Graficación con R
Patricio Araneda
2023-04-23
Manejo de gráficos en R.
plot es la función más básica para graficar datos en R.
“cars” es un dataset incluido originalmente en R.
plot(cars$speed, cars$dist, main="velocidad vs distancia", xlab = "speed", ylab = "dist", col="red")
Scatter plot
la función “aes” describe en forma estética cómo las variables son mapeadas.
library("dplyr")##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary("ggplot2")
data(mtcars)
# grafico simple
ggplot(mtcars, aes(x=wt, y=mpg, colour=cyl)) + geom_point()+ggtitle("Titulo") +
theme(plot.title = element_text(hjust=0.5,face="bold", color = "red"))
# cambiar tamaño de punto y forma
ggplot(mtcars, aes(x=wt, y=mpg)) + geom_point(size=2, shape=23)
ggplot(mtcars, aes(x=wt, y=mpg)) + geom_point(aes(size=qsec))
ggplot(mtcars, aes(x=wt, y=mpg)) + geom_point() + geom_text(label=rownames(mtcars))
# cambiar colores
ggplot(mtcars, aes(x=wt, y=mpg, color=cyl)) + geom_point()
#
ggplot(faithful, aes(x=eruptions, y=waiting)) + geom_point()
# una elipse alrededor de todos los puntos
ggplot(faithful, aes(waiting, eruptions))+ geom_point()+ stat_ellipse()
# Elipse por grupos
p <- ggplot(faithful, aes(waiting, eruptions, color = eruptions > 3))+ geom_point()
p + stat_ellipse()
# cambiar el tipo de elipse: posibles valores son "t", "norm", "euclid"
p + stat_ellipse(type = "norm")
Distribución
Violín
La gráfica de violín permite visualizar la distribución de una variable numérica para uno o varios grupos. Cada violín representa un grupo o una variable. La forma representa la estimación de densidad de la variable: cuantos más puntos de datos haya en un rango específico, mayor será el tamaño del violín para ese rango. Está muy cerca de una parcela, pero permite una comprensión más profunda de la distribución.
Violin plot es una potente técnica de visualización de datos que permite comparar tanto el ranking de varios grupos como su distribución. Sorprendentemente, es menos utilizado que el boxplot, incluso si proporciona más información.
Los violines se adaptan especialmente cuando la cantidad de datos es enorme y resulta imposible mostrar observaciones individuales. Para conjuntos de datos pequeños, una gráfica de caja con fluctuaciones es probablemente una mejor opción, ya que realmente muestra toda la información.
ggplot(diamonds, aes(x = cut, y = price)) + geom_violin()
ggplot(diamonds, aes(x = cut, y = price, fill = cut)) + geom_violin() + scale_y_log10()
ggplot(diamonds, aes(x = cut, y = price, fill = cut)) +
geom_violin() + scale_y_log10() +
geom_boxplot(width = 0.2)
Densidad
Un gráfico de densidad es una representación de la distribución de una variable numérica. Utiliza una estimación de la densidad del núcleo para mostrar la función de densidad de probabilidad de la variable.
Las gráficas de densidad se utilizan para estudiar la distribución de una o varias variables. Revisar la distribución de sus variables una por una es probablemente la primera tarea que debe hacer cuando obtenga un nuevo conjunto de datos. Proporciona una buena cantidad de información.
No compare más de ~3 grupos en el mismo diagrama de densidad. El gráfico se desordena y es difícil de entender. En su lugar, utilice una trama de violín, una trama de caja, una trama de línea de crestas o utilice múltiples pequeños.
d <- density(mtcars$mpg) # returns the density data
plot(d) # plots the results
ggplot(data = storms, aes(x = pressure)) +
geom_density(fill = 'cyan')
ggplot(iris, aes(x = Sepal.Length)) +
geom_density(aes(color = Species))
ggplot(iris, aes(x = Sepal.Length)) +
geom_density() +
facet_wrap(~Species)
Histograma
Permite mostrar una distribucióde una variable. Se utiliza para explicar tendencias en un set de datos.
set.seed(1234)
df <- data.frame(
sex=factor(rep(c("F", "M"), each=200)),
weight=round(c(rnorm(200, mean=55, sd=5), rnorm(200, mean=65, sd=5)))
)
# Basic histogram
p <-ggplot(df, aes(x=weight)) + geom_histogram(binwidth=1,color="black", fill="white")
p
# agregar una línea media
p+ geom_vline(aes(xintercept=mean(weight)),color="blue", linetype="dashed", size=1)## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
# Histogram con density plot
ggplot(df, aes(x=weight)) +
geom_histogram(aes(y=..density..),binwidth=1, colour="black", fill="white")+
geom_density(alpha=.2, fill="#FF6666") ## Warning: The dot-dot notation (`..density..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(density)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
# Usar llenado semi-transparent
p<-ggplot(df, aes(x=weight, fill=sex, color=sex)) + geom_histogram(position="identity", alpha=0.5, binwidth = 1)
p
# Multi-panel
p<-ggplot(df, aes(x=weight))+
geom_histogram(color="black", fill="white")+
facet_grid(sex ~ .)
p## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Otros para distribución
Boxplot, Ridgeline (línea de crestas)
Correlación
Scatter (dispersiograma), Heatmap, Correlogram, Buble, Connected scatter, Density 2d
Heatmap
Una carta térmica “Heatmap” es una representación gráfica de datos en la que los valores individuales contenidos en una matriz se representan en forma de colores.
