3R4EDI: La importancia de los detalles
Mariluz Congosto
2023-10-17
Las gráficas son comunicación. Para comunicar es imprescindible facilitar la comprensión de la gráfica, evitando esfuerzos para su interpretación. Eso lo han entendido muy bien algunos periódicos, pero aún están lejos de entenderlo los científicos, las televisiones y sobretodo la Administración Pública.
La teoría de la visualización nos dice que se debe tender al minimalismo y evitar representar datos irrelevantes, que los fondos deben ser claros, evitar el 3D. En resumen, usar poca tinta.
Como dice Tufte:
“La excelencia gráfica es la que le da al espectador el mayor número de ideas en el menor tiempo posible con la menor cantidad de tinta en el espacio más pequeño”
La pandemia del covid supuso un enorme esfuerzo de comunicación para dar conocer la situación mediante gráficas. Fue un momento en el que, por un lado, existía mucha demanda de este tipo de información y por otro, no se estuvo a la altura en todos los casos de ofrecerla adecuadamente.
Esta gráfica es un ejemplo de mala comunicación visual: fechas en vertical apelotonadas, gráfica de doble escala en la que una variable tapa a la otra. Lo único que se puede observar son las olas y su magnitud. El resto de la información no ayuda, a pesar de lo detallado de las fechas.
No es fácil llegar al equilibrio entre minimalismo y detalle de una manera objetiva. Las visualizaciones están sujetas a distintas percepciones y por supuesto a distintas preferencias. Sin embargo, si que existen unos mínimos que están aceptados por los especialistas en visualización y que la librería ggplot ofrece de manera estándard. No obstante, estas librerías ofrecen una enorme cantidad de recursos para la personalización de las gráficas.
Vamos a ver con un ejemplo sencillo, cómo dar forma a una gráfica desde la visualización básica de ggplot hasta una personalización detallada de la misma. Los datos que usaremos serán los de desempleo que ofrece el INE.
Librerías
if (!"tidyverse" %in% installed.packages()) {install.packages("tidyverse")}
if (!"scales" %in% installed.packages()) {install.packages("scales")}
if (!"ggrepel" %in% installed.packages()) {install.packages("ggrepel")}
if (!"ggtext" %in% installed.packages()) {install.packages("ggh4x")}
library("tidyverse") # Suit completa
library("scales") # Formato de las escalas
library("ggrepel") # Para etiquetas
library("ggtext") # Dar color a los textos enriquecidosColores
Los colores se definen como constantes para facilitar su ajuste en una sola casilla
COLOR_HOMBRES <- "#0a7ea7"
COLOR_MUJERES <- "#a75ae0"
COLOR_TEXTO <- "#5a5856"
COLOR_MEDIA <- "#5a5856"
COLOR_PP <- "#05d4f9"
COLOR_PSOE <- "#ff0000"Datos
Un ejemplo sencillo, los datos del paro, diponibles aqui
El INE ofrece los datos en un formato “a lo largo” que consiste en minimizar el número de columnas, haciendo que cada columna tenga distintos atributos. En este caso los datos están agregados en distintos niveles
Sexo: Ambos sexos, Mujeres y Hombres
Comunidades y Ciudades Autónomas: Total Nacional y por autonomías
Edad: Total y por franjas de edad
Para cada agregación se ofrece
Periodo: el trimestre en formato YYYYTn
Total: el ratio
# Descargar los datos del paro (tabla 4247)
# Son datos a lo largo
url_4247 <- "https://www.ine.es/jaxiT3/files/t/es/csv_bdsc/4247.csv?nocab=1"
datos <- read_csv2(url_4247, na = c(".."), show_col_types = FALSE) # Leemos y quitamos los valores nulos
head (datos)## # A tibble: 6 × 5
## Sexo `Comunidades y Ciudades Autónomas` Edad Periodo Total
## <chr> <chr> <chr> <chr> <dbl>
## 1 Ambos sexos Total Nacional Total 2023T2 11.6
## 2 Ambos sexos Total Nacional Total 2023T1 13.3
## 3 Ambos sexos Total Nacional Total 2022T4 12.9
## 4 Ambos sexos Total Nacional Total 2022T3 12.7
## 5 Ambos sexos Total Nacional Total 2022T2 12.5
## 6 Ambos sexos Total Nacional Total 2022T1 13.6Adaptar datos
Estos datos son incómodos de usar y se adaptan para facilitar su manejo.
