2.1 그래프가 필요한 이유

• 자료를 시각적으로 표현해서 어떤 모습인지 파악한 후 좀 더 중요한 통계량들을 해석해야 한다.
• 비유: 온라인 데이트 (카메라속 이미지와 실제는 늘 다르다!)

2.2 좋은 그래프의 조건 (에드워드 터프티, 2001)

• 자료를 보여주어야 한다.
• 그래프가 제시하는 자료에 괜해 독자가 뭔가 생각하게 만들어야 한다.
• 자료를 왜곡하지 않아야 한다.
• 최소한의 잉크로 많은 수치를 제시해야 한다.
• 큰 자료 집합들의 일관성을 보여주어야 한다.
• 서로 다른 자료 조각들을 비교할 수 있게 해야 한다.
• 자료의 숨겨진 본성을 드러내야 한다.

2.2.1 나쁜 그래프

• 왜 나쁠까?

2.2.2 좋은 그래프

• 왜 좋은가?

2.2.3 거짓말, 새빨간 거짓말, 그리고, —음, —그래프

• 두 그래프의 차이를 어떻게 다른가?

2.3 이번 장에서 사용하는 패키지

#If you don't have ggplot2 installed then use:
# install.packages(c("ggplot2", "plyr"))
library(ggplot2)
library(plyr)
library(dplyr)

2.3.1 그래프의 구성

• 기하객체: geometric object - 줄여서 geom
• 미적속성: aesthetics property - aes()

2.3.3 미적 속성

myGraph <- ggplot(myData, aes(x축에 그릴 변수들, y축에 그릴 변수들))

myGraph <- ggplot(myData, aes(x축에 그릴 변수들, y축에 그릴 변수들, colour = gender))

2.3.5 스탯함수와 기하객체

• 사용 예시는 아래와 같다.

myHistogram <- ggplot(myData, aes(variable))
myHistogram + geom_histogram(aes(y=..count..), binwidth = 0.4)

2.3.6 과도한 그래프 작도를 피하려면

그래프가 지저분하거나 불명확해지는 주된 이유는(1) 그래프 하나에 너무 많은 자료를 표시하거나 (2) 자료가 너무 겹쳐져 그려지는 것이다. ggplot2에는 이런 문제를 극복하는 데 도움이 되는 여러 위치 관련 기능이 있다. 첫번째로 살펴볼 것은 다음과 같은 형태로 사용하는 위치 조정 기능이다.

position = 'x'

• 여기서 x에는 다음 다섯 단어 중 하나를 사용할 수 있다.
  • dodge: 가장자리가 겹치지 않도록 객체들의 위치를 조정한다.
  • stack & fill: 객체들이 쌓이도록 위치를 조정한다. stack은 가장 큰 객체가 제일 밑에 깔리고 가장 작은 객체가 제일 위에 놓이도록 객체들을 쌓는다. fill은 공간이 모두 채워지도록 객체들의 높이를 적절히 비례해서 쌓는다.
  • identity: 위치를 조정하지 않는다.
  • jitter: 객체들이 겹치지 않도록 무작위로 오프셋을 추가한다.

과도한 그래프 작도를 피하는 또 다른 방법은 면 분할(faceting)이다. 크게 두가지 방법이 있다.

2.3.6.1 facet_grid

그래프가 표시하는 자료를 다른 변수들과의 조합에 기초해서 격자(grid) 형태로 분할할 때 쓰는 함수

+ facet_grid(gender ~ extroversion)

2.3.6.2 facet_wrap

그래프를 하나의 변수에 기초해서 여러 개별 그래프들로 분할하고 그것들을 긴 리본 형태로 표시하는 것인데, 필요하면 일정 개수의 그래프마다 줄을 바꾸어서 격자 형태를 만들 수도 있다.