La función heatmap() se proporciona de forma nativa en R. Produce una matriz de alta calidad y ofrece herramientas estadísticas para normalizar los datos de entrada, ejecutar algoritmos de agrupación y visualizar el resultado con dendrogramas.
Los mapas térmicos pueden ser una muy buena alternativa para visualizar series de tiempo, especialmente cuando el marco de tiempo que usted estudia se está repitiendo, como semanas.
Heatmap es realmente útil para mostrar una vista general de los datos numéricos, no para extraer puntos de datos específicos. En el gráfico de arriba, el enorme tamaño de la población de China y la India aparece por ejemplo.
Heatmap también es útil para mostrar el resultado de la agrupación jerárquica. Básicamente, la agrupación verifica qué países tienden a tener las mismas características en sus variables numéricas, qué países son similares. La forma usual de representar el resultado es usar dendrograma.
# The mtcars dataset:
data <- as.matrix(mtcars)
# Default Heatmap
heatmap(data)
# Use 'scale' to normalize
heatmap(data, scale="column")
# No dendrogram nor reordering for neither column or row
heatmap(data, Colv = NA, Rowv = NA, scale="column")
# cambio de color
heatmap(data, Colv = NA, Rowv = NA, scale="column", col = terrain.colors(256))
Ranking
Barplot, Spider / Radar, Woedcloud, Paralell, Lollipop, Circular barplot
Bar plot
A diferencia de los histogramas se ontrola en mayor medida los ejes X e Y entregando valores fijos.
df <- data.frame(dose=c("D0.5", "D1", "D2"), len=c(4.2, 10, 29.5))
# Basic barplot
p<-ggplot(data=df, aes(x=dose, y=len)) +
geom_bar(stat="identity")
p
# Horizontal bar plot
p + coord_flip()
# Valores dentro de las barras
ggplot(data=df, aes(x=dose, y=len)) +
geom_bar(stat="identity", fill="steelblue")+
geom_text(aes(label=len), vjust=1.6, color="white", size=3.5)+
theme_minimal()
# valores fuera de las barras
ggplot(data=df, aes(x=dose, y=len)) +
geom_bar(stat="identity", fill="steelblue")+
geom_text(aes(label=len), vjust=-0.3, size=3.5)+
theme_minimal()
# con valores solo en eje x
# Don't map a variable to y
ggplot(mtcars, aes(x=factor(cyl)))+
geom_bar(stat="count", width=0.7, fill="steelblue")+
theme_minimal()
# llenar con colores por grupo
p<-ggplot(df, aes(x=dose, y=len, fill=dose)) +
geom_bar(stat="identity")+theme_minimal()
p
# Use custom color palettes
p+scale_fill_manual(values=c("#999999", "#E69F00", "#56B4E9"))
# usar un set colores
p <- p+scale_fill_brewer(palette="Blues")
p + theme(legend.position="top")
p + theme(legend.position="bottom")
# Multiple Groups
df2 <- data.frame(supp=rep(c("VC", "OJ"), each=3),
dose=rep(c("D0.5", "D1", "D2"),2),
len=c(6.8, 15, 33, 4.2, 10, 29.5))
head(df2)## supp dose len
## 1 VC D0.5 6.8
## 2 VC D1 15.0
## 3 VC D2 33.0
## 4 OJ D0.5 4.2
## 5 OJ D1 10.0
## 6 OJ D2 29.5# Barras apiladas con multiples grupos
ggplot(data=df2, aes(x=dose, y=len, fill=supp)) + geom_bar(stat="identity")
# Use position=position_dodge()
ggplot(data=df2, aes(x=dose, y=len, fill=supp)) +
geom_bar(stat="identity", position=position_dodge())
# etiquetas dentro del grafico
ggplot(data=df2, aes(x=dose, y=len, fill=supp)) +
geom_bar(stat="identity", position=position_dodge())+
geom_text(aes(label=len), vjust=1.6, color="white",
position = position_dodge(0.9), size=3.5)+
scale_fill_brewer(palette="Paired")+
theme_minimal()
Wordcloud
Una nube de palabras (o nube de etiquetas) es una representación visual de datos de texto. Las etiquetas suelen ser de una sola palabra, y la importancia de cada etiqueta se muestra con el tamaño o color de la fuente. En R, dos paquetes permiten crear nubes de palabras: Wordcloud y Wordcloud2.
