7. Gràfics i animacions
10/04/2026
1 Gràfics amb R base
R base té algunes funcions que permeten fer gràfics. Començarem amb
alguns exemple a partir del dataset cars, disponible en R.
En primer lloc, el carreguem i examinem la seva estructura.
data(cars)
str(cars)## 'data.frame': 50 obs. of 2 variables:
## $ speed: num 4 4 7 7 8 9 10 10 10 11 ...
## $ dist : num 2 10 4 22 16 10 18 26 34 17 ...La funció plot permet crear un diagrama de dispersió.
Per defecte, es representa la primera variable a l’eix horitzonal (x) i
la segona a l’eix vertical (y).
plot(cars)
No obstant això, podem indicar quines variables concretes d’un dataset s’han de representar a cada eix.
plot(cars$dist, cars$speed)
A partir d’aquí, podem introduir canvis en la representació dels
punts (type = points, lines, both), emprar colors
(col), afegir títols (main, xlab,
ylab) o modificar els marcadors (pch). Per conèixer
els diferents paràmetres que es poden fer servir, cal consultar l’ajuda
help(plot).
plot(cars, type = "p", col = "red",
main = "Relació entre velocitat i distància de frenada",
xlab = "Velocitat (km/h)",
ylab = "Distància (metres)",
pch = 19)
Altres tipus de gràfic disponibles en R base inclouen:
boxplot(cars, main = "Diagrama de caixa")
hist(cars$speed, main = "Histograma")
pie(cars$speed, main = "Gràfic de sectors")
2 Gràfics amb el paquet
ggplot2
Tot i que, com acabem de veure, R base conté algunes funcions per
crear gràfics, per fer gràfics més elaborats és habitual utilitzar el
paquet ggplot2 que forma part de tidyverse.
Farem servir el dataset de mostra que vam emprar en el primer
tema de l’assignatura per elaborar alguns gràfics.
library(tidyverse)
dades <- read.table(file = "data/mostra.txt",
header = TRUE,
sep = "\t",
dec = ",")
str(dades)## 'data.frame': 50 obs. of 6 variables:
## $ Id : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Nom : chr "Laia" "Pau" "Clara" "Eloi" ...
## $ Genere: chr "Dona" "Home" "Dona" "Home" ...
## $ Color : chr "Vermell" "Blau" "Groc" "Lila" ...
## $ Edat : int 73 59 36 32 13 44 78 61 40 73 ...
## $ Pes : num 55.2 86.8 59.3 88 83.8 75.9 77.9 84.8 75.9 57.1 ...Els gràfics ggplot tenen tres arguments:
-data: un data.frame amb les dades que volem representar
-aes() aesthetics: permet definir les variables (x, y), el color, la mida, la forma, etc.
-geom() geometry: permet definir el tipus de gràfic (dispersió, barres, línies, etc.).
Per fer un gràfic, comencem amb la funció ggplot especificant les variables que volem representar a l’eix horitzontal (x) i vertical (y). Cal nomenar les variables tal com apareixen al dataset.
ggplot(dades, aes(x = Edat, y = Pes))
La funció anterior simplement ha creat el llençol sobre el qual fer el gràfic. Amb la geometria, especifiquem el tipus de gràfic que volem representar:
geom_point(): diagrames de dispersió amb dues variables quantitatives (scatter plot)
geom_bar(): gràfics de columnes i barres
geom_histogram(): histogrames
geom_boxplot(): diagrames de caixa (boxplot)
geom_tile(): mapes de calor (heatmap)
geom_line(): gràfics de línies
2.1 Diagrames de dispersió
Començarem amb un diagrama de dispersió per representar l’edat i el pes dels 50 subjectes del dataset.
ggplot(dades, aes(x = Edat, y = Pes)) +
geom_point()
Podem agregar propietats a cadascun dels elements visuals del gràfic i proporcionar informació addicional o simplement millorar l’estètica.
color: classifica els casos per colors segons una altra variable
fill: similar a color, però per a les geometries que tenen àrea interior
size: defineix la mida de les geometries, per exemple, les dimensions dels punts
alpha: defineix la transparència de les geometries (per exemple, quan hi ha punts que se superposen). Els valors poden anar de 0 a 1.
Per exemple, en el següent gràfic, assignarem un color als punts en funció del gènere del subjecte i els farem més grossos.
ggplot(dades, aes(x = Edat, y = Pes, color = Genere)) +
geom_point(size = 3)
2.2 Gràfics de columnes i de barres
Farem ara un gràfic de columnes per representar els colors favorits dels subjectes presents al dataset.
ggplot(dades, aes(x = Color)) +
geom_bar()
Podem fer servir dos colors diferents per representar el gènere dels subjectes.
ggplot(dades, aes(x = Color, fill = Genere)) +
geom_bar()
Si volem que les barres siguin horitzontals, simplement hem d’afegir
(amb el simbol +) l’argument coord_flip().
ggplot(dades, aes(x = Color, fill = Genere)) +
geom_bar() +
coord_flip()
2.3 Histogrames
Els histogrames s’utilitzen per representar variables quantitatives
contínues, com ara el pes dels subjectes. El paràmetre
bindwidth permite definir l’amplada dels intervals (en
aquest cas franges de 10 kg de pes: de 45 a 55, de 55 a 65, etc.).
