Introducción práctica a la librería ggplot2 y su integración con ggmap

Roger Borràs, Lluís Ramon, Andreu Vall

Barcelona, noviembre 2012

Quién somos

RUGBCN: R User Group Barcelona
- http://rugbcn.wordpress.com

Contenidos

De plot a qplot
De qplot a ggplot
Mapas con ggplot2 y ggmap

Por qué usar ggplot2?

Gramática consistente basada en grammar of graphics (Wilkinson, 2005)
Librería muy flexible
Mantenimiento muy activo de la librería
Gran lista de distribución y con mucha participación
Es posible crear gráficos visualmente atractivos
Simple gestión de leyendas

Qué es Grammar of graphics y los componentes de ggplot2

Data: Datos para graficar
Aesthetic mapping: Características estéticas
Geom: Objetos geométricos (puntos, líneas, polígonos, áreas…)
Stat: Transformaciones estadísticas
Scale: Escalas
Coord: El sistema de coordenadas
Faceting: Condicionamiento

Requisitos de ggplot2

La librería maneja objectos de la clase data.frame
Datos en formato largo

La BD de ejemplo

The World Bank http://www.worldbank.org
BD con datos socio económicos http://data.worldbank.org/data-catalog/climate-change

##  [1] "id"                 "country_code"       "country_name"      
##  [4] "continent"          "region"             "income_group"      
##  [7] "year"               "ease_of_business"   "foreign_investment"
## [10] "gdp"                "gni_per_capita"     "population"

De `plot` a `qplot`

El diagrama de dispersión

plot(climate_2010$ease_of_business, climate_2010$gni_per_capita)

plot of chunk Gràfic de dispersio base

El mismo gráfico con qplot de ggplot2

qplot(climate_2010$ease_of_business, climate_2010$gni_per_capita)

plot of chunk Grafic de dispersio amb qplot

Gráfico con modificación de las etiquetas y los límites de los ejes

qplot(ease_of_business, gni_per_capita, xlab = "EASE OF BUSINESS", ylab = "GNI PER CAPITA ($)", 
    xlim = c(0, 200), size = I(4), data = climate_2010)

plot of chunk Modifiacio limits i eixos amb qplot

El ejemplo por continentes:

climate_africa <- subset(climate_2010, continent == "AFRICA")
climate_asia <- subset(climate_2010, continent == "ASIA")
climate_europa <- subset(climate_2010, continent == "EUROPE")
climate_namerica <- subset(climate_2010, continent == "N.AMERICA")
climate_oceania <- subset(climate_2010, continent == "OCEANIA")
climate_samerica <- subset(climate_2010, continent == "S.AMERICA")

plot(climate_africa$ease_of_business, climate_africa$gni_per_capita, pch = 16, 
    col = "red", ylim = c(0, 90000), xlab = "EASE OF BUSINESS", ylab = "GNI PER CAPITA ($)")
points(climate_asia$ease_of_business, climate_asia$gni_per_capita, pch = 16, 
    col = "blue")
points(climate_europa$ease_of_business, climate_europa$gni_per_capita, pch = 16, 
    col = "green")
points(climate_namerica$ease_of_business, climate_namerica$gni_per_capita, pch = 16, 
    col = "magenta")
points(climate_oceania$ease_of_business, climate_oceania$gni_per_capita, pch = 16, 
    col = "yellow")
points(climate_samerica$ease_of_business, climate_samerica$gni_per_capita, pch = 16)
legend(150, 85000, c("AFRICA", "ASIA", "EUROPA", "N.AMERICA", "OCEANIA", "S.AMERICA"), 
    col = c("red", "blue", "green", "magenta", "yellow", "black"), pch = c(16, 
        16, 16, 16, 16, 16))

plot of chunk Dispersio per continents base

Con ggplot2 el gráfico tiene una sintaxis mas simple y clara:

qplot(ease_of_business, gni_per_capita, colour = continent, data = climate_2010, 
    xlab = "EASE OF BUSINESS", ylab = "GNI PER CAPITA ($)")

plot of chunk Dispersio per continents amb qplot

Modificación con leyenda tipo shape

qplot(ease_of_business, gni_per_capita, shape = continent, xlab = "EASE OF BUSINESS", 
    ylab = "GNI PER CAPITA ($)", data = climate_2010)

