在r markdown中将调用转换为方程式
我已经编写了ggstatsplot软件包以进行一些统计分析。包函数（在development version中）可以返回plot或call，其中包含在图的副标题中显示的统计详细信息。
以下是一个plot作为回报的示例：
# setup
set.seed(123)
# plot
(p <- ggstatsplot::ggbetweenstats(
data = mtcars,
x = am,
y = wt,
return = "plot",
messages = FALSE
))
# checking class
class(p)
#> [1] "gg" "ggplot"
以下是一个call作为回报的示例：
# call
(p_call <- ggstatsplot::ggbetweenstats(
data = mtcars,
x = am,
y = wt,
return = "subtitle",
messages = FALSE
))
#> paste(NULL, italic("t"), "(", "29.23", ") = ", "5.49", ", ",
#> italic("p"), " = ", "< 0.001", ", ", italic("g"), " = ",
#> "1.89", ", CI"["95%"], " [", "1.10", ", ", "2.83", "]", ", ",
#> italic("n"), " = ", 32L)
# checking class
class(p_call)
#> [1] "call"
基于user request，我的问题是是否可以通过任何方式在R Markdown文档中打印该调用或将该调用转换为乳胶方程式？
我对使用R Markdown不太熟悉，我尝试了以下操作，但会产生错误：
为了重现性，这是我的会话信息：
options(width = 300)
library(ggstatsplot)
sessioninfo::session_info()
#> - Session info -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
#> setting value
#> version R version 3.6.0 alpha (2019-03-29 r76300)
#> os Windows 10 x64
#> system x86_64, mingw32
#> ui RTerm
#> language (EN)
#> collate English_United States.1252
#> ctype English_United States.1252
#> tz America/New_York
#> date 2019-06-12
#>
#> - Packages -----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
#> package * version date lib source
#> abind 1.4-5 2016-07-21 [1] CRAN (R 3.5.0)
#> assertthat 0.2.1 2019-03-21 [1] CRAN (R 3.6.0)
#> backports 1.1.4 2019-04-10 [1] CRAN (R 3.6.0)
#> BayesFactor 0.9.12-4.2 2018-05-19 [1] CRAN (R 3.5.1)
#> bayestestR 0.2.0 2019-05-29 [1] CRAN (R 3.6.0)
#> boot 1.3-21 2019-03-01 [2] CRAN (R 3.6.0)
#> broom 0.5.2.9001 2019-05-29 [1] local
#> broom.mixed 0.2.4.9000 2019-03-14 [1] Github (bbolker/broom.mixed@c2de407)
#> broomExtra 0.0.3.9000 2019-05-20 [1] local
#> car 3.0-3 2019-05-27 [1] CRAN (R 3.6.0)
#> carData 3.0-2 2018-09-30 [1] CRAN (R 3.5.1)
#> cellranger 1.1.0 2016-07-27 [1] CRAN (R 3.5.1)
#> cli 1.1.0 2019-03-19 [1] CRAN (R 3.6.0)
#> cluster 2.0.7-1 2018-04-13 [2] CRAN (R 3.6.0)
#> coda 0.19-2 2018-10-08 [1] CRAN (R 3.5.1)
#> codetools 0.2-16 2018-12-24 [1] CRAN (R 3.5.2)
#> coin 1.3-0 2019-03-08 [1] CRAN (R 3.5.2)
#> colorspace 1.4-1 2019-03-18 [1] CRAN (R 3.6.0)
#> cowplot 0.9.99 2019-06-09 [1] Github (wilkelab/cowplot@7520d81)
#> crayon 1.3.4 2017-09-16 [1] CRAN (R 3.5.1)