3.1 단순 산점도

• 현재 모든 파일은 구글 드라이브에 저장되어 있습니다. 아래와 같이 실행하면 본인인증만 하면 관련 파일을 다운로드 받을 수 있습니다.

library(googledrive)
drive_download(file = "Exam Anxiety.dat", path = "../data/Exam Anxiety.dat", overwrite = TRUE)

examData <- read.delim("../data/Exam Anxiety.dat", header = TRUE)
dplyr::glimpse(examData)

## Observations: 103
## Variables: 5
## $ Code    <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 1…
## $ Revise  <int> 4, 11, 27, 53, 4, 22, 16, 21, 25, 18, 18, 16, 13, 18, 98…
## $ Exam    <int> 40, 65, 80, 80, 40, 70, 20, 55, 50, 40, 45, 85, 70, 50, …
## $ Anxiety <dbl> 86.298, 88.716, 70.178, 61.312, 89.522, 60.506, 81.462, …
## $ Gender  <fct> Male, Female, Male, Male, Male, Female, Female, Female, …

• Code: 점수가 속한 참가자를 식별하는 번호
• Revise: 참가자가 복습(시험 준비)에 소비한 시간
• Exam: 참가자의 시험 점수를 퍼센트로 환산한 값
• Anxiety: EAQ 평가 점수
• Gender: 참가자의 성별(“male” 또는 “female”이라는 문자열로 저장)

데이터셋은 아래와 같이 구성되어 있습니다.

DT::datatable(examData)

이제 산점도를 그리도록 합니다.

ggplot(examData, aes(x = Anxiety, Exam)) + 
  geom_point() + 
  labs(x = "Exam Anxiety", y = "Exam Performance %")

• 위 그래프를 어떻게 해석할 것인가? 그대로 볼 것인가? 아니면 별도로 가공할 것인가?

3.2 멋진 선 추가

회귀선(regression line)을 추가할 수 있습니다. ggplot2의 어법에서는 이 회귀선을 ‘평활기(smoother)’라고 부르는데, 이는 회귀선이 원본 자료의 들쭉날쭉한 요철을 매끄럽게 펴서(’평활’) 자료 전체를 요약하는 선입니다. (p. 177)

library(gridExtra)
p <- ggplot(examData, aes(x = Anxiety, Exam)) + 
  geom_point() + 
  labs(x = "Exam Anxiety", y = "Exam Performance %") + 
  ggtitle("scatter_plot")

p1 <- p + geom_smooth() + ggtitle("geom_smooth")
  
p2 <- p + geom_smooth(method = "lm") + ggtitle("method = `lm`")

p3 <- p + geom_smooth(method = "lm", colour = "Red" ) + ggtitle("method = `lm` & colour = `Red`")

p4 <- p + geom_smooth(method = "lm", se = F ) + 
  ggtitle("method = `lm` & se = F")

p5 <- p + geom_smooth(method = "lm", alpha = 0.1, fill = "Blue") + ggtitle("method = `lm` & alpha = 0.1 & fill = 'Blue'")

grid.arrange(p, p1, p2, p3, p4, p5, ncol = 1)

3.3 그룹 산점도

그래프와 보고자 하는 것은 Exam Anxiety에 대해 성별간의 반응이 어떻게 다른지 보고 싶을 때는 어떻게 그래프를 작성해야 할까요?

코드는 아래와 같습니다.

# 객체 생성
p <- ggplot(examData, 
            aes(x = Anxiety, 
                y = Exam, 
                colour = Gender))

# 그래프 생성
p + 
  geom_point() + 
  geom_smooth(method = "lm", 
              aes(fill = Gender), 
              alpha = 0.1) +
  labs(x = "Exam Anxiety", 
       y = "Exam Performance %", 
       colour = "Gender")

회귀선의 기울기를 보면 Male이 Female 그룹보다 선의 기울기가 더 급한 것을 볼 수가 있습니다. 다른 말로 하면, 시험 불안이 시험 성적에 미치는 악영향이 여학생들보다 남학생에게 더 큰 것을 확인할 수 있습니다.

4.1 데이터 가져오기

library(googledrive)
drive_download(file = "DownloadFestival.dat", path = "../data/DownloadFestival.dat", overwrite = TRUE)

festivalData <- read.delim("../data/DownloadFestival.dat", header = TRUE)
dplyr::glimpse(festivalData)

## Observations: 810
## Variables: 5
## $ ticknumb <int> 2111, 2229, 2338, 2384, 2401, 2405, 2467, 2478, 2490, 2…
## $ gender   <fct> Male, Female, Male, Female, Female, Male, Female, Femal…
## $ day1     <dbl> 2.64, 0.97, 0.84, 3.03, 0.88, 0.85, 1.56, 3.02, 2.29, 1…
## $ day2     <dbl> 1.35, 1.41, NA, NA, 0.08, NA, NA, NA, NA, 0.44, NA, 0.2…
## $ day3     <dbl> 1.61, 0.29, NA, NA, NA, NA, NA, NA, NA, 0.55, NA, 0.47,…

4.2 히스토그램 생성

festivalHistogram <- ggplot(festivalData, aes(day1)) + 
  theme(legend.position = "none")

festivalHistogram + 
  geom_histogram(binwidth = 0.4) +
  labs(x = "Hygiene (Day 1 of Festival", y = "Frequency")

• 히스토그램에서 무엇을 볼 것인가?
• 이상치를 어떻게 볼 것인가?