plot of chunk Dispersio amb modifiacio shape

Modificación con leyenda tipo shape y colour

qplot(ease_of_business, gni_per_capita, shape = continent, colour = continent, 
    xlab = "EASE OF BUSINESS", ylab = "GNI PER CAPITA ($)", data = climate_2010)

plot of chunk Dispersio amb modifiacio shape i colour

Definimos con geom, añadimos una regresión loess y lo guardamos en una variable:

p1 <- qplot(ease_of_business, gni_per_capita, geom = c("smooth", "point"), xlab = "EASE OF BUSINESS", 
    ylab = "GNI PER CAPITA ($)", data = climate_2010)
p1

plot of chunk Dispersio amb regressió loess

El gráfico de boxplot

p2 <- qplot(continent, ease_of_business, geom = c("boxplot"), fill = I("deepskyblue1"), 
    alpha = I(0.25), xlab = "CONTINENT", ylab = "EASE OF BUSINESS", data = climate_2010)
p2

plot of chunk Grafic boxplot amb qplot

El gráfico de densidad

p3 <- qplot(gni_per_capita, geom = c("density"), fill = I("gold"), alpha = I(0.85), 
    xlab = "GNI PER CAPITA ($)", ylab = "DENSITY", data = climate_2010)
p3

plot of chunk Grafic de densitat amb qplot

Los facets

p4 <- qplot(ease_of_business, gni_per_capita, facets = ~continent, ncol = 3, 
    xlab = "EASE OF BUSINESS", ylab = "GNI PER CAPITA ($)", data = climate_2010)
p4

plot of chunk Facets amb qplot

Integración de los gráficos en un mismo panel

library(gridExtra)
grid.arrange(p1, p2, p3, p4, ncol = 2)

plot of chunk Integracio panell

De `qplot` a `ggplot`

qplot nos da una sintaxis breve y parecida a plot.

climate_2010 <- subset(climate, year == 2010)
qplot(ease_of_business, gni_per_capita, geom = c("smooth", "point"), xlab = "EASE OF BUSINESS", 
    ylab = "GNI PER CAPITA ($)", data = climate_2010)

plot of chunk qplot: una linia

Sin embargo, el anterior gráfico se compone de varias capas.

qplot(ease_of_business, gni_per_capita, data = climate_2010) +  
  # geom_point() por defecto en qplot  
  geom_smooth() +  
  xlab("EASE OF BUSINESS") +  
  ylab("GNI PER CAPITA ($)")

plot of chunk qplot: diverses linies

O usando ggplot

ggplot(data = climate_2010, aes(x = ease_of_business, y = gni_per_capita)) +  
  geom_point() +       
  geom_smooth() +  
  xlab("EASE OF BUSINESS") +  
  ylab("GNI PER CAPITA ($)")

plot of chunk ggplot: com qplot diverses linies

¡Atención!

¿Diferencia en la sintaxis?

Las capas
La función aes

¿Diferencia en el uso?

Para hacer un gráfico rápido y sencillo usamos qplot
Para controlar exactamente cada parámetro y tal vez utilizar diferentes conjuntos de datos, preferiremos ggplot

Seguiremos trabajando con el gráfico de dispersión ease_of_business vs gni_per_capita.

p <- ggplot(data = climate_2010, aes(x = ease_of_business, y = gni_per_capita))
p + geom_point()

$plot of chunk plot basic: ease_of_business vs gni_per_capita$

Las geometrías

Las geometrías (geom) definen literalmente lo que vemos en el gráfico: puntos, lineas, polígonos, …

p1 <- p + geom_point()
p2 <- p + geom_line()
p3 <- p + geom_area()
grid.arrange(p1, p2, p3)

plot of chunk plot basic: canvi de geoms

Correspondencia vs asignación

p + geom_point(aes(color = continent))

plot of chunk diferencia assignar i correspondre

p + geom_point(color = "blue")

plot of chunk diferencia assignar i correspondre

# ¡atención!
p + geom_point(aes(color = "blue"))

plot of chunk diferencia assignar i correspondre

La leyenda

La leyenda se genera automáticamente a partir de las variables que definen una característica estética del gráfico (las que van dentro de la función aes).

p + geom_point(aes(color = continent))

plot of chunk llegenda: per defecte

p + geom_point(aes(color = continent, size = income_group))

plot of chunk llegenda: per defecte

p + geom_point(aes(color = continent, shape = continent, size = income_group))

plot of chunk llegenda: per defecte

Las funciones scale

Nos permiten controlar la correspondencia entre una variable y su representación gráfica.