Cambiar el nombre de la columna “Comunidades y Ciudades Autónomas” por “ccaa”
Convertir en fecha el formato año-trimestre
paro <- datos %>%
rename (ccaa= `Comunidades y Ciudades Autónomas`) %>% # cambiar de nombre de variable por comodidad
separate(Periodo, c("year", "quarter"), sep="T") %>% # Separar trimestre de año
mutate (fecha =
ifelse (quarter == "4",
paste0(year, "-", as.integer(quarter) * 3, "-30"),
paste0(year, "-0" ,as.integer(quarter) * 3, "-30"))) # Generar la fecha
paro$fecha <- as.Date (paro$fecha, format= "%Y-%m-%d") # Aplicar tipo fecha
head (paro)## # A tibble: 6 × 7
## Sexo ccaa Edad year quarter Total fecha
## <chr> <chr> <chr> <chr> <chr> <dbl> <date>
## 1 Ambos sexos Total Nacional Total 2023 2 11.6 2023-06-30
## 2 Ambos sexos Total Nacional Total 2023 1 13.3 2023-03-30
## 3 Ambos sexos Total Nacional Total 2022 4 12.9 2022-12-30
## 4 Ambos sexos Total Nacional Total 2022 3 12.7 2022-09-30
## 5 Ambos sexos Total Nacional Total 2022 2 12.5 2022-06-30
## 6 Ambos sexos Total Nacional Total 2022 1 13.6 2022-03-30Gráficas
Se va a representar en un line chart la evolución del paro desde el 2002 hasta el momento actual, segregado por sexo. Se usará la agregación por Hombres y Mujeres sobre el total nacional y el total por edad.
Filtrar datos
Para la gráfica que se va a realizar sobre la se necesitan los datos agregados por sexo, por total nacional y el total por edad
# filtrar los datos
paro_sexo <- paro %>%
filter(
Sexo != "Ambos sexos" &
ccaa == "Total Nacional" &
Edad == "Total"
)
head(paro_sexo)## # A tibble: 6 × 7
## Sexo ccaa Edad year quarter Total fecha
## <chr> <chr> <chr> <chr> <chr> <dbl> <date>
## 1 Hombres Total Nacional Total 2023 2 10.2 2023-06-30
## 2 Hombres Total Nacional Total 2023 1 11.6 2023-03-30
## 3 Hombres Total Nacional Total 2022 4 11.3 2022-12-30
## 4 Hombres Total Nacional Total 2022 3 10.7 2022-09-30
## 5 Hombres Total Nacional Total 2022 2 11.0 2022-06-30
## 6 Hombres Total Nacional Total 2022 1 12.0 2022-03-30Gráfica por defecto
Con estos datos, indicando que en el eje x esta la variable fecha y en el eje y el ratio y que segregue por sexo, tan solo hay que escribir dos líneas.
El resultado es una gráfica dentro de los cánones, pero que al verla no sabemos de qué se trata.
ggplot(paro_sexo, aes(x = fecha, y = Total, color = Sexo)) +
geom_step()
Detalles: fase 1
En esta fase se le va a añadir contexto añadiendo el título principal, el de los ejes, el autor, la fuente de datos, particularizando el color de las variables y añadiendo las unidades al eje y.
color_sexo <- c(Hombres = COLOR_HOMBRES, Mujeres = COLOR_MUJERES) # Color para sexo
ggplot(paro_sexo, aes(x = fecha, y = Total, color = Sexo)) +
geom_step() +
scale_color_manual(values = color_sexo) +
scale_y_continuous (labels=scales::percent_format(scale = 1, accuracy = 1)) + # Escala en procentajes
labs(
x = "Trimestres",
y = "Tasa de paro",
title = "Evolución de la tasa de paro por sexo",
caption ="@congosto\nFuente: INE"
) 
Detalles: fase 2
En esta fase se va a mejorar el diseño de la gráfica. ggplot ofrece una variedad de temas para cambiar el aspecto estético, pero se pueden particularizar. Una buena opción es generar un tema propio, basado en el que más se ajuste a nuestras preferencias.
