Aprendiendo Highcharter y Plotly

Accidentes de tránsito en Ecuador

A continuación realizamos un estudio de estadistica descriptiva a la base de datos de accidentes de tránsito del 2015 a nivel nacional provisto por el INEC

Para integrar R con Markdown se utiliza un chunk (pedazo de código), aquí colocaremos todos el código R tal cual sería para demostrar el experimiento realizado, la ventaja esta en que se detalla tanto el tratamiento de datos como el experimento en si: utilizar un algoritmo, simulación, etc.

El chunk acepta algunos parámetros en los cuales indicaremos si se debe mostrar el código, si se quiere mostrar el resultado, si se desea mostrar los mensajes de consola de R, warnings, etc.

  • echo = FALSE: Evita mostrar el código R
  • include = FALSE: permite ejecutar el código pero no muestra ni el codigo ni el resultado
  • message = FALSE: oculta los mensajes generados por el código en consola
  • warning = FALSE: oculta los warmings generados por el código en consola
  • fig.cap = “”: agrega un mensaje al pie de la figura
accidentes2015 <- read.csv('./2015_AccidentesTránsitoBDD.csv')
summary(accidentes2015)
##       PROVINCIA                              CAUSA              MES       
##  PICHINCHA :15754   IMPERIC. E IMPRUD. CONDUCTOR:16612   Diciembre: 3446  
##  GUAYAS    : 6799   NO RESP. SEÑALES DE TRÁNSITO: 6279   Mayo     : 3096  
##  TUNGURAHUA: 1735   EXCESO VELOCIDAD            : 3777   Octubre  : 3039  
##  IMBABURA  : 1526   MAL REBASA. INVADIR CARRIL  : 3066   Marzo    : 3023  
##  AZUAY     : 1373   EMBRIAGUEZ O DROGA          : 2490   Noviembre: 3001  
##  LOS RÍOS  : 1250   IMPRUDENCIA  DEL PEATÓN     : 1696   Abril    : 2967  
##  (Other)   : 7269   (Other)                     : 1786   (Other)  :17134  
##               CLASE           ZONA      
##  CHOQUES         :15976   RURAL :10517  
##  ATROPELLOS      : 5140   URBANA:25189  
##  ESTRELLAMIENTOS : 4624                 
##  PÉRDIDA DE PISTA: 3471                 
##  ROZAMIENTOS     : 2597                 
##  OTROS           : 2034                 
##  (Other)         : 1864                 
##                              CANTON      NUM_FALLECIDO     
##  DISTRITO METROPOLITANO DE QUITO:15099   Min.   : 0.00000  
##  GUAYAQUIL                      : 4142   1st Qu.: 0.00000  
##  AMBATO                         : 1514   Median : 0.00000  
##  IBARRA                         : 1292   Mean   : 0.05988  
##  CUENCA                         : 1153   3rd Qu.: 0.00000  
##  SANTO DOMINGO                  :  957   Max.   :10.00000  
##  (Other)                        :11549                     
##  NUM_LESIONADO     TOTAL_VICTIMAS   
##  Min.   : 0.0000   Min.   : 0.0000  
##  1st Qu.: 0.0000   1st Qu.: 0.0000  
##  Median : 0.0000   Median : 1.0000  
##  Mean   : 0.7067   Mean   : 0.7666  
##  3rd Qu.: 1.0000   3rd Qu.: 1.0000  
##  Max.   :34.0000   Max.   :35.0000  
##

Graficando con Highcharter

Causas más comunes de accidentes que dejan personas fallecidas.

library(highcharter)
## Highcharts (www.highcharts.com) is a Highsoft software product which is
## not free for commercial and Governmental use
causas <- aggregate(NUM_FALLECIDO ~ CAUSA, accidentes2015, sum)

hchart(causas, "column", hcaes(x = CAUSA, y = NUM_FALLECIDO))

Las provincias de Guayas y Pichincha son las que tienen mayor número de accidentes

library(highcharter)

provincias <- aggregate(NUM_FALLECIDO ~ PROVINCIA, accidentes2015, sum)
provincias <- provincias[order(-provincias$NUM_FALLECIDO),]
highchart() %>%
  hc_title(text="Número de fallecidos por provincia")%>%
  hc_chart(type="bar") %>%
  hc_xAxis(categories = provincias$PROVINCIA) %>%
  hc_add_series(provincias$NUM_FALLECIDO, name="Provincias")

Distribución de victimas por causa del accidente

hcboxplot(x=accidentes2015$TOTAL_VICTIMAS, var=accidentes2015$CAUSA)

