Isaac VM 2024-01-24
ggplot2 es un paquete de R para producir gráficos elegantes. A diferencia de muchos otros paquetes, ggplot2 se rige bajo la gramática de las gráficas, que nos permite crear gráficos combinando varios elementos independientes. ggplot2 está diseñado para trabajar de manera iterativa, es decir, inicias con una capa en la que muestras los datos crudos, a la que después se le irán sumando otras capas como anotaciones, estadísticos, etc.
Todas las gráficas están compuestas por datos, la información que nos interesa visualizar. Estos datos están mapeados a atributos estéticos de la gráfica. Hay cinco componentes a los que se pueden mapear nuestros datos:
Capas (layer): Son una colección de elementos geométricos (geom) y transformaciones estadísticas (stat). Los elementos geométricos representan lo que realmente vemos en la gráfica (puntos, líneas, póligonos, etc.), mientras que las transformaciones estadísticas hacen resumenes estadísticos de nuestros datos como contar y agrupar datos al hacer un histograma.
Escalas (scales): Mapean el valor de los datos de manera estética y espacial en la gráfica. Esto incluye el uso de colores, formas o tamaño. Las escalas también dibujan los ejes y las leyendas, lo que ayuda a entender la gráfica.
Coordenadas (coord): Mapean el valor de los datos en el plano de la gráfica, también proporciona ejes y una gradilla para ayudar a leer la gráfica. Normalmente se utiliza el sistema de coordenadas cardinales pero también se pueden usar otros como las coordenadas polares o proyecciones de mapas.
Facetas (facet): Especifica como separar y visualizar los datos en subconjuntos.
Tema (theme): Controla detalles en específico de la gráfica, como el tamaño de fuente y el color del fondo
Hay cuatro partes principales para crear una gráfica básica de ggplot:
ggplot()datageom_*aes()ggplot()Es la función principal cada vez que queramos graficar algo la llamaremos y casi todo se construye a partir de esta función.
dataDentro de la función ggplot(), el primer parámatreo es
data. Se utiliza para especificar los datos que queremos
graficar, usualmente contenidos en un objeto
data.frame.
geom_*Objetos geométricos que representan los datos que estamos visualizando. Es más fácil pensar como si fueran “tipos de gráficas”, ejemplos:
geom_bar()geom_line()geom_hist()Es importante mencionar que las geometrías tienen atributos como:
Estos atributos son los que mapean los datos que queremos visualizar
con el “tipo de gráfica” y esto se hace a través de la función
aes()
aes()La función aes() permite mapear las variables de
nuestros datos con los atributos de las geometrías. Ejemplo, si queremos
hacer una gráfica de líneas, necesitamos indicar las coordenadas (x, y)
para cada punto de la línea por lo que en nuestra función
aes(x = variable1, y = variable2) debemos indicar las
variables de interés.
Como se mencionó anteriormente, los atributos (color, forma, etc.) se pueden mapear hacía las variables, no solamente su posición.
Vamos a estudiar algunos ejemplos. Carguemos las librerías necesarias
Trabajaremos algunos ejemplos con el dataset iris. Este
dataset consiste en 50 muestras de tres especies de Iris
Se midieron cuatro características:
El dataset se encuentra cargado por defecto en R por lo que no es necesario cargar ningún archivo. Siempre es importante conocer nuestros datos y como está estructurada la información por lo que adelante se presentan unos ejemplos de funciones básicas para explorar un dataset.
# ver el dataset en una pestaña de Rstudio a parte
View(iris)
# head imprime las primeras filas de un dataframe
head(iris)## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 145 6.7 3.3 5.7 2.5 virginica
## 146 6.7 3.0 5.2 2.3 virginica
## 147 6.3 2.5 5.0 1.9 virginica
## 148 6.5 3.0 5.2 2.0 virginica
## 149 6.2 3.4 5.4 2.3 virginica
## 150 5.9 3.0 5.1 1.8 virginica## [1] "Sepal.Length" "Sepal.Width" "Petal.Length" "Petal.Width" "Species"## 'data.frame': 150 obs. of 5 variables:
## $ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
## $ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
## $ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
## $ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
## $ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...El dataset iris se encuentra almacenado en un
data.frame, el cual contiene cinco columnas (variables) y
150 filas (observaciones). Las primeras cuatro columnas son
Sepal.Length, Sepal.Width,
Petal.Length, Petal.Width y contienen valores
númericos (num) mientras que la quinta columna,
Species, contiene caracteres en forma de factores
(Factor) que indican a que especie pertenece cada
observación.
