1 PresentaciĂłn

El presente documento contiene el solucionario al ejercicio 3.8.1 del libro de R for Data Science de Hadley Wickham y Garrett Grolemund en su versión en español.

Este documento se realiza con fines académicos para el curso de Técnicas de Exploración de Datos de la carrera de Estadística e Informática de la Universidad Nacional Agraria La Molina de Lima, Perú.

2 Ajustes de posiciĂłn

Hay una pieza más de magia asociada con los gráficos de barras. Puedes colorear un gráfico de barras usando tanto la estética de color como la más útil fill(relleno):

ggplot(data = diamantes) +
  geom_bar(mapping = aes(x = corte, colour = corte))

ggplot(data = diamantes) +
  geom_bar(mapping = aes(x = corte, fill = corte))

Mira lo que sucede si asignas la estética de relleno (fill) a otra variable, como claridad: las barras se apilan automáticamente. Cada rectángulo de color representa una combinación de corte y claridad.

ggplot(data = diamantes) +
  geom_bar(mapping = aes(x = corte, fill = claridad))

El apilamiento se realiza automáticamente mediante el ajuste de posición especificado por el argumento position. Si no deseas un gráfico de barras apiladas ("stack"), uedes usar una de las otras tres opciones: "identity", "dodge" o "fill".

  • position = "identity" colocará cada objeto exactamente donde cae en el contexto del gráfico. Esto no es muy Ăştil al momento de graficar barras, ya que las superpone. Para ver esa superposiciĂłn, debemos hacer que las barras sean ligeramente transparentes configurando el alpha a un valor pequeño, o completamente transparente al establecer fill = NA.
ggplot(data = diamantes, mapping = aes(x = corte, fill = claridad)) +
  geom_bar(alpha = 1/5, position = "identity")

ggplot(data = diamantes, mapping = aes(x = corte, colour = claridad)) +
  geom_bar(fill = NA, position = "identity")

El ajuste de position = identity es más útil para geoms 2D, como puntos, donde es la opción predeterminada.

  • position = "fill" funciona como el apilamiento de position = "stack", pero hace que cada conjunto de barras apiladas tenga la misma altura. Esto hace que sea más fácil comparar proporciones entre grupos.
ggplot(data = diamantes) +
  geom_bar(mapping = aes(x = corte, fill = claridad), position = "fill")

  • position = "dodge" coloca los objetos superpuestos uno al lado del otro. Esto hace que sea más fácil comparar valores individuales.
ggplot(data = diamantes) +
  geom_bar(mapping = aes(x = corte, fill = claridad), position = "dodge")

Hay otro tipo de ajuste que no es útil para gráficos de barras, pero que puede ser muy útil para diagramas de dispersión. Recuerda nuestro primer diagrama de dispersión. ¿Notaste que mostraba solo 126 puntos, a pesar de que hay 234 observaciones en el conjunto de datos?

Los valores de las variables autopista y cilindrada se redondean de modo que los puntos aparecen en una cuadrícula y muchos se superponen entre sí. Este problema se conoce como solapamiento (overplotting). Esta disposición hace que sea difícil ver dónde está la masa de datos. ¿Los puntos de datos se distribuyen equitativamente a lo largo de la gráfica, o hay una combinación especial de autopista y cilindrada que contiene 109 valores?

Puedes evitar esto estableciendo el ajuste de posición en “jitter”. position = "jitter" agrega una pequeña cantidad de ruido aleatorio a cada punto. Esto dispersa los puntos, ya que es poco probable que dos puntos reciban la misma cantidad de ruido aleatorio.

ggplot(data = millas) +
  geom_point(mapping = aes(x = cilindrada, y = autopista), position = "jitter")

Agregar aleatoriedad a los puntos puede parecer una forma extraña de mejorar tu gráfico. Si bien hace que sea menos preciso a escalas pequeñas, lo hace ser más revelador a gran escala. Como esta es una operación tan útil, ggplot2 incluye una abreviatura de geom_point(position = "jitter"): geom_jitter().

3 Ejercicios

3.1 ¿Cuál es el problema con este gráfico?¿Cómo podrías mejorarlo?

ggplot(data = millas, mapping = aes(x = ciudad, y = autopista)) +
  geom_point()

RESPUESTA:

El problema del gráfico es que no es posible detectar todos los datos debido al hecho de estar superpuestos unos sobre otros.

Lo mejoraría cambiando la función geom_point por geom_jitter para generar dispersión y que se vea con un poco más de precisión la cantidad real de datos en el gráfico. Adicional a ello le agregaría color con otra variable, para tener mayor claridad y el parámetro alpha().

  • OpciĂłn 1:
ggplot(data = millas, mapping = aes(x = ciudad, y = autopista, color=cilindros)) +
  geom_jitter(alpha= 0.5, show.legend = TRUE)

  • OpciĂłn 2:
ggplot(data = millas, mapping = aes(x = ciudad, y = autopista, color=fabricante)) +
  geom_jitter( alpha= 0.5, show.legend = TRUE)

3.2 ¿Qué parámetros de geom_jitter() controlan la cantidad de ruido?

RESPUESTA: Los parámetros width y height, mientras mayor valor tengan, se verá mayor cantidad de ruido aleatorio.

ggplot(data = millas, mapping = aes(x = ciudad, y = autopista, color=fabricante)) +
  geom_jitter(width = 0.1, height = 0.1, alpha= 0.5, show.legend = TRUE)

ggplot(data = millas, mapping = aes(x = ciudad, y = autopista, color=fabricante)) +
  geom_jitter(width = 0.9, height = 0.9, alpha= 0.5, show.legend = TRUE)

3.3 Compara y contrasta geom_jitter() con geom_count()

RESPUESTA:

 ggplot(data = millas, mapping = aes(x = ciudad, y = autopista, color=fabricante)) +
  geom_count()

 ggplot(data = millas, mapping = aes(x = ciudad, y = autopista, color=fabricante)) +
  geom_jitter()

Con geom_count podemos encontrar la diferencia en la cantidad de datos debido al volumen de los puntos en el gráfico, teniendo el mismo orden que geom_point. En cambio, con geom_jitter, la diferencia es debido a la cantidad de puntos en la gráfica.

3.4 ¿Cuál es el ajuste de posición predeterminado de geom_boxplot() ? Crea una visualización del conjunto de datos de millas que lo demuestre.

RESPUESTA: El valor predeterminado para geom_boxplot() es position = "dodge"

 ggplot(data = millas, mapping = aes(x = clase, y = autopista)) +
  geom_point()

 ggplot(data = millas, mapping = aes(x = clase, y = autopista)) +
  geom_boxplot()

 ggplot(data = millas, mapping = aes(x = clase, y = autopista)) +
  geom_boxplot(position = "dodge")