Visualización de datos, manejo de colores en gráficos de proporción

Author

Gerardo Esteban, Gómez-Santiago

Published

January 26, 2024

Introducción

La visualización de datos es una habilidad cada vez más necesaria al momento de analizar, procesar y comunicar información, su relevancia ha crecido en ámbitos académicos y la mayor disponibilidad de todo tipo de datos la ha convertido en un área de interés para el sector público y privado.
Un gráfico bien hecho tiene efectos significativos en quien recibe el mensaje, evita confusiones en lo que se quiere transmitir y reduce la longitud del mensaje.

El objetivo de este tutorial es utilizar dos funcionalidades del ggplot al momento de manipular colores en gráficos de barras que reflejan proporciones, si bien el ejemplo puede parecer muy específico, es fácil de replicar al análisis de variables que puedan ser reagrupadas en supracategorias, el ejemplo con el que vamos a trabajar es la repuesta a la siguiente pregunta de la encuesta Latinobarometro 2023.

La lógica es simple, en lugar de utilizar un color diferente para cada una de las 5 categorías (para lo que requeriríamos 5 colores diferentes), podemos adjudicar el color rojo a las respuestas peor, el color azul a las respuestas neutras (Igual) y el color verde a las respuestas mejor y utilizar la intensidad de los colores para reflejar el grado de acuerdo.

El objetivo es pasar de este gráfico en el que se comparan las proporciones de respuesta entre México y Colombia:

Ha algo como esto:

Obtención y procesamiento de la base

La base que utilizamos para este ejemplo es una encuesta muy utilizada en estudios de ciencia política y opinión pública, para descargarla accede al link señalado en la parte superior derecha de este documento (Datos Latinobarometro) el cual te redirigirá a la página de Latinobarometro donde se encuentran los resultados de las encuestas en diferentes formatos. En este caso descargue la versión de Stata, lo único que debes hacer una vez descargado es extraer los archivos y asegurarte de que el documento Latinobarometro_2023_Esp_Stata_v1_0.dta se encuentre en tu directorio de trabajo.

Cargando la base a RStudio

Una vez tengas la base en tu directorio de trabajo, debemos cargarla a RStudio con el paquete haven, el cual permite cargar bases en formato .dta

rm(list = ls()) # Nos aseguramos de limpiar todo el ambiente de trabajo

library(haven) # Activamos el paquete 'haven' si es la primer vez que lo usas 
               # asegurate de instalarlo con el comando install.package("haven") 

base <- read_dta("Latinobarometro_2023_Esp_Stata_v1_0.dta")

Ya cargada nuestra base, debemos aplicar algunas transformaciones antes de generar el gráfico. Lo primero es filtrar por aquellos países que nos interesan, en este caso yo elegí a México y Colombia, la variable que tiene el identificador de los países es idenpa.
Para ver qué número corresponde a cada país ejecuta el siguiente comando:

unique(base$idenpa)

<labelled<double>[17]>: IDENPA PaÃs
 [1]  32  68  76 170 188 152 214 218 222 320 340 484 591 600 604 858 862

Labels:
 value                 label
    -5 No sabe / No contesta
    -4         No preguntada
    -3          No aplicable
    -2           No contesta
    -1               No sabe
    32             Argentina
    68               Bolivia
    76                Brasil
   152                 Chile
   170              Colombia
   188            Costa Rica
   214       Rep. Dominicana
   218               Ecuador
   222           El Salvador
   320             Guatemala
   340              Honduras
   484                Mexico
   558             Nicaragua
   591                Panama
   600              Paraguay
   604                  Peru
   724                Espana
   858               Uruguay
   862             Venezuela

Colombia tiene el código 170 y México el 484, con esos valores en mente aplicamos el filtro en una nueva base que se llame base_graph (lo del nombre es arbitrario, puedes ponerle el nombre que quieras), puedes usar el lenguaje matricial de R Base o a partir del paquete dplyr utilizar la función filter

library(tidyverse)

base_graph <- base[base$idenpa %in% c(170, 484), ] # Filtrado en R base

base_graph <- base %>% 
  filter(idenpa %in% c(170, 484))                  # Filtrado con la paqueteria dplyr de Tidyverse

La base filtrada debe tener una dimensión de 2400 filas por 274 variables.

Conteo de respuestas

Lo que graficamos son porcentajes, por ello debemos calcular en cada país el porcentaje de personas que contestó cada una de las posibles respuestas. El código para realizar dicho calculo se muestra a continuación

base_graph <- base_graph %>% 
  group_by(idenpa, P7ST) %>% # Primero agrupamos por país y por la pregunta que almacena la respuesta (P7ST)
  tally() %>%                # La función Tally nos da la frecuencia absoluta en una nueva columna de nombre 'n'
  filter(P7ST > 0) %>%       # Filtramos la No respuesta
  ungroup() %>%              # Desagrupamos para calcular los porcentajes o frecuencia relativa de cada país
  group_by(idenpa) %>%       # Agrupamos por país
  mutate(porcentaje = n/sum(n)) # Hacemos un calculo de proporción o de porcentaje

head(base_graph)           # Vemos las primeras 10 filas de la base transformada

# A tibble: 6 × 4
# Groups:   idenpa [2]
  idenpa          P7ST                  n porcentaje
  <dbl+lbl>       <dbl+lbl>         <int>      <dbl>
1 170 [ Colombia] 1 [Mucho mejor]     113     0.0976
2 170 [ Colombia] 2 [Un poco mejor]   290     0.250 
3 170 [ Colombia] 3 [Igual]           262     0.226 
4 170 [ Colombia] 4 [Un poco peor]    203     0.175 
5 170 [ Colombia] 5 [Mucho peor]      290     0.250 
6 484 [ Mexico]   1 [Mucho mejor]      54     0.0460