#> curl 3.3 2019-01-10 [1] CRAN (R 3.6.0)
#> data.table 1.12.2 2019-04-07 [1] CRAN (R 3.5.3)
#> DEoptimR 1.0-8 2016-11-19 [1] CRAN (R 3.5.0)
#> DescTools 0.99.28 2019-03-17 [1] CRAN (R 3.6.0)
#> digest 0.6.19 2019-05-20 [1] CRAN (R 3.6.0)
#> dplyr 0.8.1 2019-05-14 [1] CRAN (R 3.6.0)
#> ellipsis 0.1.0 2019-02-19 [1] CRAN (R 3.6.0)
#> emmeans 1.3.5 2019-06-10 [1] CRAN (R 3.6.0)
#> EMT 1.1 2013-01-29 [1] CRAN (R 3.5.2)
#> estimability 1.3 2018-02-11 [1] CRAN (R 3.5.0)
#> evaluate 0.14 2019-05-28 [1] CRAN (R 3.6.0)
#> expm 0.999-4 2019-03-21 [1] CRAN (R 3.6.0)
#> ez 4.4-0 2016-11-02 [1] CRAN (R 3.5.3)
#> fit.models 0.5-14 2017-04-06 [1] CRAN (R 3.5.1)
#> forcats 0.4.0 2019-02-17 [1] CRAN (R 3.5.2)
#> foreign 0.8-71 2018-07-20 [2] CRAN (R 3.6.0)
#> generics 0.0.2 2019-03-05 [1] Github (r-lib/generics@c15ac43)
#> ggcorrplot 0.1.3 2019-05-19 [1] CRAN (R 3.6.0)
#> ggExtra 0.8 2019-02-23 [1] Github (daattali/ggExtra@dd74c0f)
#> ggplot2 3.2.0.9000 2019-06-05 [1] Github (tidyverse/ggplot2@b560662)
#> ggrepel 0.8.1 2019-05-07 [1] CRAN (R 3.6.0)
#> ggsignif 0.5.0 2019-02-20 [1] CRAN (R 3.6.0)
#> ggstatsplot * 0.0.10.9000 2019-06-12 [1] local
#> glue 1.3.1 2019-03-12 [1] CRAN (R 3.6.0)
#> groupedstats 0.0.7.9000 2019-06-05 [1] local
#> gtable 0.3.0 2019-03-25 [1] CRAN (R 3.6.0)
#> gtools 3.8.1 2018-06-26 [1] CRAN (R 3.5.0)
#> haven 2.1.0 2019-02-19 [1] CRAN (R 3.6.0)
#> highr 0.8 2019-03-20 [1] CRAN (R 3.6.0)
#> hms 0.4.2 2018-03-10 [1] CRAN (R 3.5.1)
#> htmltools 0.3.6 2017-04-28 [1] CRAN (R 3.5.1)
#> httpuv 1.5.1 2019-04-05 [1] CRAN (R 3.6.0)
#> insight 0.3.0 2019-05-11 [1] CRAN (R 3.6.0)
#> jmv 0.9.6.1 2019-04-22 [1] CRAN (R 3.6.0)
#> jmvcore 1.0.0 2019-05-28 [1] CRAN (R 3.6.0)
#> knitr 1.23 2019-05-18 [1] CRAN (R 3.6.0)
#> LaplacesDemon 16.1.1 2018-06-30 [1] CRAN (R 3.5.1)
#> later 0.8.0 2019-02-11 [1] CRAN (R 3.6.0)
#> lattice 0.20-38 2018-11-04 [2] CRAN (R 3.6.0)
#> lazyeval 0.2.2 2019-03-15 [1] CRAN (R 3.6.0)
#> libcoin 1.0-4 2019-02-28 [1] CRAN (R 3.5.2)
#> lme4 1.1-21 2019-03-05 [1] CRAN (R 3.6.0)
#> lmtest 0.9-37 2019-04-30 [1] CRAN (R 3.6.0)
#> logspline 2.1.12 2019-02-05 [1] CRAN (R 3.5.2)
#> magrittr 1.5 2014-11-22 [1] CRAN (R 3.5.1)
#> manipulate 1.0.1 2014-12-24 [1] CRAN (R 3.5.0)
#> MASS 7.3-51.4 2019-03-31 [1] CRAN (R 3.6.0)
#> Matrix 1.2-17 2019-03-22 [1] CRAN (R 3.6.0)
#> MatrixModels 0.4-1 2015-08-22 [1] CRAN (R 3.5.1)
