Usando GGally (antes conocido como GGpairs)

por Alfonso Malpica Maury

Proyecto Final de MCAA Posgrado FCA U.N.A.M.

Este paquete está diseñado para poder graficar en forma de matriz un set de datos con múltiples variables, el resultado es una correlación de las variables elegidas en dicho dataset. Por defecto ggpairs provee 2 comparaciones diferentes por cada par de columnas que son seleccionas, y ya sea que despliegue la densidad o el conteo de variable en las gráfica de la diagonal de la matriz. A través de la configuración de distintos parámetros dicha diagonal puede ser reemplazada con ejes o etiquetas para las variables.

La sintaxis para este paquete está descrito de la siguiente manera:

ggpairs (data, mapping = NULL, columns = 1:ncol(data), title = "", upper = list(continuous = "cor", combo = "box", discrete = "facetbar", na = "na"), lower = list(continuous = "points", combo = "facethist", discrete = "facetbar", na = "na"), diag = list(continuous = "densityDiag", discrete = "barDiag", na = "naDiag"), params = NULL, ..., axisLabels = c("show", "internal", "none"), columnLabels = colnames(data[columns]), showStrips = NULL, legends = FALSE, verbose = NULL)

A manera de ejemplo, durante este trabajo utlizaremos un archivo que puede ser obtenido en la página del INEGI que muestra distintos valores de los estados de la República Mexicana, valor como población total, el partido en el gobierno, zona, etc. El dataset a utilizar se muestra abajo:

Datos del INEGI
Estado	Poblacion	Partido	Zona	Unidades.economicas	Personal.ocupado	Remuneraciones	Gastos	Produccion.bruta	Consumo.intermedio
Aguascalientes	1184996	PAN	C	47449	269467	16464.748	191766.54	183482.87	134530.86
Baja California	3155070	PAN	N	95882	786056	59053.233	303259.20	303152.52	171797.48
Baja California Sur	637026	PAN	N	28114	156985	6817.748	64786.42	51827.98	28492.47
Campeche	822441	PRI	S	32628	187384	17272.389	83350.80	648033.01	50941.76
Coahuila de Zaragoza	2748391	PRI	N	83639	718386	51999.011	541444.67	633956.40	426462.66
Colima	650555	PRI	C	29273	138264	5762.470	49045.67	40858.59	21987.81
Chiapas	4796580	PRI	S	155280	456013	13869.883	163157.29	157603.81	81533.20
Chihuahua	3406465	PAN	N	97044	803175	59777.934	326617.86	320011.90	180725.20
Ciudad de Mexico	8851080	PRD	C	415481	3603572	380314.987	2049042.82	2943782.84	1408762.13
Durango	1632934	PAN	N	50452	266471	12980.015	117173.32	109487.44	65621.18
Guanajuato	5486372	PAN	C	222969	1067292	55914.541	664779.22	701825.70	494383.01
Guerrero	3388768	PRI	S	135564	396133	8732.267	91524.90	65970.96	31904.33
Hidalgo	2665018	PRI	C	98567	353978	18135.260	313153.13	305949.31	251080.85
Jalisco	7350682	PRI	C	313013	1561965	79596.965	776756.18	697866.51	417867.45
Mexico	15175862	PRI	C	534838	2023837	96443.561	1153107.02	1116235.40	723871.73
Michoacan de Ocampo	4351037	PRD	C	195355	611496	19560.681	223746.87	179291.97	110219.90
Morelos	1777227	PRD	C	84651	297797	13715.106	146558.49	144574.83	95171.50
Nayarit	1084979	PRI	C	46958	172246	5517.192	55240.37	44328.26	25487.55
Nuevo Leon	4653458	IND	N	135482	1399230	123009.522	1150331.66	1317129.04	827305.23
Oaxaca	3801962	PRI	S	177954	454996	13914.781	305242.18	295523.93	240825.81
Puebla	5779829	PAN	C	251318	874001	38563.297	466031.04	467846.69	296833.39
Queretaro	1827937	PAN	C	69022	458691	31602.639	338897.92	334841.81	231721.41
Quintana Roo	1325578	PRD	S	45488	347726	12810.774	135805.49	112853.54	65277.64
San Luis Potosi	2585518	PRI	C	88154	420366	22868.220	260083.09	278396.07	181242.28
Sinaloa	2767761	PRI	N	93242	483728	19690.968	227240.71	160131.19	93309.84
Sonora	2662480	PRI	N	90642	619690	39155.896	398416.04	439968.47	257997.82
Tabasco	2238603	PRD	S	59973	288749	31217.726	258872.06	479509.46	185848.51
Tamaulipas	3268554	PAN	N	104334	665731	51300.815	388455.06	423644.08	260256.13
Tlaxcala	1169936	PRI	C	58245	179035	5738.694	72519.38	73902.67	51122.17
Veracruz de Ignacio de la Llave	7643194	PAN	S	239392	905717	57643.510	628065.78	674358.79	421326.06
Yucatan	1955577	PRI	S	98478	421961	17770.834	200363.23	183621.46	121712.70
Zacatecas	1490668	PRI	C	51864	186220	7127.055	82236.86	94345.73	44106.76