La base ahora tiene una dimensión de 10 filas por cuatro columnas (5 respuestas por cada uno de los dos países analizados) y en principio ya podríamos graficar, sin embargo, antes de eso debemos asegurarnos de que el gráfico respeto el orden subyacente de las respuestas. No queremos que Mucho mejor aparezca en medio de Mucho peor y Un poco peor. Además, el etiquetado es importante, como vemos en nuestra base solo tenemos números, por lo que tenemos que crear una variable que contenga las etiquetas y que adicionalmente contenga un orden. Para eso vamos a utilizar la función case_when con la cual generamos una etiqueta a partir de una condición lógica y la función factor con la cual convertimos la variable en una variable categórica con un orden específico.

Variable con etiqueta de respuesta

El siguiente código contiene las dos alternativas que puedes seguir para crear una variable que contenga la etiqueta de las respuestas a partir una evaluación lógica sobre la variable P7ST.

base_graph$respuesta <- case_when(                 # Alternativa en R Base
  base_graph$P7ST == 1~ "Mucho mejor",
  base_graph$P7ST == 2~ "Un poco mejor",
  base_graph$P7ST == 3~ "Igual",
  base_graph$P7ST == 4~ "Un poco peor",
  base_graph$P7ST == 5~ "Mucho peor")

base_graph <- base_graph %>% 
  mutate(respuesta = case_when(                 # Alternativa con Tidyverse
    P7ST == 1~ "Mucho mejor",
    P7ST == 2~ "Un poco mejor",
    P7ST == 3~ "Igual",
    P7ST == 4~ "Un poco peor",
    P7ST == 5~ "Mucho peor"))

Variable categórica con orden especifico

Cuando no se especifica un orden particular en una variable categórica, R organiza la variable de manera automática según el orden alfabético de la primera letra de cada valor posible, en este caso el orden que toma R seria “I, M y U”, esto no necesariamente es un problema, pero al momento de graficar, va a ordenar las barras de una forma difícil de interpretar como se ve en el siguiente gráfico. (No se preocupen por el código para generar el gráfico, en unos instantes analizaremos detalladamente el mismo)

base_graph %>% 
  ggplot(mapping = aes(x = idenpa, y = porcentaje, fill = respuesta)) +
  geom_col()

Aparecen intercaladas las respuestas Un poco mejor; Un poco peor y Mucho mejor; Mucho peor, lo cual es incómodo para el receptor del mensaje, por ello la importancia de establecer un orden a partir de la función factor.
Esta función recibe por argumentos un vector que contiene todos los valores posibles, en nuestro caso la variable recién creada respuesta, un argumento level en el cual debe indicarse el orden de la variable y un argumento label que en este caso puede ser omitido pero cuya función es asignar la etiqueta que le corresponde a cada nivel. El número de argumentos en level y label debe coincidir con el total de valores únicos contenidos en la variable a transformar.

base_graph$respuesta <- factor(base_graph$respuesta,
  levels = c("Mucho mejor",
             "Un poco mejor",
             "Igual",
             "Un poco peor",
             "Mucho peor"),
  labels = c("Mucho mejor",
             "Un poco mejor",
             "Igual",
             "Un poco peor",
             "Mucho peor"))

Realizada esta transformación, si volvemos a graficar ya no tenemos el solapamiento entre categorías divergentes, lo que permite interpretar el gráfico con mayor facilidad y concluir por ejemplo, que en Colombia la gente es mucho más pesimista respecto al comportamiento de la economía en los próximos 12 meses comparada con México.

base_graph %>% 
  ggplot(mapping = aes(x = idenpa, y = porcentaje, fill = respuesta)) +
  geom_col()

Detalles adicionales para empezar a graficar

La estructura general del gráfio ya esta, ahora solo necesitamos ajustar algunos detalles para alcanzar el gráfico objetivo presentado en la introducción.

Nombres de países

Lo primero son los nombres de los países, al momento de filtrar la base lo hicimos a partir de un número que identifica a cada país, pero en el gráfico es necesario que aparezca legible el nombre de los países. En el siguiente código se muestran dos alternativas para crear una variable con nombre país que contenga Colombia o México según corresponda.

base_graph$pais <- case_when(
  base_graph$idenpa == 170 ~ "Colombia",
  base_graph$idenpa == 484 ~ "México"
)

base_graph$pais <- ifelse(test = base_graph$idenpa == 170, 
                          yes = "Colombia", 
                          no = "México")

Variable de agregación superior

La variable que queremos graficar presenta grados y es posible recategorizarla en 3 alternativas:

Mejor: Un poco mejor o Mucho mejor
Peor: Un poco peor o Mucho peor
Igual: Igual

Debemos generar una variable que contenga esta información, es decir, que tenga el mismo valor según el listado anterior. La utilidad de ello está en reducir la cantidad de colores y utilizar el tono como una característica distintiva. Como la variable a partir de la cual creamos esta agregación tiene un orden especifico, es necesario que la variable agregada responda a la misma lógica de ordenamiento, por ello debemos utilizar nuevamente las funciones case_when y factor, en este caso las utilizare de manera simultánea para que se observen alternativas de uso.

base_graph$categoria <- factor(case_when(
  base_graph$respuesta == "Mucho mejor" ~ "Mejor",
  base_graph$respuesta == "Un poco mejor" ~ "Mejor",
  base_graph$respuesta == "Igual" ~ "Igual",
  base_graph$respuesta == "Un poco peor" ~ "Peor",
  base_graph$respuesta == "Mucho peor" ~ "Peor"),
  levels = c("Mejor", "Igual", "Peor"),
  labels = c("Mejor", "Igual", "Peor"))

Creación de etiquetas dentro del gráfico

Esto es opcional, creo que en esta ocasión resulta cómodo poner la etiqueta dentro de los recuadros en lugar de que aparezcan afuera del gráfico como lo hace el R por defecto. Para ello debemos crear el texto que queremos que aparezca dentro del gráfico.
Las funciones de texto de dplyr empiezan por str_ en este caso queremos pegar texto por lo que utilizaremos la función str_c, otra alternativa es utilizar la función paste, ambas tienen la misma estructura y se presentan a continuación

base_graph <- base_graph %>% 
  mutate(etiquetas = str_c(respuesta, 
                           round(porcentaje*100,1), 
                           "%", 
                           sep = " "))

base_graph$etiqueta_paste <- paste(base_graph$respuesta, 
                                   round(base_graph$porcentaje*100, 1), 
                                   "%", 
                                   sep = " ")


base_graph$etiquetas == base_graph$etiqueta_paste # Vemos que los resultados mediante ambas funciones son identicos

 [1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE

Gráfico con ggplot()

ggplot() es la función para gráficar de tidyverse, es sumamente flexible e intuitiva, si no entiendes al inicio no te abrumes, es cuestión de practica.
Esta función necesita una base de datos (un objeto tipo dataframe o tibble) y la asignación de características a partir de variables. Las características esenciales son los ejes (eje x o eje horizontal y eje y o eje vertical), despues podemos asignar características de forma, color y tamaño depeniendo del gráfico que queramos realizar.

Definición de ejes

Nuestro gráfico tiene a los países en el eje x y el porcentaje de respuesta en el eje y, con esto podemos empezar a realizar el boceto de nuestro gráfico. Todas las características a partir de las cuales deseamos que nuestro gráfico tenga un comportamiento diferenciado según ciertos valores de nuestra base de datos, deben ir dentro del paréntesis aes(…). Al estar graficando porcentajes según país, lo máximo para cada país es 100\% o la unidad en términos de proporciones, como no hemos indicado que esas barras deben rellenarse a partir de cierto criterio, aparecen dos barras grises que alcanzan el valor de 1.

base_graph %>% 
  ggplot(mapping = aes(x = pais, y = porcentaje)) +
  geom_col()

Incorporación de colores

La barra representa el 100\% o la totalidad de las respuestas, para rellenarlas en función del tipo de respuesta debemos añadir un nuevo argumento dentro del aes(…) en este caso el argumento fill que al español traduce relleno. Este punto es crucial, en lugar de utilizar la variable de respuestas con las 5 alternativas, utilizaremos la variable agregada a tres categorías que creamos anteriormente, para de esa manera reducir el número de colores y que quede claro que verde son expectativas de Mejor, rojo son expectativas de Peor y azul son expectativas de que todo sigue Igual.

base_graph %>% 
  ggplot(mapping = aes(x = pais, y = porcentaje, fill = categoria)) +
  geom_col() +
  scale_fill_manual(values = c("darkgreen", "darkblue", "darkred"))

Incorporación de tonalidades

Una buena visualización da un mensaje claro pero pierde la menor cantidad de información posible, acá vemos que en Colombia hay más gente que cree que la economía va a ir mal en comparación con la gente que lo cree en México, sin embargo, del procesamiento de la base sabemos que en ese grupo rojo, hay gente que cree que va a ir mucho peor y hay otra que cree que va a ir apenas peor, casi siempre esas graduaciones importan.
Debemos incorporar la característica de tonalidad o transparencia para que esa graduación este presente y no se pierda información valiosa, el argumento a incorporar dentro del aes(…) es alpha.

base_graph %>% 
  ggplot(mapping = aes(x = pais, y = porcentaje, fill = categoria, alpha = respuesta)) +
  geom_col() +
  scale_fill_manual(values = c("darkgreen", "darkblue", "darkred"))

En el gráfico vemos que la transparencia que coloca el R es arbitraria, pero así como seleccionamos los colores podemos seleccionar el grado de transparencia, el valor de 1 es el color completamente nítido y con valores entre 0 y 1 es posible obtener grados de transparencia. Note en el código de abajo que es necesario definir un valor de transparencia por cada elemento dentro el grupo agregado, según nuestro ejemplo hay dos respuestas posibles en Mejor, una en Igual y dos en Peor, por lo que debemos definir dos grados de transparencia para Mejor, uno para Igual y dos para Peor.