p1 <- p + geom_point(aes(color = continent, size = income_group))
# leyenda generada automáticamente
p1

plot of chunk llegenda: modificacio de la llegenda

# edición del nombre las variables
p1 + scale_size_discrete("Income group") +
     scale_color_discrete("Continent")

plot of chunk llegenda: modificacio de la llegenda

# correspondencia entre la variable y su representación
p1 + scale_size_discrete("Income group", range = c(10,1)) +
     scale_color_brewer("Continent", palette = "Spectral")

plot of chunk llegenda: modificacio de la llegenda

`geom_line` y el uso de `group`

Vamos a analizar la evolución temporal del PIB de los países de Europa.

climate_europe <- subset(climate, continent == "EUROPE")

ggplot(climate_europe, aes(x = year, y = gdp/population)) +
  geom_line()

plot of chunk grafic linia: error no fer servir group

¡Atención!

Un solo elemento gráfico puede contener uno o muchos datos. Por ejemplo:

Un punto se corresponde con un dato
Una recta conecta varios datos

Con group controlamos qué observaciones pertenecen a cada elemento gráfico individual.

Usando group

ggplot(climate_europe, aes(x = year, y = gdp/population)) +
  geom_line(aes(group = country_code))

plot of chunk grafic linia: error arreglat fent servir group

Comprobamos la distribución de acuerdo con la variable income_group.

ggplot(climate_europe, aes(x = year, y = gdp/population)) +
  geom_line(aes(group = country_code, color = income_group))

plot of chunk grafic linia: distribucio per income_group

Añadimos una aproximación para cada grupo. Atención al uso de group diferente en cada capa del gráfico!

ggplot(climate_europe, aes(x = year, y = gdp/population)) +
  geom_line(aes(group = country_code, color = income_group)) +
  geom_smooth(aes(group = income_group, colour = income_group), size = 2)

plot of chunk grafic linia: aproximacio per cada grup

`geom_tile` y la edición manual de la leyenda

Estudiamos la inversión extranjera en cada país. Para simplificar, seleccionamos unos cuantos países europeos.

countries <- c("Finland", "Germany", "Italy", "Netherlands", "Greece")
climate_countries <- subset(climate_europe, country_name %in% countries)

ggplot(climate_countries, aes(x = year, y = foreign_investment)) +
  geom_line(aes(color = country_code, group = country_code))

plot of chunk grafic tile: subset de paisos

También podemos representar la altura de las ordenadas mediante un mapa de calor.

# atención al valor NA de Grecia
p <- ggplot(climate_countries, aes(x = year, y = country_code))
p + geom_tile(aes(fill = foreign_investment))

plot of chunk grafic tile: calor

Queremos representar el año de máxima inversión extranjera para cada país. Podemos calcular esta información y representarla en el gráfico.

max_investment <- function(df){
  max_investment <- rep("no_max", nrow(df))
  max_investment[which.max(df$foreign_investment)] <- "max"
  result <- data.frame(df, max_investment)
  return(result)
}

climate_countries <- ddply(climate_countries, .(country_code), max_investment)

head(climate_countries)

##     id country_code country_name continent                region
## 1 1043          DEU      Germany    EUROPE Europe & Central Asia
## 2 1044          DEU      Germany    EUROPE Europe & Central Asia
## 3 1045          DEU      Germany    EUROPE Europe & Central Asia
## 4 1046          DEU      Germany    EUROPE Europe & Central Asia
## 5 1047          DEU      Germany    EUROPE Europe & Central Asia
## 6 1048          DEU      Germany    EUROPE Europe & Central Asia
##        income_group year ease_of_business foreign_investment      gdp
## 1 High income: OECD 1990               NA               0.18 1.71e+12
## 2 High income: OECD 1991               NA               0.26 1.81e+12
## 3 High income: OECD 1992               NA              -0.10 2.06e+12
## 4 High income: OECD 1993               NA               0.02 2.00e+12
## 5 High income: OECD 1994               NA               0.34 2.15e+12
## 6 High income: OECD 1995               NA               0.48 2.52e+12
##   gni_per_capita population max_investment
## 1          20630   79433000         no_max
## 2          22170   80014000         no_max
## 3          25050   80624000         no_max
## 4          25200   81156000         no_max
## 5          26590   81516000         no_max
## 6          28630   81642000         no_max