#> matrixStats 0.54.0 2018-07-23 [1] CRAN (R 3.5.1)
#> mc2d 0.1-18 2017-03-06 [1] CRAN (R 3.5.1)
#> metaBMA 0.3.9 2017-08-04 [1] CRAN (R 3.5.3)
#> metafor 2.1-0 2019-05-14 [1] CRAN (R 3.6.0)
#> mgcv 1.8-28 2019-03-21 [1] CRAN (R 3.6.0)
#> mime 0.7 2019-06-11 [1] CRAN (R 3.6.0)
#> miniUI 0.1.1.1 2018-05-18 [1] CRAN (R 3.5.1)
#> minqa 1.2.4 2014-10-09 [1] CRAN (R 3.5.1)
#> mnormt 1.5-5 2016-10-15 [1] CRAN (R 3.5.0)
#> modelr 0.1.4 2019-02-18 [1] CRAN (R 3.6.0)
#> modeltools 0.2-22 2018-07-16 [1] CRAN (R 3.5.1)
#> multcomp 1.4-10 2019-03-05 [1] CRAN (R 3.5.2)
#> multcompView 0.1-7 2015-07-31 [1] CRAN (R 3.5.1)
#> munsell 0.5.0 2018-06-12 [1] CRAN (R 3.5.1)
#> mvtnorm 1.0-10 2019-03-05 [1] CRAN (R 3.5.2)
#> nlme 3.1-137 2018-04-07 [2] CRAN (R 3.6.0)
#> nloptr 1.2.1 2018-10-03 [1] CRAN (R 3.5.1)
#> nortest 1.0-4 2015-07-30 [1] CRAN (R 3.5.2)
#> openxlsx 4.1.0.1 2019-05-28 [1] CRAN (R 3.6.0)
#> paletteer 0.2.1.9000 2019-03-25 [1] Github (EmilHvitfeldt/paletteer@38cdb34)
#> pbapply 1.4-0 2019-02-05 [1] CRAN (R 3.6.0)
#> pcaPP 1.9-73 2018-01-14 [1] CRAN (R 3.5.0)
#> performance 0.2.0 2019-06-04 [1] CRAN (R 3.6.0)
#> pillar 1.4.1 2019-05-28 [1] CRAN (R 3.6.0)
#> pkgconfig 2.0.2 2018-08-16 [1] CRAN (R 3.5.1)
#> plyr 1.8.4 2016-06-08 [1] CRAN (R 3.5.1)
#> promises 1.0.1 2018-04-13 [1] CRAN (R 3.5.1)
#> psych 1.8.12 2019-01-12 [1] CRAN (R 3.6.0)
#> purrr 0.3.2 2019-03-15 [1] CRAN (R 3.6.0)
#> purrrlyr 0.0.5 2019-03-15 [1] CRAN (R 3.6.0)
#> R6 2.4.0 2019-02-14 [1] CRAN (R 3.6.0)
#> rcompanion 2.2.1 2019-05-29 [1] CRAN (R 3.6.0)
#> Rcpp 1.0.1 2019-03-17 [1] CRAN (R 3.6.0)
#> readxl 1.3.1 2019-03-13 [1] CRAN (R 3.6.0)
#> reshape 0.8.8 2018-10-23 [1] CRAN (R 3.6.0)
#> reshape2 1.4.3 2017-12-11 [1] CRAN (R 3.5.1)
#> rio 0.5.16 2018-11-26 [1] CRAN (R 3.6.0)
#> rjson 0.2.20 2018-06-08 [1] CRAN (R 3.5.0)
#> rlang 0.3.4 2019-04-07 [1] CRAN (R 3.6.0)
#> rmarkdown 1.13 2019-05-22 [1] CRAN (R 3.6.0)
#> robust 0.4-18 2017-04-27 [1] CRAN (R 3.5.1)
#> robustbase 0.93-5 2019-05-12 [1] CRAN (R 3.6.0)
#> rrcov 1.4-7 2018-11-15 [1] CRAN (R 3.6.0)
#> rstudioapi 0.10 2019-03-19 [1] CRAN (R 3.6.0)
#> runjags 2.0.4-2 2016-07-25 [1] CRAN (R 3.5.2)
#> sandwich 2.5-1 2019-04-06 [1] CRAN (R 3.6.0)
#> scales 1.0.0 2018-08-09 [1] CRAN (R 3.5.1)
#> sessioninfo 1.1.1 2018-11-05 [1] CRAN (R 3.6.0)
#> shiny 1.3.2 2019-04-22 [1] CRAN (R 3.6.0)