Función highchart() paso a paso

La funcion highchart inicializa el gráfico, con %>% vamos agregando las opciones que queremos visualizar, series, categorias, colores, etc.

library(reshape)

#agregamos número de lesionados por mes y por zona
zonas <- aggregate(NUM_LESIONADO ~ MES + ZONA, accidentes2015, sum )

#pivoteamos mes a filas, zonas a columnas
zonas <- cast(zonas, MES ~ ZONA, sum)

#ordenamos los meses
mes.nombre <- c("Enero","Febrero","Marzo","Abril","Mayo","Junio","Julio","Agosto","Septiembre","Octubre","Noviembre","Diciembre")
zonas$MES = factor(zonas$MES, levels = mes.nombre)
zonas = zonas[order(zonas$MES),]

# guardamos el gráfico en el objeto hc para poder modificarlo luego

hc <- highchart() %>% 
  # hc_xAxis detallamos las opciones para el eje x, la variable a enviar debe ser una categórica
  hc_xAxis(categories = zonas$MES) %>% 
  # una serie es una variable numérica continua, en este caso agregaremos 2
  hc_add_series(name = "Urbano", data = zonas$URBANA) %>% 
  hc_add_series(name = "Rural", data = zonas$RURAL)

# para graficar solamente ejecutamos el objeto hc

hc

La función hc_chart permite agregar opciones generales como colores, aspecto y leyendas

hc %>% 
  # borderColor: color del borde del recuadro
  hc_chart(borderColor = '#EBBA95',
           # borderRadius para redondear las esquinas del recuardo
           borderRadius = 10,
           # borderWidth el espesor de la línea
           borderWidth = 2,
           # backgroundColor solido se envia un color, en gradiente un conjunto de colores
           backgroundColor = list(
             linearGradient = c(0, 0, 500, 500),
             stops = list(
               list(0, 'rgb(255, 255, 255)'),
               list(1, 'rgb(200, 200, 255)')
             )))

Para cambiar el tipo de gráfico utilizamos la funcion hc_chart indicando el nuevo tipo.

hc <- hc %>%
  hc_chart(type = 'column')

hc

Volvemos al gráfico de líneas

hc <- hc_chart(hc, type = "line")

hc

Colores, con hc_colors podemos embellecer nuestros gráficos

Paletas de colores en R

library("viridisLite")

cols <- viridis(2)
cols <- substr(cols, 0, 7)

cols 
## [1] "#440154" "#FDE725"
hc %>% 
  hc_colors(cols)
cols <- rainbow(2)

cols 
## [1] "#FF0000FF" "#00FFFFFF"
hc %>% 
  hc_colors(cols)

Ejes, lineas de grilla, mover el eje.

hc_xAxis y hc_yAxis

hc %>% 
  hc_xAxis(title = list(text = "Meses"),
           #poner el eje en el lado opuesto
           opposite = TRUE,
           #agregar una línea constante
           plotLines = list(
             list(label = list(text = "Constante"),
                  color = "#FF0000",
                  width = 2,
                  value = 5.5))) %>% 
  hc_yAxis(title = list(text = "Número de afectados"),
           opposite = TRUE,
           minorTickInterval = "auto",
           minorGridLineDashStyle = "LongDashDotDot",
           #mostrar la primera etiqueta
           showFirstLabel = FALSE,
           #mostrar la ultima etiqueta
           showLastLabel = FALSE,
           #agregar una banda de área
           plotBands = list(
             list(from = 1400, to = JS("Infinity"), color = "rgba(100, 0, 0, 0.1)",
                  label = list(text = "Área"))))

Eliminando series

hc %>%
  hc_rm_series(name = "Rural")

Agregando color al área

hc %>%
  hc_add_series(name = "Rural", data = zonas$RURAL, type="area")

Varios tipos de gráficos

hc %>%
  hc_add_series(name = "Rural", data = zonas$RURAL, type="bar")

Ahora con Plotly

library(plotly)
plot_ly(accidentes2015, x=accidentes2015$TOTAL_VICTIMAS ,color=accidentes2015$CAUSA, type='box')
accidentes2015<-accidentes2015[order(-accidentes2015$TOTAL_VICTIMAS),]
plot_ly(accidentes2015, x = accidentes2015$CAUSA, y = accidentes2015$NUM_LESIONADO, type = 'bar', name = 'Lesionados') %>%
  add_trace(y = accidentes2015$NUM_FALLECIDO, name = 'Fallecidos') %>%
  layout(yaxis = list(title = 'Count'), barmode = 'stack')