# actualizar los datos de p
p <- p %+% climate_countries

Para visualizar el año de máxima inversión usamos color (con geom_tile, se trata del color del borde).

p +  geom_tile(aes(fill = foreign_investment, color = max_investment))

plot of chunk Grafic tiles: complet sense llegenda editada

Editamos manualmente la leyenda para conseguir unos colores fáciles de distinguir.

p + geom_tile(aes(fill = foreign_investment, color = max_investment)) + 
  scale_fill_gradient(low = "white", high = "red") +
  scale_color_manual(breaks = c("max","no_max"), values = c("darkblue","white"))

plot of chunk Grafic tiles: complet amb llegenda editada

Ejemplos de mapas con `ggplot2`

Geometría de polígonos

library(ggplot2)
library(maptools)
data(wrld_simpl)
is(wrld_simpl)

## [1] "SpatialPolygonsDataFrame" "SpatialPolygons"         
## [3] "Spatial"                  "SpatialPolygonsNULL"

head(wrld_simpl@data)

##     FIPS ISO2 ISO3 UN                NAME   AREA  POP2005 REGION SUBREGION
## ATG   AC   AG  ATG 28 Antigua and Barbuda     44    83039     19        29
## DZA   AG   DZ  DZA 12             Algeria 238174 32854159      2        15
## AZE   AJ   AZ  AZE 31          Azerbaijan   8260  8352021    142       145
## ALB   AL   AL  ALB  8             Albania   2740  3153731    150        39
## ARM   AM   AM  ARM 51             Armenia   2820  3017661    142       145
## AGO   AO   AO  AGO 24              Angola 124670 16095214      2        17
##         LON    LAT
## ATG -61.783  17.08
## DZA   2.632  28.16
## AZE  47.395  40.43
## ALB  20.068  41.14
## ARM  44.563  40.53
## AGO  17.544 -12.30

# fortify sirve con objetos maps, sp, etc
world_ggmap <- fortify(wrld_simpl, region = "ISO3")
head(world_ggmap)

##     long   lat order  hole piece group  id
## 1 -69.88 12.41     1 FALSE     1 ABW.1 ABW
## 2 -70.06 12.54     2 FALSE     1 ABW.1 ABW
## 3 -70.06 12.63     3 FALSE     1 ABW.1 ABW
## 4 -69.88 12.41     4 FALSE     1 ABW.1 ABW
## 5  74.92 37.24     5 FALSE     1 AFG.1 AFG
## 6  74.39 37.18     6 FALSE     1 AFG.1 AFG

ggplot(data = world_ggmap, aes(x = long, y = lat, group = group)) + geom_polygon()

plot of chunk ejemplo geom_polygon: grafico

Para representar información de climate seria necesario cruzar los datos de world_ggmap y climate.

Geometría de mapas

geom_map: usa geom_polygon, mucho más rápida y cruza los datos de mapa con la información del data.frame

ggplot(climate_2010) +
  geom_map(aes(map_id = country_code), map = world_ggmap) +
  expand_limits(x = world_ggmap$long, y = world_ggmap$lat)

plot of chunk ejemplo geom_map

Congo no ha cruzado correctamente porque tienen diferentes identificadores

Podemos usar los aesthetics de `climate_2010`

climate_2010 <- subset(climate, year == 2010)
ggplot(climate_2010) +
  geom_map(aes(map_id = country_code, fill = continent), map = world_ggmap) +
  expand_limits(x = world_ggmap$long, y = world_ggmap$lat)

plot of chunk ejemplo continente

Nueva capa con nuevo `data.frame`

q <- ggplot(climate_2010) +
     geom_map(aes(map_id = country_code, fill = ease_of_business), map = world_ggmap) +
     expand_limits(x = world_ggmap$long, y = world_ggmap$lat)

q

plot of chunk mapa_con_ciudades

library(maps)
data(world.cities)
head(world.cities)

