Faire de jolis graphiques avec ggplot2

Introduction

• Le statisticien dans sa profession est amené à collecter, traiter, analyser et présenter ou diffuser les résultats issus de sa collecte.

• Ces données sont sous forme de tableau ou d’une feuille de calcul quelconque.

• A moins qu’il ne soit très petit, il serait difficile d’avoir une bonne idée des tendances et des modèles.

• Certains techniques statistiques sont conçus pour résumer vos données de diverses manières: moyenne, médiane, écart-type, etc.

• Mais, parfois il est agréable de pouvoir «voir» des centaines ou des milliers de points de données de brutes en une seule, sans statistiques récapitulatives: représentations graphiques.

• Recours à des logiciels statistiques (R, Stata, SAS, etc.).

• Ici, il s’agit de présenter, un système graphique de R, le ggplot2, qui permet de faire de jolis graphiques, et très puissants.

Principaux systèmes graphiques R

• Système graphique de base: écrit par Ross Ihaka et est inclus dans chaque installation de R.

• Le système graphique de grille (grid graphics system): écrit par Paul Murrell (2006): alternative au système graphique standard.

• Le système de graphique lattice écrit par Deepayan Sarkar (2008): système complet pour créer des graphiques statistiques dans R.

• Le package ggplot2 écrit par Hadley Wickham (2009a); système de graphiques basé sur la grammaire des graphiques décrite par Wilkinson (2005), générer des graphiques de manière unifiée et cohérente.

ggplot2 vs autres systèmes graphiques

• ggplot2 fournit de magnifiques graphiques sans tracas qui permettent de prendre en compte les détails délicats comme: dessiner les légendes, ajouter des labels.

• Un ensemble de valeurs par défaut soigneusement choisis (les thèmes), donc vous pouvez faire des graphiques de qualité en quelques secondes.

• Dans ggplot2, les expressions utilisées pour créer un nouveau graphique sont composées d’éléments de niveau supérieur tels que des représentations des données brutes et des transformations statistiques

• Si vous songez à créer un tracé avec le système graphique de base, le tracé est construit en appelant une série de fonctions qui créent ou annotent un tracé.

• Pour une exploration très rapide des données, il est parfois utile pour utiliser les fonctions de traçage dans la base R.

Illustrations : basis graphics and ggplot2

R basics

library(car)

## Loading required package: carData

library(ggplot2)

## Warning in as.POSIXlt.POSIXct(Sys.time()): unable to identify current timezone 'T':
## please set environment variable 'TZ'

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following object is masked from 'package:car':
## 
##     recode

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

data(Salaries)
plot(Salaries$yrs.since.phd,Salaries$salary, main = "Salaires suivant le nombre d'années depuis le PhD", xlab = "Année depuis Phd", ylab = "Salaires")+
#lm(salary ~ yrs.since.phd,data = Salaries)
abline(lm(salary ~ yrs.since.phd,data = Salaries))

## integer(0)

ggplot2 systems

ggplot(data=Salaries, aes(x=yrs.since.phd, y=salary)) +
  geom_smooth(method="lm", formula= y~x, se=FALSE) + geom_point()

Grammaire des graphiques

• En bref, la grammaire nous dit qu’un graphique statistique est un mappage des données aux attributs esthétiques (couleur, forme, taille) des objets, les géométriques (points, lignes, barres).

• Le graphique peut également contenir des transformations statistiques des données et est dessiné sur un système de coordonnées spécifique.

• Le facettage peut être utilisé pour générer le même graphique pour différents sous-ensembles de l’ensemble de données.

• data

• aesthetic : aes signifie l’esthétique, ou comment l’information est représentée visuellement.

• geom object: points, des lignes, des barres, des diagrammes en boîte et des régions ombrées; sont ajoutés au graphique à l’aide d’une ou de plusieurs fonctions géométriques (geom_point(): dessine des points sur le graphique, créant un nuage de points.

• statistical transformation

• scales

• faceting

• thems

• labs(): facultative et ajoute des annotations (étiquettes d’axe et un titre).