En este caso se va a particularizar:
Los colores del borde
La presencia de grids
La posición de la leyenda
La fuente y el color de los textos
El formato del título
La proporción del tamaño de las letras de cada uno de los componentes de la gráfica
Personalizar el tema
mi_tema <- function(
base_size = 11,
base_color = COLOR_TEXTO,
base_family = "sans"
)
{
tema <-
theme_bw(base_size=base_size, base_family = base_family) +
theme(
panel.border = element_rect(colour = base_color),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
plot.title = element_text(
size = base_size+3,
face = "bold",
color = base_color,
vjust = 1.25,
hjust = 0.5),
plot.subtitle = element_text(size=base_size + 3, color = base_color),
plot.caption = element_text(hjust = 1, size=base_size - 1, color = base_color),
legend.position ="top",
legend.text = element_text(size=base_size + 1),
text = element_text(size=base_size + 2, color = base_color),
axis.text.x = element_text(size=base_size-1, color = base_color),
axis.text.y = element_text(size=base_size-1, color = base_color),
axis.title.x = element_text(size=base_size + 2, vjust=0, color = base_color),
axis.title.y = element_text(size=base_size + 2, vjust=1.25, color = base_color),
strip.text = element_text(size=base_size, color = base_color),
strip.text.x = element_text(size=base_size, color = base_color),
strip.text.y = element_text(size=base_size, color = base_color),
)
return (tema)
}Aplicar el tema
Se aplica el tema invocando a la función del tema personalizado (mi_tema).
El resultado es una gráfica más limpia, más ancha y con la leyenda más fácil de leer.
color_sexo <- c(Hombres = COLOR_HOMBRES, Mujeres = COLOR_MUJERES) # Color para sexo
ggplot(paro_sexo, aes(x = fecha, y = Total, color = Sexo)) +
geom_step() +
scale_color_manual(values = color_sexo) +
scale_y_continuous(labels=scales::percent_format(scale = 1, accuracy = 1)) + # Escala en procentajes
labs(
x = "Trimestres",
y = "Tasa de paro",
title = "Evolución de la tasa de paro por sexo",
caption = "@congosto\nFuente: INE"
) +
mi_tema()
Detalles: fase 3
En esta fase se le añade más contexto a la gráfica. En este caso, el valor medio del paro para poder comparar como se acercan o desvían de la media según sexo.
Calcular media del paro por trimestre
La media se encuentra en los valores agredados por Ambos sexos, Total nacional y ToTal edad
### Calcular la media de la tasa del paro de España para cada trimestre
paro_media <- paro %>%
filter (Sexo == "Ambos sexos" &
ccaa == "Total Nacional" &
Edad == "Total")
head(paro_media)## # A tibble: 6 × 7
## Sexo ccaa Edad year quarter Total fecha
## <chr> <chr> <chr> <chr> <chr> <dbl> <date>
## 1 Ambos sexos Total Nacional Total 2023 2 11.6 2023-06-30
## 2 Ambos sexos Total Nacional Total 2023 1 13.3 2023-03-30
## 3 Ambos sexos Total Nacional Total 2022 4 12.9 2022-12-30
## 4 Ambos sexos Total Nacional Total 2022 3 12.7 2022-09-30
## 5 Ambos sexos Total Nacional Total 2022 2 12.5 2022-06-30
## 6 Ambos sexos Total Nacional Total 2022 1 13.6 2022-03-30Añadir la media a la gráfica
La media la representamos como una línea ancha de color gris, con transparencia para que no oculte las lineas segregadas por sexo.