alpha_max <- 1
alpha_min <- 0.8
alpha_vals <- c(seq(alpha_max, alpha_min, length.out = 2), # Tonalidades de Mejor
                alpha_min,                                 # Tonalidad de Igual
                seq(alpha_min, alpha_max, length.out = 2)) # Tonalidad de Peor

base_graph %>% 
  ggplot(mapping = aes(x = pais, y = porcentaje, fill = categoria, alpha = respuesta)) +
  geom_col() +
  scale_fill_manual(values = c("darkgreen", "darkblue", "darkred")) +
  scale_alpha_manual(values = alpha_vals)

Incorporación de texto dentro del gráfico

Vemos que la lectura de las etiquetas a la derecha empieza a ser compleja al tener que combinar dos dimensiones de etiquetado, por ello es conveniente incorporar el texto en las barras. Hay varias maneras de incorporar texto, en este caso lo vamos a hacer con la función geom_text, utilizando la variable de etiquetas definida en pasos anteriores.

base_graph %>% 
  ggplot(mapping = aes(x = pais, y = porcentaje, fill = categoria, alpha = respuesta)) +
  geom_col(show.legend = F) +
  scale_fill_manual(values = c("darkgreen", "darkblue", "darkred")) +
  scale_alpha_manual(values = alpha_vals) +
  geom_text(
    mapping = aes(label = etiquetas),           # la etiqueta es una carcteristica diferenciada por tipo de respuesta por ello va dentro del aes.
    position = position_stack(vjust = 0.70),    # con esto centramos la etiqueta
    col = 'white',                              # color de la etiqueta
    size = 3,                                   # Tamaño de la letra
    fontface = 'bold',                          # Letra en negrita 
    show.legend = F)                            # para quitar las etiquetas de la derecha

Otros detalles

Ya obtuvimos en gran medida lo que queríamos, acá solo voy a agregar algunos comandos para mejorar la estética del gráfico:

Bordes entre las barras
Titulo
Un cambio en la escala del eje y
Quitar el titulo ‘pais’ del eje x
Cambiar el fondo a partir de un nuevo theme()

base_graph %>% 
  ggplot(mapping = aes(x = pais, y = porcentaje, fill = categoria, alpha = respuesta)) +
  geom_col(color = "white",                                                        # Bordes entre las barras
           show.legend = F) +
  labs(title = "Proporción de respuestas a:\n¿como va a estar la economía en los proximos 12 meses?", # Titulo
       subtitle = "Comparación entre Colombia y México",
       caption = "Fuente: Elaboración propia en base a Latinobarometro - 2023",
       x = NULL,                                                         # Quitar el nombre 'pais' del eje x
       y = "Porcentaje"                                                  # Renombrar el eje y
       ) +
  scale_fill_manual(values = c("darkgreen", "darkblue", "darkred")) +
  scale_alpha_manual(values = alpha_vals) +
  scale_y_continuous(n.breaks = 10) +                                   # Cambio en la escala del eje y
  geom_text(
    aes(label = etiquetas),
    position = position_stack(vjust = 0.70),
    col = 'white',
    size = 3,
    fontface = 'bold',
    show.legend = F
  ) +
  theme_test() +                                                                 # Nuevo theme()
  theme(plot.title = element_text(hjust = 0.5, size = 12),
        plot.subtitle = element_text(hjust = 0.5, size = 10, face = "bold"),
        plot.caption = element_text(size=8, hjust=0.0, face="italic", color="black"),
        axis.text.x = element_text(size = 11, angle = 0),
        axis.text.y = element_text(size = 8),
        axis.title.y = element_text(size = 9),
        axis.title.x = element_text(size = 7),
        legend.title = element_text(size=7, hjust = 0.5), 
        legend.text = element_text(size=6),
        legend.position = "none")