## Sepal.Length Sepal.Width Petal.Length Petal.Width
## Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100
## 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300
## Median :5.800 Median :3.000 Median :4.350 Median :1.300
## Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199
## 3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800
## Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500
## Species
## setosa :50
## versicolor:50
## virginica :50
##
##
## La función summary() nos brinda un resumen esdístico
sencillo de cada una de las variables, de aquí podemos corroborar que
hay 50 observaciones por cada especie.
Sirve para identificar si hay correlación entre dos variables. ¿Habrá alguna correlación entre la longitud y el ancho del sépalo?
De esta gráfica podemos observar como es que se mapearon los valores
de Sepal.Length en el eje x mientras que los valores de
Sepal.Width fueron mapeados al eje y. Cada punto representa
una observación. De manera visual podemos notar que se forman dos
agrupaciones de puntos. ¿Será que las agrupaciones corresponden a
diferentes especies de Iris?
Podemos mapear el color de los puntos a nuestra columna
Species y averiguar esta pregunta de manera sencilla.
# Mapear el color a la columna Species
ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = Species)) +
geom_point()
Ahora podemos observar que el primer grupo de datos corresponde a Iris versicolor mientras que el segundo grupo de datos corresponde a las otras dos especies. Si bien el primer grupo se separa claramente, el segundo grupo no se logra separar completamente. ¿Se separará si comparamos los pétalos?
# Mapear el color a la columna Species
ggplot(iris, aes(Petal.Length, Petal.Width, color = Species)) +
geom_point()
De
igual manera se separan dos grupos de puntos, en el primero los datos de
Iris versicolor y en el segundo las otras dos especies, en esta
ocasión ya casi no presentan sobrelapes los puntos.
Otro aspecto interesante es que en el caso de los pétalos, parece que
hay una correlación linear entre su longitud y su ancho sin importar la
especie. Naturalmente, esto también se puede visualizar con
ggplot2.
ggplot(iris, aes(Petal.Length, Petal.Width)) +
geom_point(aes(color = Species)) +
geom_smooth(method = "lm")## `geom_smooth()` using formula = 'y ~ x'
Normalmente, también se agrega el valor de la correlación en la gráfica.
## [1] 0.9628654# lo agregamos en ggplot2
ggplot(iris, aes(Petal.Length, Petal.Width)) +
geom_point(aes(color = Species)) +
geom_smooth(method = "lm") +
annotate("text", x = 5, y = 0.5, label = "r = 0.96")## `geom_smooth()` using formula = 'y ~ x'
Representa la distribución de una variable. Hagamos un histograma con nuestros datos:
# Histograma para Sepal.Length
ggplot(data = iris, mapping = aes(x = Petal.Length)) +
geom_histogram()## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
# Cambiar el ancho de los "bins"
ggplot(data = iris, mapping = aes(x = Petal.Length)) +
geom_histogram(binwidth = 0.1)
# Mapear el color por especies
ggplot(data = iris, mapping = aes(x = Petal.Length, fill = Species)) +
geom_histogram()## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
En la gráfica anterior podemos observar que la región en donde
coinciden dos especies, las columnas están apiladas por lo que la
distribución por especie no se aprecia de manera correcta. Dentro del
llamado geom_histogram() podemos agregar el parámetro
position = "identity" que lo que hace es dejar la posición
de los datos sin “modificarla”.
# Sobrelapar los histogramas
ggplot(data = iris, mapping = aes(x = Petal.Length, fill = Species, color = Species)) +
geom_histogram(position = "identity", alpha = 0.5)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Representa la distribución de una variable numérica, se podría decir
que es una versíon teórica de un histograma, donde el ancho de los
“bins” tiende a cero mientras que el número de observaciones tiende al
infinito. Hay que notar que el eje y en el histograma
representa el # de observaciones mientras que en el gráfico de densidad
se representa, como su nombre lo indica, la densidad.