color_sexo <- c(Hombres = COLOR_HOMBRES, Mujeres = COLOR_MUJERES) # Color para sexo
max_paro_sexo <- (max(n = 1, paro_sexo$Total)) # Se usa para ajustar los límites de la gráfica
ggplot()+
geom_step(data = paro_sexo, aes(x = fecha, y = Total, color = Sexo)) +
# Dibujar la media de España más reciente
geom_line(
data = paro_media,
aes(x = fecha, y = Total),
color = COLOR_MEDIA,
linewidth = 2,
alpha = 0.3) +
scale_y_continuous(labels = scales::percent_format(scale = 1, accuracy = 1L)) +
scale_color_manual(values = color_sexo) +
labs(
x = "Trimestres",
y = "Tasa de paro",
title = "Evolución de la tasa de paro por sexo",
caption = "@congosto\nFuente: INE"
) +
mi_tema()
Detalles: fase 4
En esta fase se aborda la anotación de magnitudes en la gráfica. No se pueden etiquetar todos los valores ya que sería ilegible y quedaría muy recargado. En su lugar, se van a seleccionar los valores iniciales y finales de la serie y el valor más alto.
Seleccionar elementos para anotaciones
El proceso de selección de valores se realizará tanto para la serie del paro desagregado por sexo como de la media.
Para la serie desagregada por sexo, se seleccionan los valores iniciales, finales y máximo
Para la serie de la media, se seleccionan el valor inicial y final
Adicionalmente, la anotación producirá efectos secundarios:
El valor máximo podría que dar muy pegado al borde superior de la gráfica. Habrá que dar más altura
Los valores iniciales y finales, quedarían muy pegados al borde izquierdo o derecho de la gráfica. Habrá que dar más anchura
Al darle más anchura pueden aparecer fechas que aún no existen. Se determinan las fechas visibles
Las etiquetas del inicio de la serie se deben alinear a la izquierda y las del final de la serie a la derecha. Habrá que calcular su alineación
# Seleccionar de las series, el más antiguo, el más reciente y el más alto
max_paro <- max(paro_sexo$Total) # Se usará para ajustar el eje y
min_fecha = min(paro_sexo$fecha) # Se usará para ensanchar el eje x
max_fecha = max(paro_sexo$fecha) # Se usará para ensanchar el eje x
fechas_visibles <- (seq (min_fecha, max_fecha, by = "3 years"))
anotacion_paro_sexo <- paro_sexo %>%
filter (
fecha == min_fecha |
fecha == max_fecha |
Total == max_paro
) %>%
mutate(texto = ifelse( fecha == max_fecha, Sexo, "" )) %>%
mutate(texto = ifelse( Total == max_paro, paste0(year, "T", quarter), texto )) %>%
mutate(alineación_x = ifelse( fecha == max_fecha, 365 * 2, -365)) %>%
mutate(alineación_x = ifelse( Total == max_paro, 0, alineación_x))
anotacion_paro_media <- paro_media %>%
filter (
fecha == min(fecha) |
fecha == max(fecha)
) %>%
mutate(texto = ifelse( fecha == max_fecha, "Media", "")) %>%
mutate(alineación_x = ifelse( fecha == max_fecha, 365 * 2, -365))
head(anotacion_paro_sexo)## # A tibble: 5 × 9
## Sexo ccaa Edad year quarter Total fecha texto alineación_x
## <chr> <chr> <chr> <chr> <chr> <dbl> <date> <chr> <dbl>
## 1 Hombres Total Nacional Total 2023 2 10.2 2023-06-30 "Hom… 730
## 2 Hombres Total Nacional Total 2002 1 8.36 2002-03-30 "" -365
## 3 Mujeres Total Nacional Total 2023 2 13.2 2023-06-30 "Muj… 730
## 4 Mujeres Total Nacional Total 2013 1 27.3 2013-03-30 "201… 0
## 5 Mujeres Total Nacional Total 2002 1 16.4 2002-03-30 "" -365Añadir anotaciones
Se utilizará ggrepel para etiquetar la gráfica. Esta librería es muy útil que tiene “cierta inteligencia” para colocar los textos sin que se solapen. No obstante, los ajustes son a veces difíciles. En este caso afortunadamente, no. Se le indicará las coordenadas, para situar la etiqueta (x, y), el tamaño (size) y el color del texto (color), la alineación (eje y), el desplazamiento respecto al eje x (nudge_x) y el desplazamiento respecto al eje y (nudge_y).