--- title: "Visualización de datos, manejo de colores en gráficos de proporción" subtitle: "" author: "Gerardo Esteban, Gómez-Santiago" date: "Jane 26, 2024" toc: true format: html: other-links: - text: Video-Tutorial href: https://youtu.be/paph9lxPywY code-links: - text: Datos Latinobarometro icon: file-code href: https://www.latinobarometro.org/latContents.jsp theme: default html-math-method: katex code-tools: true self-contained: true execute: warning: false --- ## Introducción La visualización de datos es una habilidad cada vez más necesaria al momento de analizar, procesar y comunicar información, su relevancia ha crecido en ámbitos académicos y la mayor disponibilidad de todo tipo de datos la ha convertido en un área de interés para el sector público y privado.\ Un gráfico bien hecho tiene efectos significativos en quien recibe el mensaje, evita confusiones en lo que se quiere transmitir y reduce la longitud del mensaje. El objetivo de este tutorial es utilizar dos funcionalidades del **ggplot** al momento de manipular colores en gráficos de barras que reflejan proporciones, si bien el ejemplo puede parecer muy específico, es fácil de replicar al análisis de variables que puedan ser reagrupadas en *supracategorias*, el ejemplo con el que vamos a trabajar es la repuesta a la siguiente pregunta de la encuesta Latinobarometro 2023. ![Pregunta Latinobarometro](imagenLatinobarometro.png){width=120%} La lógica es simple, en lugar de utilizar un color diferente para cada una de las 5 categorías (para lo que requeriríamos 5 colores diferentes), podemos adjudicar el color rojo a las respuestas *peor*, el color azul a las respuestas neutras (*Igual*) y el color verde a las respuestas *mejor* y utilizar la **intensidad** de los colores para reflejar el grado de acuerdo. El objetivo es pasar de este gráfico en el que se comparan las proporciones de respuesta entre México y Colombia: ```{r} #| message: false #| warning: false #| echo: false rm(list = ls()) library(tidyverse) library(patchwork) library(haven) base <- read_dta("Latinobarometro_2023_Esp_Stata_v1_0.dta") # unique(base$idenpa) # Colombia 170 # Mexico 484 base_ <- base[base$idenpa %in% c(170, 484), ] base_graph <- base_ %>% group_by(idenpa, P7ST) %>% tally() %>% filter(P7ST > 0) %>% ungroup() %>% group_by(idenpa) %>% mutate(porcentaje = n/sum(n)) base_graph$respuesta <- factor(case_when( base_graph$P7ST == 1~ "Mucho mejor", base_graph$P7ST == 2~ "Un poco mejor", base_graph$P7ST == 3~ "Igual", base_graph$P7ST == 4~ "Un poco peor", base_graph$P7ST == 5~ "Mucho peor"), levels = c("Mucho mejor", "Un poco mejor", "Igual", "Un poco peor", "Mucho peor"), labels = c("Mucho mejor", "Un poco mejor", "Igual", "Un poco peor", "Mucho peor")) base_graph$categoria <- factor(case_when( base_graph$respuesta == "Mucho mejor" ~ 0, base_graph$respuesta == "Un poco mejor" ~ 0, base_graph$respuesta == "Igual" ~ 1, base_graph$respuesta == "Un poco peor" ~ 2, base_graph$respuesta == "Mucho peor" ~ 2)) base_graph$pais <- ifelse(base_graph$idenpa == 170, "Colombia", "México") base_graph %>% ggplot(mapping = aes(x = pais, y = porcentaje, fill = respuesta)) + geom_col() + labs(title = "Proporción de respuesta a ¿como va a estar la economía\nen los proximos 12 meses?", x = NULL, y = "Porcentaje", fill = "Respuesta") + theme_test() + theme(plot.title = element_text(hjust = 0.5, size = 12), plot.subtitle = element_text(hjust = 0.5, size = 8), plot.caption = element_text(size=6, hjust=0.0, face="italic", color="black"), axis.text.x = element_text(size = 9, angle = 0), axis.text.y = element_text(size = 8), axis.title.y = element_text(size = 9), axis.title.x = element_text(size = 7), legend.title = element_text(size=9, hjust = 0.5), legend.text = element_text(size=8)) ``` Ha algo como esto: ```{r} #| message: false #| warning: false #| echo: false alpha_max <- 1 alpha_min <- 0.8 alpha_vals <- c(seq(alpha_max, alpha_min, length.out = 2), alpha_min, seq(alpha_min, alpha_max, length.out = 2)) base_graph <- base_graph %>% mutate(etiquetas = str_c(respuesta, round(porcentaje*100,1), "%", sep = " ")) base_graph %>% ggplot(mapping = aes(x = pais, y = porcentaje, fill = categoria, alpha = respuesta)) + geom_col(color = "white", show.legend = F) + labs(title = "Proporción de respuesta a ¿como va a estar la economía\nen los proximos 12 meses?", x = NULL, y = "Porcentaje") + scale_fill_manual(values = c("darkgreen", "darkblue", "darkred")) + scale_alpha_manual(values = alpha_vals) + geom_text( aes(label = etiquetas), position = position_stack(vjust = 0.70), col = 'white', size = 3, fontface = 'bold', show.legend = F ) + theme_test() + theme(plot.title = element_text(hjust = 0.5, size = 12), plot.subtitle = element_text(hjust = 0.5, size = 8), plot.caption = element_text(size=6, hjust=0.0, face="italic", color="black"), axis.text.x = element_text(size = 11, angle = 0), axis.text.y = element_text(size = 8), axis.title.y = element_text(size = 9), axis.title.x = element_text(size = 7), legend.title = element_text(size=7, hjust = 0.5), legend.text = element_text(size=6), legend.position = "none") ``` ## Obtención y procesamiento de la base La base que utilizamos para este ejemplo es una encuesta muy utilizada en estudios de ciencia política y opinión pública, para