ggplot(dades, aes(x = Pes)) +
geom_histogram(binwidth = 10)
2.4 Diagrames de caixes
A continuació, farem un diagrama de caixes per representar l’edat
dels subjectes segons el seu gènere. En els gràfics anteriors hem vist
que, per defecte, els gràfics de ggplot es creen sobre un
fons gris amb línies blanques de quadrícula. No obstant, hi ha altres
themes que es poden fer servir com theme_bw(),
theme_minimal(), theme_classic(),
theme_light(), theme_dark(),
theme_void(), etc.
ggplot(dades, aes(x = Genere, y = Edat)) +
geom_boxplot() +
theme_minimal()
2.5 Mapes de calor
Un mapa de calor (heatmap) és útil per visualitzar valors numèrics associats a dues variables categòriques mitjançant una escala de colors. Representarem els colors favorits per gènere. Primer, calculem els valors i, a continuació, elaborem el gràfic.
df <- dades %>%
count(Genere, Color)
ggplot(df, aes(x = Color, y = Genere, fill = n)) +
geom_tile() +
scale_fill_gradient(low = "white", high = "steelblue")
2.6 Gràfics de línies
Els gràfics de línies són útils per il·lustrar tendències temporals. En el nostre dataset no hi ha dades d’aquest tipus. Importarem un dataset disponible en Internet amb l’evolució del preu del bitcoin entre 2013 i 2018 i el representarem gràficament. Observeu el codi i els comentaris en color verd.
bitcoin <- read.table("https://bit.ly/3dyZXbz", header = T) # Importem el dataset
bitcoin$date <- as.Date(bitcoin$date) # Convertim el camp "date" a format "date"
graf.bitcoin <- ggplot(bitcoin, aes(x = date, y = value)) +
geom_line() +
xlab("Evolució del preu del bitcoin") +
ylab("Dòlars") +
theme_classic()
graf.bitcoin
3 Gràfics interactius
En ocasions és útil fer els nostres gràfics interactius, per exemple
si volem publicar-los a una pàgina web. El paquet plotly
ens permet fer-lo de manera sencilla amb la funció
ggplotly.
Treballarem sobre el gràfic sobre el valor del bitcoin. Observeu que, al pasar el cursor sobre la línia, podeu consultar el valor del bitcoin en una data determinada.
library(plotly)
graf.bitcoin.interactiu <- plotly::ggplotly(graf.bitcoin)
graf.bitcoin.interactiuFarem un segon gràfic fent servir el dataset gapminder
que inclou dades demográfiques de països del món, com ara l’esperança de
vida, la població o el PIB per càpita, i ve precarregat en R.
library(gapminder)
head(gapminder, 15)Filtrarem les dades corresponents a 2007, que és l’últim any disponible, i farem un diagrama de dispersió.
dades.2007 <- gapminder %>% filter(year == 2007)
graf.2007 <- ggplot(dades.2007, aes(x = gdpPercap, y = lifeExp,
size = pop,
color = continent,
label = country)) +
geom_point()
graf.2007
Finalment, fem el gràfic interactiu per poder consultar la informació sobre cada país.
graf.2007.int <- ggplotly(graf.2007,
tooltip = c("label", "size", "color"))
graf.2007.int4 Gràfics animats
Una altra opció és animar un gràfic amb el paquet
gganimate. Per al següent exemple, farem servir un
dataset disponible en R anomenat babynames que
inclou la freqüència dels noms de nadons als Estats Units des de 1880.
En primer lloc, carreguem les dades i visualitzem els primers registres
per fer-nos una idea de la seva estructura.
library(gganimate)
library(babynames)
library(gifski)
head(babynames)Filtrarem tres noms concrets que seran els representarem gràficament: Ashley, Patricia i Helen.
noms <- babynames %>%
filter(name %in% c("Ashley", "Patricia", "Helen")) %>%
filter(sex=="F")
head(noms)Ara creem el gràfic fent servir algunes de les funcions que hem vist
de ggplot.
graf.noms <- ggplot(noms, aes(x = year, y = n, group = name, color = name)) +
geom_line(linewidth = 1.2) +
geom_point(size = 2) +
ggtitle("Popularitat de tres noms als Estats Units") +
ylab("Nombre de nadons") +
theme_minimal(base_size = 14) +
gganimate::transition_reveal(year)
graf.noms
Farem un segon gràfic amb l’evolució de població, PIB i esperança de vida a Espanya. Primer filtrem les dades d’Espanya i, a continuació, elaborem el gràfic.
spain <- gapminder %>% filter(country == "Spain")
graf.spain <- ggplot(spain, aes(x = gdpPercap, y = lifeExp,
size = pop)) +
geom_point() +
gganimate::transition_reveal(year)
graf.spain
5 Exercicis
5.1 Creació de gràfics
Utilitza els diferents datasets comentats en aquest document o altres de la teva elecció per crear tres gràfics de diferent tipus (dispersió, columnes, diagrama de caixa, etc.). Intenta millorar l’estètica dels gràfics tant com et sigui possible.
5.2 Gràfic de l’evolució de la població de Catalunya
Elabora un gràfic de línies de l’evolució de la població de Catalunya desde 1857 fins a l’actualidad. Les dades de població estan disponibles a l’Idescat: https://www.idescat.cat/indicadors/?id=aec&n=15223
Millora l’estètica del gràfic en la mesura del possible. Pots intentar fer el gràfic interactiu (que apareguin les dades en pasar el ratolí sobre la línia) i, fins i tot, animat. També pots intentar incorporar més línies al gràfic corresponents, per exemple, a la població de cada província.