Se etiquetarán por separado la serie de desagregada por sexo y la de la media.
Se aplicarán los ajustes a los ejes:
x: ensanchando el eje un año por la izquierda y dos por la derecha, forzando a que solo salgan las fechas visibles
y: ampliando la altura de la gráfica un 10% del valor máximo del eje y
color_sexo <- c(Hombres = COLOR_HOMBRES, Mujeres = COLOR_MUJERES) # Color para sexo
# Seleccionar de la serie el más antiguo, el más alto y el más reciente
ggplot()+
geom_step(data = paro_sexo, aes(x = fecha, y = Total, color = Sexo)) +
# Dibujar la media de España más reciente
geom_line(
data = paro_media,
aes(x = fecha, y = Total),
color = COLOR_MEDIA,
linewidth = 2,
alpha = 0.3) +
# Anotar valores de la serie paro_sexo
geom_text_repel(
data = anotacion_paro_sexo,
aes(
x = fecha,
y = Total,
label = paste0(round(Total, 1), "% ", texto)
),
size = 3,
color = COLOR_TEXTO,
direction = "y",
nudge_x = anotacion_paro_sexo$alineación_x,
nudge_y = 1
) +
# Anotar valores de la media
geom_text_repel(
data = anotacion_paro_media,
aes(
x = fecha,
y = Total,
label = paste0(round(Total, 1), "% ", texto)
),
size = 3,
color = COLOR_TEXTO,
direction = "y",
nudge_x = anotacion_paro_media$alineación_x,
nudge_y = 1
) +
scale_y_continuous(
labels = scales::percent_format(scale = 1, accuracy = 1L),
limits = c(0, max_paro*1.1)) + # Se sube la altura para que quepa la anotación
scale_x_date(
limits = c(min_fecha - 365, max_fecha + (365*5)), # Ensanchamos eje x
breaks = fechas_visibles,
labels = date_format("%Y")
) +
scale_color_manual(values = color_sexo) +
labs(
x = "Trimestres",
y = "Tasa de paro",
title = "Evolución de la tasa de paro por sexo",
caption = "@congosto\nFuente: INE") +
mi_tema()
Detalles: fase 5
En este momento la gráfica muestra de forma detallada cómo evolucionó el paro por sexo, la diferencia entre el 2002 y la fecha actual y el punto de inflexión dónde comenzó a bajar. En esta fase se va a mejorar con el uso del color.
Integrando el título con la leyenda, añadiendo color en palabras claves dentro del título. Se utilizará la librería ggtext que permite enriquecer el texto.
Dar color a las etiquetas,
Eliminar la leyenda porque ya está en las anotaciones y en el texto del título
Eliminar los títulos de los ejes porque están en el título de la gráfica
El resultado es una gráfica menos formal (titulo, leyenda, títulos de los ejes), pero mucho más atractiva y concisa.