descargarla accede al link señalado en la parte superior derecha de este documento (***Datos Latinobarometro***) el cual te redirigirá a la página de Latinobarometro donde se encuentran los resultados de las encuestas en diferentes formatos. En este caso descargue la versión de **Stata**, lo único que debes hacer una vez descargado es extraer los archivos y asegurarte de que el documento *Latinobarometro_2023_Esp_Stata_v1_0.dta* se encuentre en tu directorio de trabajo. ### Cargando la base a RStudio Una vez tengas la base en tu directorio de trabajo, debemos cargarla a RStudio con el paquete **haven**, el cual permite cargar bases en formato **.dta** ```{r} rm(list = ls()) # Nos aseguramos de limpiar todo el ambiente de trabajo library(haven) # Activamos el paquete 'haven' si es la primer vez que lo usas # asegurate de instalarlo con el comando install.package("haven") base <- read_dta("Latinobarometro_2023_Esp_Stata_v1_0.dta") ``` Ya cargada nuestra base, debemos aplicar algunas transformaciones antes de generar el gráfico. Lo primero es filtrar por aquellos países que nos interesan, en este caso yo elegí a México y Colombia, la variable que tiene el identificador de los países es **idenpa**.\ Para ver qué número corresponde a cada país ejecuta el siguiente comando: ```{r} unique(base$idenpa) ``` Colombia tiene el código $170$ y México el $484$, con esos valores en mente aplicamos el filtro en una nueva base que se llame *base_graph* (lo del nombre es arbitrario, puedes ponerle el nombre que quieras), puedes usar el lenguaje matricial de R Base o a partir del paquete *dplyr* utilizar la función **filter** ```{r} library(tidyverse) base_graph <- base[base$idenpa %in% c(170, 484), ] # Filtrado en R base base_graph <- base %>% filter(idenpa %in% c(170, 484)) # Filtrado con la paqueteria dplyr de Tidyverse ``` La base filtrada debe tener una dimensión de 2400 filas por 274 variables. ### Conteo de respuestas Lo que graficamos son porcentajes, por ello debemos calcular en cada país el porcentaje de personas que contestó cada una de las posibles respuestas. El código para realizar dicho calculo se muestra a continuación ```{r} base_graph <- base_graph %>% group_by(idenpa, P7ST) %>% # Primero agrupamos por país y por la pregunta que almacena la respuesta (P7ST) tally() %>% # La función Tally nos da la frecuencia absoluta en una nueva columna de nombre 'n' filter(P7ST > 0) %>% # Filtramos la No respuesta ungroup() %>% # Desagrupamos para calcular los porcentajes o frecuencia relativa de cada país group_by(idenpa) %>% # Agrupamos por país mutate(porcentaje = n/sum(n)) # Hacemos un calculo de proporción o de porcentaje head(base_graph) # Vemos las primeras 10 filas de la base transformada ``` La base ahora tiene una dimensión de 10 filas por cuatro columnas (5 respuestas por cada uno de los dos países analizados) y en principio ya podríamos graficar, sin embargo, antes de eso debemos asegurarnos de que el gráfico respeto el orden subyacente de las respuestas. No queremos que **Mucho mejor** aparezca en medio de **Mucho peor** y **Un poco peor**. Además, el etiquetado es importante, como vemos en nuestra base solo tenemos números, por lo que tenemos que crear una variable que contenga las etiquetas y que adicionalmente contenga un orden. Para eso vamos a utilizar la función *case_when* con la cual generamos una etiqueta a partir de una condición lógica y la función *factor* con la cual convertimos la variable en una variable categórica con un orden específico. #### Variable con etiqueta de respuesta El siguiente código contiene las dos alternativas que puedes seguir para crear una variable que contenga la etiqueta de las respuestas a partir una evaluación lógica sobre la variable **P7ST**. ```{r} base_graph$respuesta <- case_when( # Alternativa en R Base base_graph$P7ST == 1~ "Mucho mejor", base_graph$P7ST == 2~ "Un poco mejor", base_graph$P7ST == 3~ "Igual", base_graph$P7ST == 4~ "Un poco peor", base_graph$P7ST == 5~ "Mucho peor") base_graph <- base_graph %>% mutate(respuesta = case_when( # Alternativa con Tidyverse P7ST == 1~ "Mucho mejor", P7ST == 2~ "Un poco mejor", P7ST == 3~ "Igual", P7ST == 4~ "Un poco peor", P7ST == 5~ "Mucho peor")) ``` #### Variable categórica con orden especifico Cuando no se especifica un orden particular en una variable categórica, R organiza la variable de manera automática según el orden alfabético de la primera letra de cada valor posible, en este caso el orden que toma R seria **"I, M y U"**, esto no necesariamente es un problema, pero al momento de graficar, va a ordenar las barras de una forma difícil de interpretar como se ve en el siguiente gráfico. (No se preocupen por el código para generar el gráfico, en unos instantes analizaremos detalladamente el mismo) ```{r} base_graph %>% ggplot(mapping = aes(x = idenpa, y = porcentaje, fill = respuesta)) + geom_col() ``` Aparecen intercaladas las respuestas *Un poco mejor; Un poco peor* y *Mucho mejor; Mucho peor*, lo cual es incómodo para el receptor del mensaje, por ello la importancia de establecer un orden a partir de la función **factor**.