shinyWidgets v0.9.0 版本发布:增强型日历组件与输入控件优化
项目简介
shinyWidgets 是一个基于 R 语言 Shiny 框架的扩展包,它为开发者提供了丰富多样的交互式 UI 组件和控件。这些组件不仅美观实用,而且大大简化了 Shiny 应用开发过程中复杂交互界面的构建工作。通过封装流行的 JavaScript 库,shinyWidgets 让 R 开发者能够轻松实现专业级的 Web 交互效果。
核心更新内容
1. 全新日历组件 calendarProInput()
本次更新引入了基于 vanilla-calendar-pro 的全新日历组件 calendarProInput()。这个组件相比传统的日期选择器提供了更多高级功能:
- 支持同时选择日期和时间
- 提供多种视图模式(日、周、月、年)
- 可自定义的日期范围限制
- 丰富的主题和样式选项
- 响应式设计,适配不同设备
开发者现在可以轻松创建功能完善的日期时间选择器,满足各种业务场景需求,如预约系统、报表时间范围选择等。
2. virtualSelectInput 功能增强
virtualSelectInput 组件新增了对 JavaScript 函数的支持,开发者现在可以将自定义的 JavaScript 函数作为 selectedLabelRenderer 的回调。这一改进使得:
- 选项标签的渲染更加灵活
- 可以根据业务逻辑动态改变显示内容
- 实现更复杂的选项展示效果
3. 输入类型扩展
searchInput() 和 textInputIcon() 新增了 inputType 参数,允许开发者指定输入框的类型。例如:
- 设置为 "password" 可创建密码输入框
- 支持 HTML5 标准的所有输入类型
- 保持原有图标功能的同时增强输入控制
4. 组件维护状态更新
考虑到相关 JavaScript 库的维护状态,本次更新对两个组件进行了软性弃用:
- knobInput() - 旋钮输入组件
- switchInput() - 开关切换组件
虽然这些组件仍然可用,但建议开发者考虑替代方案,以避免未来可能出现的兼容性问题。
依赖库更新
本次版本同步更新了以下依赖库:
-
virtual-select 升级至 1.0.47 版本,主要修复了焦点相关的问题,提升了用户体验。
-
@simonwep/pickr 颜色选择器更新至 1.9.1 版本,包含了多项性能优化和 bug 修复。
升级建议
对于正在使用 shinyWidgets 的开发者,建议:
-
测试新版本中的 calendarProInput() 组件,评估是否适合替换现有的日期选择方案。
-
检查项目中是否使用了被软性弃用的组件,制定迁移计划。
-
利用新的 virtualSelectInput 功能优化现有的选择器交互体验。
-
对于需要密码输入等特殊输入类型的场景,使用新的 inputType 参数简化实现。
结语
shinyWidgets v0.9.0 通过引入现代化的日历组件和增强现有控件功能,进一步丰富了 Shiny 应用的交互可能性。这些改进不仅提升了开发效率,也为最终用户带来了更流畅、更专业的交互体验。开发者可以根据项目需求,灵活选择这些新特性来构建更强大的数据应用界面。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C093
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00