End-to-end visualization using ggplot2

2.1. Boxplots

• 먼저, boxplots을 ggplot2-style로 그려보자.

• 전통적인 boxplot()보다 plotting에 필요한 arguments를 이용해서 그래프를 잘 가꾸고 여러 개의 plots을 하나의 grid에 균일하게 그려냄으로써, 보기 좋은 plot에 도달한다.

• 아래의 그래프들을 살펴보면, Target내의 2개 범주를 잘 분류하거나 그렇지 않은 input 변수들을 볼 수 있다.

SubsetDT <- copy(PimaIndDT[, -c(1)])

library(gridExtra)
library(ggplot2)

p <- list()

invisible(
  sapply(names(SubsetDT)[-7], 
         function(inp){
           p[[inp]] <- ggplot(data=SubsetDT, aes_string(x="type", y=inp)) + 
             geom_boxplot(aes(fill=factor(type))) + guides(fill=FALSE) + 
             theme(axis.title.y = element_text(face="bold", size=14))
          assign("p", p, envir = .GlobalEnv)
}))

do.call(grid.arrange, c(p, ncol=3))

2.2. Density plots

• ggplot2를 이용해서 overlay-density를 그렸다.

• 이를 통해 이 데이터에서 당뇨병 환자들은 임신횟수(npreg)와 연관이 있다고 얘기할 수 있다.

• alpha라는 argument를 통해 투명도를 조절하여 plotting 할 수 있다.

g <- ggplot(data = PimaIndDT, aes(npreg))
g + geom_density(aes(fill=factor(type)), alpha=0.8) +
  labs(title="Density plot",
       subtitle="# Pregnancies Grouped by Diabetes Type",
       x="# Pregnancies",
       fill="Diabetes Type")

3.1. Data preparation

• Facet-wrapping 과 gridding은 더 깊게 데이터를 보기 위해 꼭 필요한 것들이다.

• 프로세스가 여러 단계로 나누어져있지만 그렇게 복잡하지 않다.

• 1개의 연속형 변수를 이용하여 새로운 범주형 변수를 생성하였다.

• 변수를 생성하는데 있어서 원래 문서에서는 magrittr, plyr, dplyr을 이용하였으나 여기서는 data.table로 처리하였다.

PimaIndDT[, c("Skin", "BMI", "Ped") :=
            list(as.factor(ifelse(skin <= 29, "low skin fold", "high skin fold")),
                 as.factor(ifelse(bmi <= 33, "low BMI", "high BMI")),
                 as.factor(ifelse(ped <= 0.31, "low pedigree",
                           ifelse(ped > 0.3134 & ped <= 0.5844, 
                           "medium pedigree", "high pedigree"))))
          ]

head(PimaIndDT)

   npreg glu bp skin  bmi   ped age type           Skin      BMI
1:     6 148 72   35 33.6 0.627  50  Yes high skin fold high BMI
2:     1  85 66   29 26.6 0.351  31   No  low skin fold  low BMI
3:     1  89 66   23 28.1 0.167  21   No  low skin fold  low BMI
4:     3  78 50   32 31.0 0.248  26  Yes high skin fold  low BMI
5:     2 197 70   45 30.5 0.158  53  Yes high skin fold  low BMI
6:     5 166 72   19 25.8 0.587  51  Yes  low skin fold  low BMI
               Ped
1:   high pedigree
2: medium pedigree
3:    low pedigree
4:    low pedigree
5:    low pedigree
6:   high pedigree

3.2. Reshaping the data

• facet_grid()을 활용하기 좋게 데이터 형태를 약간 바꿔야한다.
  • “wide”-form data를 “long”-form data로 바꿔줘야함
• tidyr 패키지를 이용할 수 있으나 여기서는 melt()를 이용하여 형태를 바꿔주었다.

GridDT <- copy(PimaIndDT[, c("Skin", "BMI", "Ped", "type"), with = F])
GridDT <- melt(data = GridDT, measure.vars = "type", value.name = "DiabetValue")

GridDT[, size := rep(1.5, nrow(GridDT))]
s <- 1.5

head(GridDT)

             Skin      BMI             Ped variable DiabetValue size
1: high skin fold high BMI   high pedigree     type         Yes  1.5
2:  low skin fold  low BMI medium pedigree     type          No  1.5
3:  low skin fold  low BMI    low pedigree     type          No  1.5
4: high skin fold  low BMI    low pedigree     type         Yes  1.5
5: high skin fold  low BMI    low pedigree     type         Yes  1.5
6:  low skin fold  low BMI   high pedigree     type         Yes  1.5

3.3. Facet Grid

• 여기서 Facet Grid를 하는 목적은 BMI분포를 type에 대해서 “matrix” 혹은 “grid” 형태로 살펴보기 위함이다.
  • pedigree/skin fold의 2X3 조합 table 형태

• 즉, 낮은 pedigree / 낮은 skin fold에 대해서 BMI가 type에 따라 어떻게 분포하는지를 보는 것이다.