Ce que ggplot2 ne permet pas de faire?

• La grammaire ne suggère pas quels graphiques vous devez utiliser pour répondre aux questions qui vous intéressent.

• Il ne décrit pas l’interactivité: la grammaire des graphiques ne décrit que des graphiques statiques.

• Le travail sur ggvis, le successeur de ggplot2, a commencé en 2014. Il reprend les idées fondamentales de ggplot2 mais les étend au Web et aux graphiques interactifs.

• Il est interactif et dynamique, donc les tracés se redessinent automatiquement lorsque les données sous-jacentes ou la spécification de tracé changent.

Présentation de la base de données utilisée

• Dans cette présentation, il s’agira de faire une analyse exploratoire de l’ensemble de données sur les salaires du package car dans R.

• Ces données ont été recueillies auprès d’un collège aux États-Unis et contiennent des informations sur les salaires académiques de neuf mois de 2008-2009 des adjoints, des associés et des professeurs.

• Nous essayons de répondre à certaines question dans notre analyse:

• À quoi ressemblent les distributions des variables de cet ensemble de données?

• Quelle est la relation entre le salaire et le nombre d’années depuis l’obtention du doctorat?

Statistiques descriptives

• Description de notre base de données: Quelles sont nos variables?

glimpse(Salaries)

## Observations: 397
## Variables: 6
## $ rank          <fct> Prof, Prof, AsstProf, Prof, Prof, AssocProf, Prof, Pr...
## $ discipline    <fct> B, B, B, B, B, B, B, B, B, B, B, B, B, B, B, B, B, A,...
## $ yrs.since.phd <int> 19, 20, 4, 45, 40, 6, 30, 45, 21, 18, 12, 7, 1, 2, 20...
## $ yrs.service   <int> 18, 16, 3, 39, 41, 6, 23, 45, 20, 18, 8, 2, 1, 0, 18,...
## $ sex           <fct> Male, Male, Male, Male, Male, Male, Male, Male, Male,...
## $ salary        <int> 139750, 173200, 79750, 115000, 141500, 97000, 175000,...

• Un aperçu des données :

library("knitr")

kable(head(Salaries))

rank	discipline	yrs.since.phd	yrs.service	sex	salary
Prof	B	19	18	Male	139750
Prof	B	20	16	Male	173200
AsstProf	B	4	3	Male	79750
Prof	B	45	39	Male	115000
Prof	B	40	41	Male	141500
AssocProf	B	6	6	Male	97000

• Quelques tabulations sur mes variables

salary_sum <- summary(Salaries$salary)
rank_sum <- summary(Salaries$rank)
discpl_sum <- summary(Salaries$discipline)
sex_sum <- summary(Salaries$sex)

salary_sum

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   57800   91000  107300  113706  134185  231545

rank_sum

##  AsstProf AssocProf      Prof 
##        67        64       266

discpl_sum

##   A   B 
## 181 216

sex_sum

## Female   Male 
##     39    358

Parlons à présent des représentations graphiques

• C’est la fonction ggplot qui permet de faire des graphiques. La fonction qplot permet également de faire des graphiques. Voici, la structure des commandes permettant de faire de jolis graphiques avec ggplot2: \[ ggplot()+geom\_point()+goem\_smooth()+theme\_dark() \]

La fonction ggplot()

Elle permet de spécifier la base de données utilisées et les variables à représenter.

Les fonctions geom:

• Alors que la fonction ggplot() spécifie la base de données et les différentes variables à représenter.

• Les fonctions geom spécifient comment ces variables doivent être représentées visuellement (en utilisant des points, des barres, des lignes et des régions ombrées).

• La figure ci dessous donne une idée des fonctions geoms courantes et leurs différentes options.

Parlons des différentes options:

• Chaque fonction geom possède un ensemble d’options qui peuvent être utilisées pour modifier sa représentation.