Las nubes de palabras son útiles para percibir rápidamente los términos más prominentes. Son ampliamente utilizadas en los medios de comunicación y bien comprendidas por el público.
library(wordcloud)## Loading required package: RColorBrewer# Crear una lista de palabras (Random words concerning my work)
a <- c("Cereal","WSSMV","SBCMV","Experimentation","Talk","Conference","Writing",
"Publication","Analysis","Bioinformatics","Science","Statistics","Data",
"Programming","Wheat","Virus","Genotyping","Work","Fun","Surfing","R", "R",
"Data-Viz","Python","Linux","Programming","Graph Gallery","Biologie", "Resistance",
"Computing","Data-Science","Reproductible","GitHub","Script")
#I give a frequency to each word of this list
b <- sample(seq(0,1,0.01) , length(a) , replace=TRUE)
#The package will automatically make the wordcloud ! (I add a black background)
par(bg="black")
wordcloud(a , b , col=terrain.colors(length(a) , alpha=0.9) , rot.per=0.3 )## Warning in wordcloud(a, b, col = terrain.colors(length(a), alpha = 0.9), :
## Conference could not be fit on page. It will not be plotted.## Warning in wordcloud(a, b, col = terrain.colors(length(a), alpha = 0.9), :
## Surfing could not be fit on page. It will not be plotted.
Evolución
line plot, Area, Stacked area, Streamchart, Time series
line plot
# Libraries
library(ggplot2)
library(dplyr)
#library(hrbrthemes)
# Load dataset from github
data <- read.table("https://raw.githubusercontent.com/holtzy/data_to_viz/master/Example_dataset/3_TwoNumOrdered.csv", header=T)
data$date <- as.Date(data$date)
# Plot
data %>%
tail(10) %>%
ggplot( aes(x=date, y=value)) +
geom_line( color="grey") +
geom_point(shape=21, color="black", fill="#69b3a2", size=4) +
ggtitle("Evolution of bitcoin price")
# Libraries
library(ggplot2)
library(babynames) # dataset: a dataframe called babynames
library(dplyr)
library(viridis)## Loading required package: viridisLite# Keep only 3 names
don <- babynames %>%
filter(name %in% c("Ashley", "Patricia", "Helen")) %>%
filter(sex=="F")
# Plot nombres mas populares en U.S.
don %>%
ggplot( aes(x=year, y=n, group=name, color=name)) +
geom_line() +
scale_color_viridis(discrete = TRUE) +
ggtitle("Popularity of American names in the previous 30 years") +
ylab("Number of babies born")
Time serie
Las series temporales tienen por objeto estudiar la evolución de una o varias variables a lo largo del tiempo. Esta sección da ejemplos usando R. Se hace un enfoque en “tidyverse”: el paquete de “lubridate” es de hecho su mejor amigo para tratar con el formato de fecha, y “ggplot2” permite trazarlo eficientemente. El paquete de “dygraphs” también se considera para construir gráficos interactivos impresionantes.
# Libraries
library(ggplot2)
library(dplyr)
# Dummy data
data <- data.frame(
day = as.Date("2017-06-14") - 0:364,
value = runif(365) + seq(-140, 224)^2 / 10000
)
# Most basic bubble plot
p <- ggplot(data, aes(x=day, y=value)) +
geom_line() +
xlab("")
p
# Libraries
library(ggplot2)
library(dplyr)
#library(hrbrthemes)
# Dummy data
data <- data.frame(
day = as.Date("2017-06-14") - 0:364,
value = runif(365) + seq(-140, 224)^2 / 10000
)
# Most basic bubble plot
p <- ggplot(data, aes(x=day, y=value)) +
geom_line( color="steelblue") +
geom_point() +
xlab("") +
theme(axis.text.x=element_text(angle=60, hjust=1)) +
scale_x_date(limit=c(as.Date("2017-01-01"),as.Date("2017-02-11"))) +
ylim(0,1.5)
p## Warning: Removed 323 rows containing missing values (`geom_line()`).## Warning: Removed 323 rows containing missing values (`geom_point()`).
library(ggplot2)
library(dplyr)
library(plotly)##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layout# Load dataset from github
data <- read.table("https://raw.githubusercontent.com/holtzy/data_to_viz/master/Example_dataset/3_TwoNumOrdered.csv", header=T)
data$date <- as.Date(data$date)
# plot
data %>%
ggplot( aes(x=date, y=value)) +
geom_line(color="#69b3a2") +
ylim(0,22000) +
annotate(geom="text", x=as.Date("2017-01-01"), y=20089,
label="Bitcoin price reached 20k $\nat the end of 2017") +
annotate(geom="point", x=as.Date("2017-12-17"), y=20089, size=10, shape=21, fill="transparent") +
geom_hline(yintercept=5000, color="orange", size=.5)