##                 name country.etc   pop   lat  long capital
## 1 'Abasan al-Jadidah   Palestine  5629 31.31 34.34       0
## 2 'Abasan al-Kabirah   Palestine 18999 31.32 34.35       0
## 3       'Abdul Hakim    Pakistan 47788 30.55 72.11       0
## 4 'Abdullah-as-Salam      Kuwait 21817 29.36 47.98       0
## 5              'Abud   Palestine  2456 32.03 35.07       0
## 6            'Abwein   Palestine  3434 32.03 35.20       0

q + geom_point(aes(long, lat), colour = "red", size = 0.3,  data = world.cities)

plot of chunk mapa_con_ciudades

Podemos usar `facets`

climate_1995_2010 <- subset(climate, year %in% c(1995, 2000, 2005, 2010))

q <- ggplot(climate_1995_2010) +
     geom_map(aes(map_id = country_code, fill = gdp), map = world_ggmap) +
     expand_limits(x = world_ggmap$long, y = world_ggmap$lat) +
     facet_wrap(~ year, ncol = 2) +
     scale_fill_continuous(low = "blue", high = "red")

q

plot of chunk mapas_con_facets

Mapas con `ggmap`

Diferentes fuentes de mapas

Google maps (por defecto)
Open Street maps
Stamen Maps
CloudMade map

library(ggmap)
qmap("barcelona", zoom = 14)

plot of chunk origenes_base_mapa

qmap("barcelona", zoom = 14, source = "osm")

plot of chunk origenes_base_mapa

Formas de solicitar un mapa

lon / lat
dirección
bbox, left / bottom / right / top

qmap("barcelona", zoom = 14)
qmap(c(lon = 2.17, lat = 41.38), zoom = 14)
qmap(c(2.172, 41.39, 2.186, 41.38), zoom = 14)

De `qmap` a `ggmap`

`qmap` = `get_map` + `ggmap`

En la documentación los parámetros están definidos en get_map y ggmap

barcelona_map <- get_map("barcelona", zoom = 14)
ggmap(barcelona_map)

plot of chunk De qmap a ggmap

Funciones interesantes

geocode("Central UB, Barcelona")

##     lon   lat
## 1 2.164 41.39

revgeocode(c(2.164033, 41.38655), output = "address")

## [1] "Gran Via de les Corts Catalanes, 585, University of Barcelona, 08007 Barcelona, Province of Barcelona, Spain"

mapdist("Tarragona", "Barcelona")

##        from        to     m km miles seconds minutes hours
## 1 Tarragona Barcelona 96998 97 60.27    4143   69.05 1.151

route("Central UB, Barcelona", "Plaça Catalunya, Barcelona", alternatives = FALSE)

##     m    km   miles seconds minutes    hours startLon startLat endLon
## 1 269 0.269 0.16716      39  0.6500 0.010833    2.164    41.39  2.162
## 2 285 0.285 0.17710     159  2.6500 0.044167    2.162    41.38  2.164
## 3  45 0.045 0.02796      17  0.2833 0.004722    2.164    41.39  2.165
## 4 336 0.336 0.20879      56  0.9333 0.015556    2.165    41.39  2.169
##   endLat leg
## 1  41.38   1
## 2  41.39   2
## 3  41.39   3
## 4  41.39   4

Ejemplo de uso de `qmap` y `ggplot2`

desde <- 'Carrer del Doctor Aiguader 88, Barcelona'
hasta <- 'Plaça Catalunya, Barcelona'

rutas <- route(desde, hasta, alternatives = TRUE)
head(rutas)

##      m    km   miles seconds minutes    hours startLon startLat endLon
## 1  123 0.123 0.07643      10  0.1667 0.002778    2.193    41.39  2.194
## 2  223 0.223 0.13857      42  0.7000 0.011667    2.194    41.39  2.196
## 3 1172 1.172 0.72828     136  2.2667 0.037778    2.196    41.39  2.187
## 4  626 0.626 0.38900     110  1.8333 0.030556    2.187    41.39  2.182
## 5  127 0.127 0.07892      23  0.3833 0.006389    2.182    41.39  2.181
## 6  123 0.123 0.07643      50  0.8333 0.013889    2.181    41.39  2.180
##   endLat leg route
## 1  41.39   1     A
## 2  41.39   2     A
## 3  41.39   3     A
## 4  41.39   4     A
## 5  41.39   5     A
## 6  41.39   6     A

ggplot() +
  geom_segment(aes(x = startLon, y = startLat, xend = endLon, yend = endLat, colour = route), size = 1.5, data = rutas)

plot of chunk Comparar un gráfico ggplot2 con el fondo de google maps

qmap('Plaça Sant Jaume, Barcelona', zoom = 14,  maptype = "roadmap", extent = "panel") +
  geom_segment(aes(x = startLon, y = startLat, xend = endLon, yend = endLat, colour = route), size = 1.5, data = rutas)

plot of chunk Comparar un gráfico ggplot2 con el fondo de google maps

Podemos usar `facets`

qmap('Plaça Sant Jaume, Barcelona', zoom = 14,  maptype = "roadmap", extent = "panel") +
  geom_segment(aes(x = startLon, y = startLat, xend = endLon, yend = endLat, colour = route), size = 1.5, data = rutas) +
  facet_grid(.~ route)

plot of chunk ggmap con facets

Más información

Wickham, Hadley, Elegant Graphics for Data Analysis
Wilkinson, Leland, The Grammar of Graphics
Documentación online de ggplot2

Cómo hemos hecho la presentación?