color_sexo <- c(Hombres = COLOR_HOMBRES, Mujeres = COLOR_MUJERES) # Color para sexo
# Seleccionar de la serie el más antiguo, el más alto y el más reciente
ggplot()+
geom_step(data = paro_sexo, aes(x = fecha, y = Total, color=Sexo)) +
# Dibujar la media de España más reciente
geom_line(
data = paro_media,
aes(x = fecha, y = Total),
color = COLOR_MEDIA,
linewidth = 2,
alpha = 0.3) +
# Anotar valores de la serie paro_sexo
geom_text_repel(
data = anotacion_paro_sexo,
aes(
x = fecha,
y = Total,
label = paste0(round(Total, 1), "% ", texto),
color = Sexo
),
size = 3,
direction = "y",
nudge_x = anotacion_paro_sexo$alineación_x,
nudge_y = 1
) +
# Anotar valores de la media
geom_text_repel(
data = anotacion_paro_media,
aes(
x = fecha,
y = Total,
label = paste0(round(Total, 1), "% ", texto)
),
size = 3,
color= COLOR_TEXTO,
direction = "y",
nudge_x = anotacion_paro_media$alineación_x,
nudge_y = 1
) +
scale_y_continuous(
labels = scales::percent_format(scale = 1, accuracy = 1L),
limits = c(0, max_paro*1.1)) + # Se sube la altura para que quepa la anotación
scale_x_date(
limits = c(min_fecha - 365, max_fecha + (365 * 5)), # Ensanchamos eje x
breaks = fechas_visibles,
labels = date_format("%Y")
) +
scale_color_manual(values = color_sexo) +
labs(
title = paste(
"Evolución de la tasa del paro por trimestres de<br><b style='color:",
COLOR_MUJERES,
";'>Mujeres</b> y <b style='color:",
COLOR_HOMBRES,
";'>Hombres</b>"
),
x = "",
y = "",
caption = "@congosto\nFuente: INE") +
guides(color = "none") + # Quitamos la leyenda
mi_tema() +
theme(plot.title = element_markdown())
Detalles: fase 6
Se podría dejar en la fase 5, pero obviando la regla de la poca tinta, se le puede añadir contexto sobre quién gobernaba en cada periodo.
Añadir contexto
Se construye un tibble con los datos de cada legislatura: legislatura, fecha de inicio, fecha de fin, presidente, partido del presidente.
Para que no quede muy sobrecargado, en vez de anotar en cada periodo el presidente, solo se anotará cuando es nuevo presidente entrante.
legislaturas <- c("VII", "VIII", "IX", "X", "XI", "XII", "XII", "XIII", "XIV")
inicio <-c("2002-01-01", "2004-04-18", "2008-04-18", "2011-12-20", "2015-12-20", "2016-07-19", "2018-06-07", "2019-04-18", "2020-01-28")
fin <-c("2004-04-18", "2008-04-18", "2011-12-20", "2015-12-20", "2016-07-19", "2018-06-07", "2019-04-18", "2020-01-28" , "2023-10-17")
presidentes <- c("Aznar", "Zapatero", "Zapatero", "Rajoy", "Rajoy", "Rajoy", "Sánchez", "Sánchez", "Sánchez")
partidos <- c("PP", "PSOE", "PSOE", "PP", "PP", "PP", "PSOE", "PSOE", "PSOE")
gobierno <- tibble(
"legislatura" = legislaturas,
"inicio" = inicio,
"fin" = fin,
"presidente" = presidentes,
"partido" = partidos
)
# Añadir los cambios de presidente
gobierno <- gobierno %>%
mutate(nuevo_presidente = presidente) %>%
mutate(nuevo_presidente = ifelse(lag (presidente ) != presidente, presidente, "")) %>%
mutate(nuevo_presidente = ifelse(is.na(nuevo_presidente), presidente, nuevo_presidente))
print(gobierno)## # A tibble: 9 × 6
## legislatura inicio fin presidente partido nuevo_presidente
## <chr> <chr> <chr> <chr> <chr> <chr>
## 1 VII 2002-01-01 2004-04-18 Aznar PP "Aznar"
## 2 VIII 2004-04-18 2008-04-18 Zapatero PSOE "Zapatero"
## 3 IX 2008-04-18 2011-12-20 Zapatero PSOE ""
## 4 X 2011-12-20 2015-12-20 Rajoy PP "Rajoy"
## 5 XI 2015-12-20 2016-07-19 Rajoy PP ""
## 6 XII 2016-07-19 2018-06-07 Rajoy PP ""
## 7 XII 2018-06-07 2019-04-18 Sánchez PSOE "Sánchez"
## 8 XIII 2019-04-18 2020-01-28 Sánchez PSOE ""
## 9 XIV 2020-01-28 2023-10-17 Sánchez PSOE ""Dibujar contexto
Este contexto se añade cambiando el fondo del color de la gráfica con geom_rect, según el color del partido gobernante en cada periodo. Para distinguir presidencias contiguas en periodos, se pinta de blanco los bordes de distintos bloques.