5.1 BoxPlot 그래프

festivalBoxplot <- ggplot(festivalData, aes(x = gender, y = day1))
festivalBoxplot + 
  geom_boxplot() + 
  labs(x = "Gender", y = "Hygiene (Day 1 of Festival)")

• 히스토그램과의 차이점은 무엇인가요?
• 히스토그램에서도 이상치가 발견되었지만, 상자그림을 통해서는 여성그룹에서 이상치가 발견된 것을 확인할 수 있습니다.

5.2 이상치 검출방법 - 자료 정렬

festivalData2 <- festivalData[order(festivalData$day1), ]
tail(festivalData2)

##     ticknumb gender  day1 day2 day3
## 774     4564 Female  3.38 3.44 3.41
## 300     3371 Female  3.41   NA   NA
## 657     4264   Male  3.44   NA   NA
## 303     3374   Male  3.58 3.35   NA
## 574     4016 Female  3.69   NA   NA
## 611     4158 Female 20.02 2.44   NA

• 맨 마지막에 있는 데이터에서 20.02이 확인 되었다.
• 코딩이 잘못되었음을 확인함. (데이터 입력의 실수)
• 데이터 입력의 실수를 어떻게 볼 것인가? 어떻게 줄일 것인가?

5.3 데이터 입력 수정

festivalData3 <- festivalData2 %>% 
  mutate(day1 = recode(day1, '20.02' = 2.02))

tail(festivalData3)

##     ticknumb gender day1 day2 day3
## 805     4564 Female 3.38 3.44 3.41
## 806     3371 Female 3.41   NA   NA
## 807     4264   Male 3.44   NA   NA
## 808     3374   Male 3.58 3.35   NA
## 809     4016 Female 3.69   NA   NA
## 810     4158 Female 2.02 2.44   NA

• recode 함수를 사용하여 20.02의 값을 2.02로 바꿀 수 있습니다.

5.4 이상치 제거한 후의 상자그림

어떻게 해석할 것인가? 책의 내용을 요약하면 아래와 같이 해석할 수 있다.

흰 상자의 하단은 하위 사분위수를 나타낸다….여성이 남성보다 이 범위가 더 넓다….이는 여성 하위 25%가 남성 하위 25%보다 위생 점수들보다 더 다양하다(즉, 변동이 크다)는 뜻이다…여성의 중앙값이 남성의 중앙값보다 큰데, 이는 가운데에 해당하는 남성의 점수보다 높다는(더 위생적이라는) 뜻이다…마지막으로 남성의 상자그림을 보면 상자 위쪽에 자료점이 몇 개 있다. 이들은 이상치에 해당하는 사례들이다. 제5장에서는 이런 이상치들을 처리하는 방법을 살펴본다…(???)

7.1 막대그림표와 오차 막대그림표

# library(googledrive)
# drive_download(file = "ChickFlick.dat", path = "../data/ChickFlick.dat", overwrite = TRUE)

chickFlick <- read.delim("../data/ChickFlick.dat", header = TRUE)

glimpse(chickFlick)

## Observations: 40
## Variables: 3
## $ gender  <fct> Male, Male, Male, Male, Male, Male, Male, Male, Male, Ma…
## $ film    <fct> Bridget Jones' Diary, Bridget Jones' Diary, Bridget Jone…
## $ arousal <int> 22, 13, 16, 10, 18, 24, 13, 14, 19, 23, 37, 20, 16, 28, …