• Les options courantes sont répertoriées dans le tableau suivant:

Essayons à présent des graphiques

• Histogramme : Un graphique trop simple d’abord:

ggplot(Salaries, aes(x=salary)) + geom_histogram()

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

• Boxplot : Un graphique trop simple d’abord:

ggplot(Salaries, aes(y=salary)) + geom_boxplot()

• Pas besoin de beaucoup de temps pour faire de jolis graphiques: multitude de thèmes:

ggplot(Salaries, aes(x=salary)) + geom_histogram()+theme_light()

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

ggplot(Salaries, aes(x=salary)) + geom_histogram()+theme_dark()

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

• Un graphique un peu plus complet: ajouter d’un titre, les titres des axes

salary_hist <- Salaries %>% ggplot(aes(x = salary)) +
 geom_histogram(color = "black", fill = "blue", bins = 50, binwidth=5000) + labs(x = "Nine-Month Salary (in dollars)", y = "Count",title = "Nine-Month Salary Distribution")
salary_hist

phd_hist <- Salaries %>% ggplot(aes(x = yrs.since.phd)) +
  geom_histogram(color = "black", fill = "green", bins = 50) +
  labs(x = "Years since Ph.D.", y = "Count", 
       title = "Years since Ph.D. Distribution")

phd_hist

• Au lieu de l’histogramme, je peux représenter les densités des variables:

• Nous pouvons représenter également les densités des variables

ggplot(data=Salaries, aes(x = salary))+geom_density(alpha=.3)

• Une manière d’étudier la distribution des variables quantitatives, est de faire une boite à moustache (boxplot). Elle permet d’avoir une idée des valeurs aberrantes.

• Boxplot de la variable salaire:

ggplot(Salaries, aes(y=salary)) + geom_boxplot()

ggplot(Salaries, aes(y=salary)) + geom_boxplot(outlier.colour = "green", outlier.size = 3)

• Pour ajouter plus d’options:

ggplot(Salaries, aes(y=salary)) + geom_boxplot(color="red", fill="blue", alpha=0.50, notch=FALSE)+ labs(y = "Salaire", 
       title = "Salary distribution")

• Faisons le boxplot suivant une variable qualitative: rank variable

ggplot(Salaries, aes(x=rank, y=salary)) + geom_boxplot()+geom_point()

• D’autres options: il s’agit ici de combiner plusieurs fonctions geoms.

ggplot(Salaries, aes(x=rank, y=salary)) +
geom_boxplot(fill="cornflowerblue",
color="black", notch=TRUE)+
geom_point(position="jitter", color="blue", alpha=.5)+
geom_rug(side="l", color="black")

## Warning: Ignoring unknown parameters: side

• La puissance de ggplot2: on peut combiner plusieurs fonctions. goem_violin permet de représenter la densité en miroire qui est affiché de la même manière qu’un boxplot.

ggplot(Salaries, aes(x=rank, y=salary)) +
geom_violin(fill="lightblue") + 
geom_boxplot(fill="lightgreen", width=.2)

• Nous pouvons représenter également les densités des variables suivant une variable qualitative, le rang du prof

ggplot(data=Salaries, aes(x=salary, fill = rank)) +
geom_density(alpha=.3)

A présent, étudions la relation entre le salaire des professeurs et le nombre d’années depuis l’obtention du PhD

• Les deux variables étant quantitatives, on peut faire facilement un nuage de points pour voir la nature de la relation entre ces deux variables:

ggplot(data = Salaries, aes(x = yrs.since.phd, y = salary)) + 
  geom_point()+labs(title="Relation entre salaire et année après le doctorat")

- Plus d’options:

ggplot(data=Salaries, aes(x=yrs.since.phd, y=salary)) +geom_point(colour = "red", size = 3, shape=15)

• Nature de la relation entre homme et femme:

ggplot(data = Salaries, aes(x = yrs.since.phd, y = salary, color = sex)) +  geom_point()

• Nature de la relation suivant le sexe:

ggplot(data = Salaries, aes(x = yrs.since.phd, y = salary, color = sex, shape=sex)) +  geom_point()

Faceting

• Parfois, les relations sont plus claires si les groupes apparaissent dans des graphiques côte à côte plutôt que de se chevaucher dans un seul graphique.