Se anotan los nombres de los presidentes, cuando hay cambios de presidencia.
Las leyendas se integran en el título mediante color.
color_sexo <- c(Hombres = COLOR_HOMBRES, Mujeres = COLOR_MUJERES) # Color para sexo
color_partidos <- c(PP = COLOR_PP, PSOE = COLOR_PSOE) # Color para partidos
# Seleccionar de la serie el más antiguo, el más alto y el más reciente
ggplot()+
geom_rect(
data = gobierno,
aes(
xmin = as.Date(inicio),
xmax = as.Date(fin),
ymin = 0,
ymax = Inf,
fill = partido),
color = "white",
alpha = .2
) +
geom_text(
data = gobierno,
aes(
x = as.Date(inicio) + (365 * 0.3),
y = 3,
label = nuevo_presidente,
),
hjust = 0,
color = COLOR_TEXTO
) +
geom_step(data = paro_sexo, aes(x = fecha, y = Total, color=Sexo)) +
# Dibujar la media de España más reciente
geom_line(
data = paro_media,
aes(x = fecha, y = Total),
color = COLOR_MEDIA,
linewidth = 2,
alpha = 0.3) +
# Anotar valores de la serie paro_sexo
geom_text_repel(
data = anotacion_paro_sexo,
aes(
x = fecha,
y = Total,
label = paste0(round(Total, 1), "% ", texto),
color = Sexo
),
size = 3,
direction = "y",
nudge_x = anotacion_paro_sexo$alineación_x,
nudge_y = 1
) +
# Anotar valores de la media
geom_text_repel(
data = anotacion_paro_media,
aes(
x = fecha,
y = Total,
label = paste0(round(Total, 1), "% ",texto)
),
size = 3,
color= COLOR_TEXTO,
direction = "y",
nudge_x = anotacion_paro_media$alineación_x,
nudge_y = 1
) +
scale_y_continuous(
labels = scales::percent_format(scale = 1, accuracy = 1L),
expand= c(0,0),
limits = c(0, max_paro * 1.1)) + # Se sube la altura para que quepa la anotación
scale_x_date(
limits = c(min_fecha - 365, max_fecha + (365 * 5)), # Ensanchamos eje x
breaks = fechas_visibles,
labels = date_format("%Y")
) +
scale_color_manual(values = color_sexo) +
scale_fill_manual(values = color_partidos) +
labs(
title = paste(
"Evolución de la tasa del paro por trimestres de<br><b style='color:",
COLOR_MUJERES,
";'>Mujeres</b> y <b style='color:",
COLOR_HOMBRES,
";'>Hombres</b>, según el partido del gobierno <b style='color:",
COLOR_PP,
";'>PP</b> o <b style='color:",
COLOR_PSOE,
";'>PSOE</b>"
),
x = "",
y = "",
caption = "@congosto\nFuente: INE") +
guides(color = "none") + # Quitamos la leyenda de hombres-mujeres
guides(fill = "none") + # Quitamos la leyenda de pp-psoe
mi_tema() +
theme(plot.title = element_markdown())
Ejemplos
Uso del etiquetado
Evolución de un boxplot usando etiquetado
Uso de color de fondo con información
Fondo para definir cuando se estaba en zona de riesgo en el covid-19.
Gráfico realizado por el Grupo de Investigación en Biología Computacional y Sistemas Complejos del Departamento de Física de UPC.