Hemos utilizado RStudio, knitr, pandoc y slidy.
El texto y el código de esta presentación son reproducibles.
Esta es la sesión de R:

sessionInfo()

## R version 2.15.2 (2012-10-26)
## Platform: i486-pc-linux-gnu (32-bit)
## 
## locale:
##  [1] LC_CTYPE=es_ES.UTF-8       LC_NUMERIC=C              
##  [3] LC_TIME=es_ES.UTF-8        LC_COLLATE=es_ES.UTF-8    
##  [5] LC_MONETARY=es_ES.UTF-8    LC_MESSAGES=es_ES.UTF-8   
##  [7] LC_PAPER=C                 LC_NAME=C                 
##  [9] LC_ADDRESS=C               LC_TELEPHONE=C            
## [11] LC_MEASUREMENT=es_ES.UTF-8 LC_IDENTIFICATION=C       
## 
## attached base packages:
## [1] grid      stats     graphics  grDevices utils     datasets  methods  
## [8] base     
## 
## other attached packages:
##  [1] maptools_0.8-16 lattice_0.20-10 foreign_0.8-51  mapproj_1.1-8.3
##  [5] rgeos_0.2-7     stringr_0.6.1   sp_0.9-99       maps_2.2-6     
##  [9] ggmap_2.2       gridExtra_0.9.1 scales_0.2.2    plyr_1.7.1     
## [13] ggplot2_0.9.2.1 knitr_0.8.1    
## 
## loaded via a namespace (and not attached):
##  [1] colorspace_1.1-1    dichromat_1.2-4     digest_0.5.2       
##  [4] evaluate_0.4.2      formatR_0.6         gtable_0.1.1       
##  [7] labeling_0.1        MASS_7.3-22         memoise_0.1        
## [10] munsell_0.4         png_0.1-4           proto_0.3-9.2      
## [13] RColorBrewer_1.0-5  reshape2_1.2.1      RgoogleMaps_1.2.0.2
## [16] rjson_0.2.10        tools_2.15.2

Introducción práctica a la librería ggplot2 y su integración con ggmap

Roger Borràs, Lluís Ramon, Andreu Vall

Barcelona, noviembre 2012

Quién somos

Contenidos

Por qué usar ggplot2?

Qué es Grammar of graphics y los componentes de ggplot2

Requisitos de ggplot2

La BD de ejemplo

De plot a qplot

El diagrama de dispersión

El gráfico de boxplot

El gráfico de densidad

Los facets

Integración de los gráficos en un mismo panel

De qplot a ggplot

¡Atención!

¿Diferencia en la sintaxis?

¿Diferencia en el uso?

Las geometrías

Correspondencia vs asignación

La leyenda

Las funciones scale

**geom_line** y el uso de group

¡Atención!

**geom_tile** y la edición manual de la leyenda

Ejemplos de mapas con ggplot2

Geometría de polígonos

Geometría de mapas

Podemos usar los aesthetics de climate_2010

Nueva capa con nuevo data.frame

Podemos usar facets

Mapas con ggmap

Diferentes fuentes de mapas

Formas de solicitar un mapa

De qmap a ggmap

qmap = get_map + ggmap

Funciones interesantes

Ejemplo de uso de qmap y ggplot2

Podemos usar facets

Más información

Cómo hemos hecho la presentación?

De `plot` a `qplot`

De `qplot` a `ggplot`

`geom_line` y el uso de `group`

`geom_tile` y la edición manual de la leyenda

Ejemplos de mapas con `ggplot2`

Podemos usar los aesthetics de `climate_2010`

Nueva capa con nuevo `data.frame`

Podemos usar `facets`

Mapas con `ggmap`

De `qmap` a `ggmap`

`qmap` = `get_map` + `ggmap`

Ejemplo de uso de `qmap` y `ggplot2`

Podemos usar `facets`