\ Esta función recibe por argumentos un vector que contiene todos los valores posibles, en nuestro caso la variable recién creada *respuesta*, un argumento *level* en el cual debe indicarse el orden de la variable y un argumento *label* que en este caso puede ser omitido pero cuya función es asignar la etiqueta que le corresponde a cada nivel. El número de argumentos en *level* y *label* debe coincidir con el total de valores únicos contenidos en la variable a transformar. ```{r} base_graph$respuesta <- factor(base_graph$respuesta, levels = c("Mucho mejor", "Un poco mejor", "Igual", "Un poco peor", "Mucho peor"), labels = c("Mucho mejor", "Un poco mejor", "Igual", "Un poco peor", "Mucho peor")) ``` Realizada esta transformación, si volvemos a graficar ya no tenemos el solapamiento entre categorías divergentes, lo que permite interpretar el gráfico con mayor facilidad y concluir por ejemplo, que en Colombia la gente es mucho más pesimista respecto al comportamiento de la economía en los próximos 12 meses comparada con México. ```{r} base_graph %>% ggplot(mapping = aes(x = idenpa, y = porcentaje, fill = respuesta)) + geom_col() ``` ### Detalles adicionales para empezar a graficar La estructura general del gráfio ya esta, ahora solo necesitamos ajustar algunos detalles para alcanzar el gráfico objetivo presentado en la introducción. #### Nombres de países Lo primero son los nombres de los países, al momento de filtrar la base lo hicimos a partir de un número que identifica a cada país, pero en el gráfico es necesario que aparezca legible el nombre de los países. En el siguiente código se muestran dos alternativas para crear una variable con nombre **país** que contenga **Colombia** o **México** según corresponda. ```{r} base_graph$pais <- case_when( base_graph$idenpa == 170 ~ "Colombia", base_graph$idenpa == 484 ~ "México" ) base_graph$pais <- ifelse(test = base_graph$idenpa == 170, yes = "Colombia", no = "México") ``` #### Variable de agregación superior La variable que queremos graficar presenta grados y es posible recategorizarla en 3 alternativas: - **Mejor**: Un poco mejor o Mucho mejor - **Peor**: Un poco peor o Mucho peor - **Igual**: Igual Debemos generar una variable que contenga esta información, es decir, que tenga el mismo valor según el listado anterior. La utilidad de ello está en reducir la cantidad de colores y utilizar el tono como una característica distintiva. Como la variable a partir de la cual creamos esta agregación tiene un orden especifico, es necesario que la variable agregada responda a la misma lógica de ordenamiento, por ello debemos utilizar nuevamente las funciones **case_when** y **factor**, en este caso las utilizare de manera simultánea para que se observen alternativas de uso. ```{r} base_graph$categoria <- factor(case_when( base_graph$respuesta == "Mucho mejor" ~ "Mejor", base_graph$respuesta == "Un poco mejor" ~ "Mejor", base_graph$respuesta == "Igual" ~ "Igual", base_graph$respuesta == "Un poco peor" ~ "Peor", base_graph$respuesta == "Mucho peor" ~ "Peor"), levels = c("Mejor", "Igual", "Peor"), labels = c("Mejor", "Igual", "Peor")) ``` #### Creación de etiquetas dentro del gráfico Esto es opcional, creo que en esta ocasión resulta cómodo poner la etiqueta dentro de los recuadros en lugar de que aparezcan afuera del gráfico como lo hace el R por defecto. Para ello debemos crear el texto que queremos que aparezca dentro del gráfico.\ Las funciones de texto de dplyr empiezan por **str_** en este caso queremos pegar texto por lo que utilizaremos la función **str_c**, otra alternativa es utilizar la función **paste**, ambas tienen la misma estructura y se presentan a continuación ```{r} base_graph <- base_graph %>% mutate(etiquetas = str_c(respuesta, round(porcentaje*100,1), "%", sep = " ")) base_graph$etiqueta_paste <- paste(base_graph$respuesta, round(base_graph$porcentaje*100, 1), "%", sep = " ") base_graph$etiquetas == base_graph$etiqueta_paste # Vemos que los resultados mediante ambas funciones son identicos ``` ## Gráfico con ggplot() **ggplot()** es la función para gráficar de **tidyverse**, es sumamente flexible e intuitiva, si no entiendes al inicio no te abrumes, es cuestión de practica.\ Esta función necesita una base de datos (un objeto tipo dataframe o tibble) y la asignación de características a partir de variables. Las características esenciales son los ejes (eje x o eje horizontal y eje y o eje vertical), despues podemos asignar características de forma, color y tamaño depeniendo del gráfico que queramos realizar. #### Definición de ejes Nuestro gráfico tiene a los países en el eje x y el porcentaje de respuesta en el eje y, con esto podemos empezar a realizar el boceto de nuestro gráfico. Todas las características a partir de las cuales deseamos que nuestro gráfico tenga un comportamiento diferenciado según ciertos valores de nuestra base de datos, deben ir dentro del paréntesis **aes(...)**. Al estar graficando porcentajes según país, lo máximo para cada país es $100\%$ o la unidad en términos de proporciones, como no hemos indicado que esas barras deben rellenarse a partir de cierto criterio, aparecen dos barras grises que alcanzan el valor de 1. ```{r} base_graph %>% ggplot(mapping = aes(x = pais, y = porcentaje)) + geom_col() ``` #### Incorporación de colores La barra representa el $100\%$ o la totalidad de las respuestas, para rellenarlas en función del tipo de respuesta debemos añadir un nuevo argumento dentro del **aes(...)