1 Intro: Grammar of graphics plot (ggplot2)

ggplot2 es un paquete para realizar gráficos. Es una gramática con su propia sintaxis basada en:

  1. crear una primera capa con la función ggplot(), que toma 2 argumentos:

Atento! Hay un lío importante acá entre funciones y argumentos: ggplot es una función con el argumento mapping que toma de entrada la salida de una función que es aes; no aclares que oscurece, en el ejemplo se va a ver más claro, presten atención a los colorcitos.

  1. agregar una capa con los valores de los datos (geom). La capa depende del tipo y cantidad de variables que tengo, típicamente:

En general, para usar ggplot cómodamente necesito que el dataframe que almacena mis datos esté en formato largo para lo cual es muy útil el paquete reshape2 que vimos en la sesión pasada

Veamos algunos ejemplos, a partir de los datos que usamos en las sesiones anteriores.Empecemos con los datos de participantes del ultimátum game de la sesión 5, al data frame en formato largo le habíamos llamado parts3, ¿Qué distribución tienen las respuestas de enojo? Puedo usar geom_histogram() para graficar distribuciones discretas:

# 1. creo una capa con el data frame e indico la variables que quiero usar
migrafico = ggplot(data = parts3, mapping = aes(x = enojo))

#2. agrego una capa con los valores en forma de histograma
migrafico + geom_histogram()
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## Warning: Removed 3 rows containing non-finite values (stat_bin).

Bien, grafica, pero me da un mensaje y un warning. Veamos. El mensaje dice: stat_bin() usa bins = 30, elegir mejores valores con el argumento binwidth. Binwidth indica el ancho de cada barra y bins el número de barras, tengo 30 barras para valores entre 0 y 8, es demasiado para este histograma. Mejor usamos barras de ancho 1? Y ya que estoy le cambio el color del relleno (fill) y del borde (colour) para que sea vea mejor:

migrafico + geom_histogram(binwidth = 1, fill="blue",colour="white")

Ok, luce bien, fácil, primero indico datos y variables, después le doy forma y un poco de color. Naturalmente, quiero ver cómo cambia el enojo en función del tipo de oferta, ¿cierto? Las ofertas injutas, ¿producen más enojo que las ofertas justas? Para eso necesito un gráfico de barras, con una barra para cada tipo de oferta (esto es el eje x) y que la altura de la barra corresponda al promedio de enojo para ese tipo de oferta (esto es el eje y).

# calculo las medias por condición
library("plyr")

parts4 = ddply(parts3, c("tipo_oferta"),summarize,media_enojo=mean(enojo, na.rm=T))

# otra vez, 1. creo una capa con el data frame e indico la variables que quiero usar
migrafico2 = ggplot(data = parts4, mapping = aes(x = tipo_oferta, y = media_enojo))

#3. agrego una capa con los valores en forma de barra
migrafico2 + geom_bar(stat='identity')

Agrego stat=identity para que funcione con dos variables, para entender esto es bueno consultar la ayuda:

help(geom_bar)

Y si quiero agregar una variable más? Por ejemplo, el nivel de enojo para cada tipo de oferta y para cada sexo:

# agrego la variable sexo en la estética, quiero que use el relleno para distinguir sexos
migrafico2 = ggplot(data = parts3, mapping = aes(x = tipo_oferta, y = enojo, fill=sexo))

# y le digo que ponga las barras una al lado de la otra con el argumento position
migrafico2 + geom_bar(stat='identity',  position="dodge")

¿Cómo sé que los argumentos que necesito son fill y position y dónde tengo que ponerlos? Porque consulto la ayuda. En el caso de ggplot, recomiendo mirar la ayuda en línea, ya que se ve mejor que dentro de R. Para eso simplemente pongo en google: geom_bar ggplot2.

El lector perspicaz notará la diferencia del argumento fill en el primer ejemplo y en el segundo ejemplo. En el primer ejemplo usé fill adentro de geom_histogram() y le asigné un color entre comillas, dije: geom_histogram(...fill="blue"). En el segundo usé fill adentro de aes() y le asigné una variable de mi data frame, dije: aes(...fill=sexo). Los parámetros de fill (y otros como shape, size, colour…) pueden usarse de dos maneras: en aes() asociados a valores de variables, y en geom...() asociados a valores constantes.

Repasemos:

  1. Armo una capa con la función ggplot() indicando el data frame, y las variables con la ayuda de la función aes()
  2. Agrego una capa indicando cómo quiero presentar los datos, las opciones son geom_algunacosa() seguido de los argumentos de cada tipo de geom, que los puedo consultar en la ayuda.

LA GUIA para entender estos y muchos otros gráficos y sus argumentos, es el cheatsheet de ggplot2