• Utiliser des fonctions facet_wrap () et facet_grid ().

• La syntaxe est donnée dans le tableau suivant, où var, rowvar et colvar sont des facteurs.

Essayons :

• Une autre manière de percevoir la relation entre les deux variables suivant une seule variable, est de représenter le nuage de points pour chaque modalité de la variable, en utilisant l’option facet_wrap.

ggplot(data = Salaries, aes(x = yrs.since.phd, y = salary, shape = rank, color=rank)) + 
  geom_point() + 
  facet_wrap(~ rank, nrow = 2)

• Une manière plus générale de le faire, est d’utiliser la fonction facet_grid qui permet de croiser deux variables.

ggplot(data = Salaries) + 
  geom_point(mapping = aes(x = yrs.since.phd, y = salary)) + 
  facet_grid(rank ~ sex)

• Il faut noter que la fonction facet_grid est plus générale que la fonction facet_wrap

ggplot(data = Salaries,aes(x = yrs.since.phd, y = salary)) + 
  geom_point() +facet_grid(. ~ rank)

ggplot(data = Salaries, aes(x = yrs.since.phd, y = salary)) + 
  geom_point() + 
  facet_grid(rank ~ .)

Ajout de lignes lissées: droite de régression linéaire, et autres

• Parlons des transformations statistiques. Il faut signaler que ggplot2 contient un large éventail de fonctions permettant de calculer des résumés statistiques qui peuvent être ajoutés aux graphiques.

• Il s’agit notamment des fonctions de regroupement des données et de calcul des densités, des contours et des quantiles.

• Cette section examine les méthodes d’ajout de lignes lissées (linéaires, non linéaires et non paramétriques) aux nuages de points.

• Vous pouvez utiliser la fonction geom_smooth () pour ajouter une variété de lignes lissées et de régions de confiance.

• La figure ci dessous résume les principales options de cette fonctions

Essayons cette fonction dans notre cas:

• Examinons la relation entre les années depuis l’obtention d’un doctorat et les salaires des professeurs.

• Tout, d’abord; on ajoute une droite de régression linéaire simple avec les limites de confiance de 95% au nuage de points.

ggplot(data=Salaries, aes(x=yrs.since.phd, y=salary)) +
  geom_smooth(method="lm", formula= y~x, se=TRUE) + geom_point()

• Faisons un peu plus compliqué: ajouter une ligne lissée non paramétrique (loess) avec les limites de confiance de 95%.

library(ggplot2)
ggplot(data=Salaries, aes(x=yrs.since.phd, y=salary)) +
geom_smooth(method="loess", formula= y~x, se=TRUE) + geom_point()

• Ensuite, ajustons une régression polynomiale quadratique séparément par sexe:

ggplot(data=Salaries, aes(x=yrs.since.phd, y=salary,
linetype=sex, shape=sex, color=sex)) +
geom_smooth(method=lm, formula=y~poly(x,2),
se=FALSE, size=1) +
geom_point(size=2)

Parlons un peu du traitement des variables qualitatives

Nous pouvons essayer de visualiser le nombre de professeurs suivant la variable “rank” et le “sex” en utilisant un graphique à barres groupées.

• Une seule variable: diagramme en barres de la variable rank

ggplot(Salaries, aes(x=rank)) +
geom_bar() 

ggplot(Salaries, aes(x=rank)) +
geom_bar(color="red", fill="blue") + labs(title='Bar graphics')

• Faisons un peu compliqué: combiner deux variables qualitatives

• Approche 1:

ggplot(Salaries, aes(x=rank, fill=sex)) +
geom_bar(position="stack") + labs(title='position="stack"')

• Deuxième approche:

ggplot(Salaries, aes(x=rank, fill=sex)) +
geom_bar(position="dodge") + labs(title='position="dodge"')

• Troisième approche

ggplot(Salaries, aes(x=rank, fill=sex)) +
geom_bar(position="fill") + labs(title='position="fill"')

• Graphique précédent:

Notez que l’étiquette sur l’axe des y pour le troisième graphique n’est pas correcte. Il devrait indiquer la proportion plutôt que le nombre. Vous pouvez corriger cela en ajoutant y = “Proportion” à la fonction labs ().