#> sjlabelled 1.1.0 2019-06-06 [1] CRAN (R 3.6.0)
#> sjmisc 2.8.0 2019-06-11 [1] CRAN (R 3.6.0)
#> sjstats 0.17.5 2019-06-04 [1] CRAN (R 3.6.0)
#> skimr 1.0.6 2019-05-27 [1] CRAN (R 3.6.0)
#> stringi 1.4.3 2019-03-12 [1] CRAN (R 3.6.0)
#> stringr 1.4.0 2019-02-10 [1] CRAN (R 3.6.0)
#> survival 2.43-3 2018-11-26 [2] CRAN (R 3.6.0)
#> TH.data 1.0-10 2019-01-21 [1] CRAN (R 3.5.2)
#> tibble 2.1.3 2019-06-06 [1] CRAN (R 3.6.0)
#> tidyr 0.8.3 2019-03-01 [1] CRAN (R 3.6.0)
#> tidyselect 0.2.5 2018-10-11 [1] CRAN (R 3.5.1)
#> TMB 1.7.15 2018-11-09 [1] CRAN (R 3.6.0)
#> withr 2.1.2 2018-03-15 [1] CRAN (R 3.5.1)
#> WRS2 1.0-0 2019-06-05 [1] R-Forge (R 3.6.0)
#> xfun 0.7 2019-05-14 [1] CRAN (R 3.6.0)
#> xtable 1.8-4 2019-04-21 [1] CRAN (R 3.5.3)
#> yaml 2.2.0 2018-07-25 [1] CRAN (R 3.5.1)
#> zip 2.0.2 2019-05-13 [1] CRAN (R 3.6.0)
#> zoo 1.8-6 2019-05-28 [1] CRAN (R 3.6.0)
#>
#> [1] C:/Users/inp099/Documents/R/win-library/3.6
#> [2] C:/Program Files/R/R-3.6.0alpha/library
由reprex package（v0.3.0）于2019-06-12创建
1 个答案:
答案 0 :(得分：2)
将示例转换为Markdown代码非常容易。这与一般情况相去甚远，但是很明显如何扩展它以处理其他表达式。
这个想法是对plotmath表达式求值以形成一个Markdown字符串。例如，使用此功能：
toMarkdown <- function(e) {
# In plotmath, paste acts like paste0
paste <- paste0
# Italic text just has stars around it
italic <- function(s) paste0("*", s, "*")
# Single subscripts are entered using subsetting
`[` <- function(main, subscript) paste0(main, "~", subscript, "~")
# Evaluate the expression to produce a string
eval(e)
}
我尚未安装ggstatsplot的开发版本，但我可以复制您的p_call：
p_call <- quote(paste(NULL, italic("t"), "(", "29.23", ") = ", "5.49", ", ",
italic("p"), " = ", "< 0.001", ", ", italic("g"), " = ",
"1.89", ", CI"["95%"], " [", "1.10", ", ", "2.83", "]", ", ",
italic("n"), " = ", 32L))
如果我通过toMarkdown运行它，我会得到：
> toMarkdown(p_call)
[1] "*t*(29.23) = 5.49, *p* = < 0.001, *g* = 1.89, CI~95%~ [1.10, 2.83], *n* = 32"
如果我使用r toMarkdown(p_call)（在反引号中）将其内联到Markdown文档中，则会得到以下屏幕截图：
当您是ggstatsplot的作者时，您应该知道调用对象中可能出现的每个函数，并且可以扩展toMarkdown来处理所有这些函数。随时将其包含在您的包装中。
相关问题
最新问题
- 我写了这段代码，但我无法理解我的错误
- 我无法从一个代码实例的列表中删除 None 值，但我可以在另一个实例中。为什么它适用于一个细分市场而不适用于另一个细分市场？
- 是否有可能使 loadstring 不可能等于打印？卢阿
- java中的random.expovariate()
- Appscript 通过会议在 Google 日历中发送电子邮件和创建活动
- 为什么我的 Onclick 箭头功能在 React 中不起作用？
- 在此代码中是否有使用“this”的替代方法？
- 在 SQL Server 和 PostgreSQL 上查询，我如何从第一个表获得第二个表的可视化
- 每千个数字得到
- 更新了城市边界 KML 文件的来源？