Columnas y Mapeo

La forma tradicional de ggpairs utiliza por defecto el despligue de todas las columnas del data set que se le solicita graficar, para nuestro caso se debe de reducir la cantidad de variables a considerar para que el tiempo de procesamiento no sea tan largo y evitar que R nos arroje un error por el cantidad de variables a considerar. En nuestro caso utilizaremos las variables Poblacion, Zona y Unidades.economicas:

ggpairs(INEGI,columns=c(4,2,5)

Para tener una presentación más vistosa se puede utilizar el parámetro mapping para incluir colores a las gráficas y pueda apreciarse de mejor manera. Utilizar una variable categórica podría ser una buena manera para diferenciar los valores

ggpairs(INEGI,columns=c(2,4,5),mapping=aes(color=Zona))

Otra forma de ejecutar el mismo comando en R es usando los nombres de las columnas en lugar de incluir el número, de esta forma:

ggpairs(INEGI,columns=c("Poblacion","Zona","Unidades.economicas"),mapping=aes(color=Zona))

Secciones de la matriz

Existen tres secciones importantes dentro de la matriz: lower, upper y diag. Las secciones lower y upper pueden contener gráficas de tipo continuos, combo o discrete

continuos: significa que tanto X como Y son variables continuas
combo: una de las variables es discreta y la otra continua
discrete: ambas variables son discretas

Abajo un ejemplo de como se pueden manejar distintos valore para las gráficas en los distintos tipos de variables:

ggpairs(
      INEGI,columns=c("Poblacion","Zona","Unidades.economicas"),
      lower = list (
      continuos = "smooth",
      combo = "facetdensity",
      mapping=aes(color=Zona)
      )
)

De igual forma, se pueden manipular las gráficas que deseamos aparezcan y las que no, esto simplemente usando el valor “blank” o NULL en alguna de las secciones. Un ejemplo abajo:

ggpairs(
      INEGI,columns=c("Poblacion","Zona","Unidades.economicas"),
      lower = "blank",
      diag = NULL,
      upper = list (
      continuos = "smooth",
      combo = "facetdensity",
      mapping=aes(color=Zona)
      )
)

Obteniendo una gráfica de la matriz

Existe la manera de una vez obtenida la matriz de gráficas, se pueda invocar a solo una de ellas para una mejor visualización; sin embargo, es indispensable guardar el resultado de ggpairs y entonces poder invocar la gráfica deseada a través un simple sistema de coordenadas matricial.

INEGI_plot <- ggpairs(INEGI,columns=c("Partido","Remuneraciones","Personal.ocupado"),mapping = aes(color=Zona))
INEGI_plot

Para entonces seleccionar la gráfica de la esquina a la derecha y además agregar otros valores y detalles a la gráfica