Attention

Les options peuvent être utilisées de différentes manières, selon qu’elles se produisent à l’intérieur ou à l’extérieur de la fonction aes (). Regardez les exemples suivants et essayez de deviner ce qu’ils font:

ggplot(Salaries, aes(x=rank, fill=sex))+ geom_bar()

ggplot(Salaries, aes(x=rank)) + geom_bar(fill="red")

ggplot(Salaries, aes(x=rank, fill="red")) + geom_bar()

• Notes: Dans le premier exemple, le sexe est une variable représentée par la couleur de remplissage dans le graphique à barres. Dans le deuxième exemple, chaque barre est remplie de couleur rouge. Dans le troisième exemple, ggplot2 suppose que “rouge” est le nom d’une variable, et vous obtenez des résultats inattendus (et indésirables). En général, les variables doivent aller à l’intérieur de aes () et les constantes affectées doivent aller à l’extérieur de aes ().

Modification de l’apparence des graphiques ggplot2

• Dans cette section, nous allons examiner plusieurs fonctions qui vous permettent de personnaliser les graphes ggplot2.

• Vous apprendrez à personnaliser l’apparence des axes (limites, graduations et étiquettes de graduation), l’emplacement et le contenu des légendes, et les couleurs utilisées pour représenter les valeurs variables.

• Vous apprendrez également à créer des personnalisations thèmes (vous permettant d’ajouter une apparence cohérente à vos graphiques) et organiser plusieurs graphiques en un seul graphique.

Modification des axes:

• Le package ggplot2 crée automatiquement des axes de tracé avec des graduations, des étiquettes de graduation,et les étiquettes des axes.

• Souvent, ils ont l’air bien, mais parfois vous voudrez prendre un plus grand contrôle sur leur apparence.

• Vous avez déjà vu comment utiliser la fonction labs () pour ajouter un titre et modifier les étiquettes des axes.

• Dans cette section, vous allez personnaliser les axes eux-mêmes.

• Les fonctions sont regroupées dans les tableaux suivants:

• Comme vous pouvez le voir, les fonctions ggplot2 distinguent les axes x et y et si un axe représente une variable continue ou discrète (facteur).

• Appliquons ces fonctions à un graphique avec des boîtes à moustaches groupées pour les salaires des professeurs par rang et sexe. Le code est comme suit:

ggplot(data=Salaries, aes(x=rank, y=salary, fill=sex)) +
geom_boxplot() +
scale_x_discrete(breaks=c("AsstProf", "AssocProf", "Prof"),
labels=c("Assistant\nProfessor",
"Associate\nProfessor",
"Full\nProfessor")) +
scale_y_continuous(breaks=c(50000, 100000, 150000, 200000),
labels=c("$50K", "$100K", "$150K", "$200K")) +
labs(title="Faculty Salary by Rank and Sex", x="", y="")

Personnalisez mes légendes: “left”, “top”, “right” (the default), and “bottom”.

• Plus simple d’abord:

ggplot(data=Salaries, aes(x=rank, y=salary, fill=sex)) +
geom_boxplot() +
scale_x_discrete(breaks=c("AsstProf", "AssocProf", "Prof"),
labels=c("Assistant\nProfessor",
"Associate\nProfessor",
"Full\nProfessor")) +
scale_y_continuous(breaks=c(50000, 100000, 150000, 200000),
labels=c("$50K", "$100K", "$150K", "$200K")) +
labs(title="Faculty Salary by Rank and Gender",
x="", y="", fill="Gender") +
theme(legend.position="top")

• Plus avancé:

ggplot(data=Salaries, aes(x=rank, y=salary, fill=sex)) +
geom_boxplot() +
scale_x_discrete(breaks=c("AsstProf", "AssocProf", "Prof"),
labels=c("Assistant\nProfessor",
"Associate\nProfessor",
"Full\nProfessor")) +
scale_y_continuous(breaks=c(50000, 100000, 150000, 200000),
labels=c("$50K", "$100K", "$150K", "$200K")) +
labs(title="Faculty Salary by Rank and Gender",
x="", y="", fill="Gender") +
theme(legend.position=c(.1,.8))