• gender: 참가자의 성별(문자열)
• film: 관람한 영화 제목(문자열)
• arousal: 각성 점수

ggplot(chickFlick, aes(film, arousal)) + 
  stat_summary(fun.y = mean, geom = "bar", fill = "White", colour = "Black") + 
  stat_summary(fun.data = mean_cl_normal, geom = "pointrange") + 
  labs(x = "Film", y = "Mean Arousal")

ggplot(chickFlick, aes(film, arousal, fill = gender)) + 
  stat_summary(fun.y = mean, geom = "bar", position = "dodge") + 
  stat_summary(fun.data = mean_cl_normal, geom = "errorbar", position = position_dodge(width = 0.90), width = 0.2) + 
  labs(x = "Film", y = "Mean Arousal", fill = "Gender")

ggplot(chickFlick, aes(film, arousal, fill = gender)) +
  stat_summary(fun.y = mean, geom = "bar", position="dodge") + 
  stat_summary(fun.data = mean_cl_normal, 
               geom = "errorbar",
               position=position_dodge(width=0.90), 
               width = 0.2) + 
  labs(x = "Film", y = "Mean Arousal", fill = "Gender") + 
  scale_fill_manual("Gender", values = c("Female" = "pink", "Male" = "blue"))

7.2 선 그래프

library(googledrive)
drive_download(file = "Hiccups.dat", path = "../data/Hiccups.dat", overwrite = TRUE)

hiccupsData <- read.delim("../data/Hiccups.dat", header = TRUE)
hiccups <- stack(hiccupsData)
names(hiccups) <- c("Hiccups", "Intervention")
hiccups$Intervention_Factor <- factor(hiccups$Intervention, levels(hiccups$Intervention)[c(1, 2, 3, 4)])
levels(hiccups$Intervention_Factor)

## [1] "Baseline" "Tongue"   "Carotid"  "Rectum"

line <- ggplot(hiccups, aes(x = Intervention_Factor, y = Hiccups))
line + 
  stat_summary(fun.y = mean, geom = "line", aes(group = 1), colour = "Blue", linetype = "dashed") + 
  stat_summary(fun.data = mean_cl_boot, geom = "errorbar", width = 0.2) + 
  labs(x = "Intervention", y = "Mean Number of Hiccups")

7.3 여러 독립변수에 대한 선 그래프

# library(googledrive)
# x <- drive_find(pattern = "TextMessages.dat")
# drive_download(file = as_id(x$id[1]), path = "../data/TextMessages.dat", overwrite = TRUE)
textData <- read.delim("../data/TextMessages.dat", header = TRUE)
glimpse(textData)

## Observations: 50
## Variables: 3
## $ Group      <fct> Text Messagers, Text Messagers, Text Messagers, Text …
## $ Baseline   <int> 52, 68, 85, 47, 73, 57, 63, 50, 66, 60, 51, 72, 77, 5…
## $ Six_months <int> 32, 48, 62, 16, 63, 53, 59, 58, 59, 57, 60, 56, 61, 5…

• Group: 참가자가 문자 메시지를 허용한 실험군(“Text Messages”)에 속하는지 대조군(‘Controls’)에 속하는지를 나타낸다.
• Baseline: 기저 조건(조작을 가하기 전)의 문법 시험 점수
• Six_months: 6개월 이후의 문법 시험 점수

자료를 긴 형식으로 변경해서 textMessages라는 데이터프레임을 생성한다.

library(reshape2)
textData$id <- row(textData[1])
textMessages <- melt(textData, id = c("id", "Group"), measured = c("Baseline", "Six_months"))
names(textMessages)<-c("id", "Group", "Time", "Grammar_Score")
textMessages$Time<-factor(textMessages$Time, labels = c("Baseline", "6 Months"))

head(textMessages)

##   id          Group     Time Grammar_Score
## 1  1 Text Messagers Baseline            52
## 2  2 Text Messagers Baseline            68
## 3  3 Text Messagers Baseline            85
## 4  4 Text Messagers Baseline            47
## 5  5 Text Messagers Baseline            73
## 6  6 Text Messagers Baseline            57

가공된 데이터를 변환하여 그래프를 생성한다.

library(ggplot2)
line <- ggplot(textMessages, aes(x = Time, y = Grammar_Score, colour = Group))
line + 
  stat_summary(fun.y = mean, geom = "line", aes(group = Group)) + 
  stat_summary(fun.data = mean_cl_boot, geom = "errorbar", width = 0.2) + 
  labs(x = "Time", y = "Mean Grammar Score", colour = "Group") + 
  ylim(c(0, 80)) + 
  theme_bw()

• 어떻게 해석할 것인가? 일단, 문자 메시지가 아동의 문법 이해도에 악영향을 미친다는 결론을 내릴 수 있음.