** en este caso el argumento **fill** que al español traduce relleno. Este punto es crucial, en lugar de utilizar la variable de respuestas con las 5 alternativas, utilizaremos la variable agregada a tres categorías que creamos anteriormente, para de esa manera reducir el número de colores y que quede claro que verde son expectativas de ***Mejor***, rojo son expectativas de ***Peor*** y azul son expectativas de que todo sigue ***Igual***. ```{r} base_graph %>% ggplot(mapping = aes(x = pais, y = porcentaje, fill = categoria)) + geom_col() + scale_fill_manual(values = c("darkgreen", "darkblue", "darkred")) ``` #### Incorporación de tonalidades Una buena visualización da un mensaje claro pero pierde la menor cantidad de información posible, acá vemos que en Colombia hay más gente que cree que la economía va a ir mal en comparación con la gente que lo cree en México, sin embargo, del procesamiento de la base sabemos que en ese grupo rojo, hay gente que cree que va a ir mucho peor y hay otra que cree que va a ir apenas peor, casi siempre esas graduaciones importan.\ Debemos incorporar la característica de tonalidad o transparencia para que esa graduación este presente y no se pierda información valiosa, el argumento a incorporar dentro del **aes(...)** es **alpha**. ```{r} #| warning: false base_graph %>% ggplot(mapping = aes(x = pais, y = porcentaje, fill = categoria, alpha = respuesta)) + geom_col() + scale_fill_manual(values = c("darkgreen", "darkblue", "darkred")) ``` En el gráfico vemos que la transparencia que coloca el R es arbitraria, pero así como seleccionamos los colores podemos seleccionar el grado de transparencia, el valor de 1 es el color completamente nítido y con valores entre 0 y 1 es posible obtener grados de transparencia. Note en el código de abajo que es necesario definir un valor de transparencia por cada elemento dentro el grupo agregado, según nuestro ejemplo hay dos respuestas posibles en *Mejor*, una en *Igual* y dos en *Peor*, por lo que debemos definir dos grados de transparencia para *Mejor*, uno para *Igual* y dos para *Peor*. ```{r} alpha_max <- 1 alpha_min <- 0.8 alpha_vals <- c(seq(alpha_max, alpha_min, length.out = 2), # Tonalidades de Mejor alpha_min, # Tonalidad de Igual seq(alpha_min, alpha_max, length.out = 2)) # Tonalidad de Peor base_graph %>% ggplot(mapping = aes(x = pais, y = porcentaje, fill = categoria, alpha = respuesta)) + geom_col() + scale_fill_manual(values = c("darkgreen", "darkblue", "darkred")) + scale_alpha_manual(values = alpha_vals) ``` #### Incorporación de texto dentro del gráfico Vemos que la lectura de las etiquetas a la derecha empieza a ser compleja al tener que combinar dos dimensiones de etiquetado, por ello es conveniente incorporar el texto en las barras. Hay varias maneras de incorporar texto, en este caso lo vamos a hacer con la función **geom_text**, utilizando la variable de **etiquetas** definida en pasos anteriores. ```{r} base_graph %>% ggplot(mapping = aes(x = pais, y = porcentaje, fill = categoria, alpha = respuesta)) + geom_col(show.legend = F) + scale_fill_manual(values = c("darkgreen", "darkblue", "darkred")) + scale_alpha_manual(values = alpha_vals) + geom_text( mapping = aes(label = etiquetas), # la etiqueta es una carcteristica diferenciada por tipo de respuesta por ello va dentro del aes. position = position_stack(vjust = 0.70), # con esto centramos la etiqueta col = 'white', # color de la etiqueta size = 3, # Tamaño de la letra fontface = 'bold', # Letra en negrita show.legend = F) # para quitar las etiquetas de la derecha ``` #### Otros detalles Ya obtuvimos en gran medida lo que queríamos, acá solo voy a agregar algunos comandos para mejorar la estética del gráfico: - Bordes entre las barras - Titulo - Un cambio en la escala del eje y - Quitar el titulo 'pais' del eje x - Cambiar el fondo a partir de un nuevo *theme()* ```{r} base_graph %>% ggplot(mapping = aes(x = pais, y = porcentaje, fill = categoria, alpha = respuesta)) + geom_col(color = "white", # Bordes entre las barras show.legend = F) + labs(title = "Proporción de respuestas a:\n¿como va a estar la economía en los proximos 12 meses?", # Titulo subtitle = "Comparación entre Colombia y México", caption = "Fuente: Elaboración propia en base a Latinobarometro - 2023", x = NULL, # Quitar el nombre 'pais' del eje x y = "Porcentaje" # Renombrar el eje y ) + scale_fill_manual(values = c("darkgreen", "darkblue", "darkred")) + scale_alpha_manual(values = alpha_vals) + scale_y_continuous(n.breaks = 10) + # Cambio en la escala del eje y geom_text( aes(label = etiquetas), position = position_stack(vjust = 0.70), col = 'white', size = 3, fontface = 'bold', show.legend = F ) + theme_test() + # Nuevo theme() theme(plot.title = element_text(hjust = 0.5, size = 12), plot.subtitle = element_text(hjust = 0.5, size = 10, face = "bold"), plot.caption = element_text(size=8, hjust=0.0, face="italic", color="black"), axis.text.x = element_text(size = 11, angle = 0), axis.text.y = element_text(size = 8), axis.title.y = element_text(size = 9), axis.title.x = element_text(size = 7), legend.title = element_text(size=7, hjust = 0.5), legend.text = element_text(size=6), legend.position = "none") ```