Modifications de la couleur des graphiques

• Vous avez la possibilité de définir vos propres couleurs couleurs.

ggplot(data=Salaries, aes(x=yrs.since.phd, y=salary, color=rank)) +
scale_color_manual(values=c("orange", "olivedrab", "navy")) +
geom_point(size=2)

• Essayer des couleurs deja existants et interessants: palette=“Set1” with another value (such as “Set2”,“Set3”, “Pastel1”, “Pastel2”, “Paired”, “Dark2”, or “Accent”).

ggplot(data=Salaries, aes(x=yrs.since.phd, y=salary, color=rank)) +
scale_color_brewer(palette="Accent") + geom_point(size=2)

Voir les couleurs existantes:

To see the available color sets, use

library(RColorBrewer)
display.brewer.all()

Personnaliser votre thème

mytheme <- theme(plot.title=element_text(face="bold.italic",
size="14", color="brown"),
axis.title=element_text(face="bold.italic",
size=10, color="brown"),
axis.text=element_text(face="bold", size=9,
color="darkblue"),
panel.background=element_rect(fill="white",
color="darkblue"),
panel.grid.major.y=element_line(color="grey",
linetype=1),
panel.grid.minor.y=element_line(color="grey",
linetype=2),
panel.grid.minor.x=element_blank(),
legend.position="top")



ggplot(Salaries, aes(x=rank, y=salary, fill=sex)) +
geom_boxplot() +
labs(title="Salary by Rank and Sex", x="Rank", y="Salary") +
mytheme

• Essayons un autre graphique avec notre thème

ggplot(Salaries, aes(x=rank))+ geom_bar() + mytheme

Plusieurs graphiques par page

• mfrow que vous connaissez ne marche pas avec les graphiques ggplot2

• La façon la plus simple de placer plusieurs graphiques ggplot2 dans une seule figure consiste à utiliser la fonction grid.arrange () disponible dans le package gridExtra.

#install.packages("gridExtra")
library(gridExtra)

## 
## Attaching package: 'gridExtra'

## The following object is masked from 'package:dplyr':
## 
##     combine

p1 <- ggplot(data=Salaries, aes(x=rank)) + geom_bar()
p2 <- ggplot(data=Salaries, aes(x=sex)) + geom_bar()
p3 <- ggplot(data=Salaries, aes(x=yrs.since.phd, y=salary)) + geom_point()
grid.arrange(p1, p2, p3, ncol=3)

Mais, enfin, comment enregistrer nos graphiques

• Vous avez la possibilité d’enregister vos graphiques sous forme png, jpeg ou pdf dans notre répertoire de travail.

• On enregistre d’abord au format .png

myplot <- ggplot(data=mtcars, aes(x=mpg)) + geom_histogram()
ggsave(file="mygraph.png", plot=myplot, width=5, height=4)

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

• On enregistre au format .pdf

ggplot(data=mtcars, aes(x=mpg)) + geom_histogram()

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

ggsave(file="mygraph.pdf", plot=myplot, width=5, height=4)

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Conclusion

• On se rend compte que ggplot2 permet de jolis graphiques en quelques secondes, contrairement aux autres méthodes, particulièrement le système basique de R.

• Faut-il laisser le système graphique? Non, pas totalement.

• Généralement, on fait des grapphiques pour deux raisons: voir soi même ou soit faire voir aux autres tes résultats.

• Si c’est juste pour toi, pour voir juste le comportement de tes résidus, c’est peut être pas la peine d’aller vers ggplot2.

• Mais, si c’est pour un public, alors vas-y, impressionne-les avec du ggplot2. ## Exercice:

• Essayer de faire un graphique assez proche de celui ci en utilisant les données sur les variables économiques :

FIN DE MON EXPOSE, JE VOUS REMERCIE DE VOTRE ATTENTION.

Any questions?