• 이러한 정보를 단 1개의 plot으로 묶어서 볼수 있다.

ggplot(data = GridDT, aes(x=DiabetValue, fill=BMI)) + geom_bar() + 
  facet_grid(Skin ~ Ped)

• 괜찮은 그래프지만, 눈에 잘 띄지 않는다.

• 그래서 각각의 box의 outline과 글씨들을 굵게하였다.

p <- ggplot(data=GridDT, aes(x=DiabetValue, fill=BMI)) + geom_bar() +  # Barplot
  geom_rect(aes(fill=NA, size=size),
            xmin =-Inf,xmax=Inf,ymin=-Inf,ymax=Inf,
            alpha = 0.0002, colour="black",show.legend = F) + 
  scale_size(range=c(s,s), guide=FALSE) + 
  facet_grid(Skin ~ Ped) +
  theme(strip.text.x = element_text(face="bold", size=12)) +
  theme(strip.text.y = element_text(face="bold", size=12)) 

plot(p)

• 각 box의 outline이 부각되고 글자들도 굵어져서 꽤 잘보이게 되었다.

• 위 그래프로부터 해석해보자면,
  • 1. 높은 피하지방의 두께(skin fold)과 높은 BMI지수는 서로 연관이 있고, 이 둘은 당뇨병 환자의 수가 많은 것과도 연관이 있다.
  • 2. 위의 내용은 당뇨병 혈통기능이 높을수록 더욱 그렇다.

• 이러한 종류의 grid plot은 다차원 데이터를 보는데에 매우 파워풀하다.

4.1. Data preparation

• 보통 ggplot2를 사용하기 전에 데이터를 준비해야한다.

• 아래는 Heatmaps를 시각화하는데에 필요한 데이터로 준비하는 코드이다.

PimaIndDT <- PimaIndDT[, 1:8]

HeatDT <- copy(PimaIndDT[, lapply(.SD, as.double), .SDcols = c(1:7)])
HeatDT[, id := 1:nrow(PimaIndDT)]

HeatDT <- melt(HeatDT, id.vars = "id")
HeatDT[, rescale := scale(value), by = "variable"]

# Color scale for heatmap
library(RColorBrewer)
colors <- brewer.pal(9, 'Reds')

# Lines to split patients into diabetic/non-diabetic
my.lines <- data.table(x1 = 0.5, x2 = 7.5, y1 = 223.5, y2 = 223.5)

4.2. Rendering the heatmap

# Basic plot
p <- ggplot(HeatDT, aes(as.factor(variable), as.factor(id), group=id)) + 
  geom_tile(aes(fill = rescale), colour = "white") +
  scale_fill_gradient(low="green", high="red")

# Make adjustments
base_size <- 9
p_adj <- p + theme_grey(base_size = base_size) + labs(x = "", y = "") + 
  scale_x_discrete(expand = c(0,0)) + 
  geom_segment(data=my.lines, aes(x = x1, y = y1, xend=x2, yend=y2), 
               size=1, inherit.aes = F) +
  theme(axis.text.y = element_blank(), axis.ticks.y = element_blank())

plot(p_adj)

• Heatmaps에서 우리가 관심있는 부분을 명확하게 볼 수 있다.

• Heatmaps의 각각 두께는 무시하였다.

• viewer에서 좀 더 튀게보이게끔하기 위해 geom_rect()를 이용한다.

# Borders of rectangles to indicate areas of interest on heatmap
my.lines.rect.1 <- data.table(xmin = 1.5, xmax = 2.5, ymin = 223.5, ymax = 255.5)
my.lines.rect.2 <- data.table(xmin = 3.5, xmax = 4.5, ymin = 223.5, ymax = 332)
my.lines.rect.3 <- data.table(xmin = 5.5, xmax = 6.5, ymin = 223.5, ymax = 280.5)

p_adj <- p_adj + geom_rect(data=my.lines.rect.1, aes(xmin = xmin, xmax = xmax, 
            ymin = ymin, ymax = ymax), fill = NA, col = "black", lty=2, inherit.aes = F) +
  geom_rect(data=my.lines.rect.2, aes(xmin = xmin, xmax = xmax, 
            ymin = ymin, ymax = ymax), fill = NA, col = "black", lty=5, inherit.aes = F) +
  geom_rect(data=my.lines.rect.3, aes(xmin = xmin, xmax = xmax, 
            ymin = ymin, ymax = ymax), fill = NA, col = "black", lty=4, inherit.aes = F)

plot(p_adj)