Hasta el momento sólo hemos usado un geom_* por gráfica,
pero se pueden usar más de uno, cada capa que se agregue a la gráfica se
ira sobreponiendo a la anterior. De esta manera podemos crear un
histograma y un gráfico de densidad y comporar como se alinean
estos.
ggplot(iris, aes(Petal.Length, fill = Species, color = Species)) +
geom_histogram(aes(y = ..density..), position = "identity", alpha = 0.5) +
geom_density(alpha = 0.6)## 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.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
El gráfico de barras representa valores de diferentes variables
categóricas. En ggplot2 hay dos formas de hacer gráficos de
barras, usando geom_col() y geom_bar(). Si se
quiere representar el valor exacto de los datos se sugiere usar
geom_col() mientras que si se quieren hacer
transformaciones estadísticas (contar por defecto), se utilizará
geom_bar().
Para estos gráficos usaremos el dataset PlantGrowth que
consiste en los resultados de un experimento que compara el peso seco de
plantas tratadas con dos diferentes tratamientos y un control.
## weight group
## 1 4.17 ctrl
## 2 5.58 ctrl
## 3 5.18 ctrl
## 4 6.11 ctrl
## 5 4.50 ctrl
## 6 4.61 ctrl
# Resumen estadístico usando geom_bar()
ggplot(PlantGrowth, aes(group, weight)) +
geom_bar(stat = "summary", fun = "mean")
# Resumen estadístico usando stat_summary()
ggplot(PlantGrowth, aes(group, weight)) +
stat_summary(geom = "bar", fun = "mean")
Aunque se puede trabajar usando el dataset “crudo”, es conveniente crear un resumen estadístico y crear nuestras gráficas a partir de ese resumen.
Para crear este resumen usaremos funciones de la librería
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, union# Crear resumen estadístico
plant_growth_ss <- PlantGrowth %>%
group_by(group) %>%
summarise(mean = mean(weight),
sd = sd(weight))
head(plant_growth_ss)## # A tibble: 3 × 3
## group mean sd
## <fct> <dbl> <dbl>
## 1 ctrl 5.03 0.583
## 2 trt1 4.66 0.794
## 3 trt2 5.53 0.443Con esta información ahora se puede crear una gráfica con sus respectivas barras de error.
# Barras de error
ggplot(plant_growth_ss, aes(group, mean)) +
geom_bar(stat = "identity") +
geom_errorbar(aes(ymin = mean - sd, ymax = mean + sd), width = 0.2)
Veamos otro ejemplo con el data set ToothGrowth y
aprovechemos para ir conociendo otras capas de ggplot2 e ir
“embelleciendo” nuestra gráfica.
## 'data.frame': 60 obs. of 3 variables:
## $ len : num 4.2 11.5 7.3 5.8 6.4 10 11.2 11.2 5.2 7 ...
## $ supp: Factor w/ 2 levels "OJ","VC": 2 2 2 2 2 2 2 2 2 2 ...
## $ dose: num 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 ...# Creamos un resumen estadístico
tooth_growth_ss <- ToothGrowth %>%
mutate(dose = factor(dose)) %>%
group_by(supp, dose) %>%
summarise(mean = mean(len),
sd = sd(len))## `summarise()` has grouped output by 'supp'. You can override using the
## `.groups` argument.## # A tibble: 6 × 4
## # Groups: supp [2]
## supp dose mean sd
## <fct> <fct> <dbl> <dbl>
## 1 OJ 0.5 13.2 4.46
## 2 OJ 1 22.7 3.91
## 3 OJ 2 26.1 2.66
## 4 VC 0.5 7.98 2.75
## 5 VC 1 16.8 2.52
## 6 VC 2 26.1 4.80# Creamos nuestro gráfico
ggplot(tooth_growth_ss, aes(dose, mean, fill = supp)) +
geom_bar(stat = "identity",
position = "dodge",
color = "black") +
geom_errorbar(aes(ymin = mean - sd, ymax = mean + sd),
width = 0.2,
position = position_dodge(0.9)) +
scale_fill_grey() +
scale_y_continuous(expand = expansion(mult = c(0, 0.1))) + # Quitar espacio entre el eje x y las barras
labs(title = "Vitamin C on effect on tooth growth in guinea pigs",
x = "Dose (mg)",
y = "Length",
fill = "Supplement") +
theme_classic()