny)
library(ggplot2)
library(dplyr)

# 先模拟一份示例数据集（你可以替换成自己的真实数据）
set.seed(123)
sample_data <- tibble(
  year = sample(2020:2023, 500, replace = TRUE),
  status = sample(c("Active", "Inactive", "New"), 500, replace = TRUE),
  product = sample(c("Product A", "Product B", "Product C", "Product D"), 500, replace = TRUE),
  satisfaction_score = runif(500, 1, 10),
  importance_score = runif(500, 1, 10)
)

ui <- fluidPage(
  titlePanel("产品满意度与重要性分析仪表盘"),
  
  sidebarLayout(
    sidebarPanel(
      # 年份筛选器（支持多选）
      selectInput(
        inputId = "year_filter",
        label = "选择年份:",
        choices = unique(sample_data$year),
        selected = unique(sample_data$year),
        multiple = TRUE
      ),
      # 客户状态筛选器
      selectInput(
        inputId = "status_filter",
        label = "选择客户状态:",
        choices = unique(sample_data$status),
        selected = unique(sample_data$status),
        multiple = TRUE
      ),
      # 产品筛选器
      selectInput(
        inputId = "product_filter",
        label = "选择产品:",
        choices = unique(sample_data$product),
        selected = unique(sample_data$product),
        multiple = TRUE
      )
    ),
    
    mainPanel(
      plotOutput("score_plot"),
      br(),
      tableOutput("summary_table")
    )
  )
)

server <- function(input, output) {
  # 响应式筛选数据集
  filtered_data <- reactive({
    # 确保筛选条件不为空才执行
    req(input$year_filter, input$status_filter, input$product_filter)
    
    sample_data %>%
      filter(
        year %in% input$year_filter,
        status %in% input$status_filter,
        product %in% input$product_filter
      )
  })
  
  # 计算各产品的得分均值，整理成data.frame
  score_summary <- reactive({
    req(filtered_data())
    
    filtered_data() %>%
      group_by(product) %>%
      summarise(
        avg_satisfaction = mean(satisfaction_score, na.rm = TRUE),
        avg_importance = mean(importance_score, na.rm = TRUE),
        sample_size = n(), # 额外加了样本量，方便判断结果可信度
        .groups = "drop"
      ) %>%
      # 过滤掉有缺失值的产品
      filter(!is.na(avg_satisfaction) & !is.na(avg_importance))
  })
  
  # 可视化得分对比图
  output$score_plot <- renderPlot({
    req(score_summary())
    
    ggplot(score_summary(), aes(x = avg_importance, y = avg_satisfaction)) +
      # 散点图：大小对应样本量，颜色区分产品
      geom_point(aes(size = sample_size, color = product), alpha = 0.7) +
      # 添加对角线参考线（满意度=重要性），快速识别待优化产品
      geom_abline(slope = 1, intercept = 0, linetype = "dashed", color = "gray50") +
      labs(
        x = "平均重要性得分",
        y = "平均满意度得分",
        title = "产品重要性与满意度对比",
        size = "样本量",
        color = "产品"
      ) +
      theme_minimal() +
      scale_size(range = c(3, 8)) # 控制点的大小范围
  })
  
  # 展示均值汇总表格
  output$summary_table <- renderTable({
    score_summary() %>%
      select(product, avg_satisfaction, avg_importance, sample_size) %>%
      rename(
        产品 = product,
        平均满意度 = avg_satisfaction,
        平均重要性 = avg_importance,
        样本量 = sample_size
      ) %>%
      mutate(
        平均满意度 = round(平均满意度, 2),
        平均重要性 = round(平均重要性, 2)
      )
  })
}

shinyApp(ui = ui, server = server)

关键功能说明 #

• 多维度筛选：三个筛选器都支持多选，用户可以自由组合年份、状态、产品条件，筛选结果实时更新。
• 均值计算：通过dplyr按产品分组计算两个得分的均值，同时保留了样本量（毕竟小样本的均值参考性弱），最终输出的就是你需要的data.frame格式。
• 可视化：用散点图把两个得分放在同一张图里，对角线能帮你快速定位那些“用户觉得重要但满意度低”的产品（落在线下方的点），这些就是优先优化的对象。
• 容错处理：用req()确保只有当筛选后有有效数据时才生成图表和表格，避免空数据导致的报错。

自定义小技巧 #

• 替换数据集：把sample_data换成你的真实数据就行，只要列名（year/status/product/satisfaction_score/importance_score）对应上。
• 调整图表：如果想加象限划分，直接在ggplot里加geom_vline(xintercept = 5)和geom_hline(yintercept = 5)（假设得分是1-10），把画布分成四个象限。
• 样式修改：换颜色主题、调整字体大小，直接修改ggplot的theme参数就行。

内容的提问来源于stack exchange，提问作者Ellie