Introduction

Les graphiques sont les outils les plus utilisés pour résumer une information chiffrée. Ils résument parfaitement les données et facilitent leurs interprétations. Le package ggplot2 , créé par Hadley Wickham, offre un outil graphique puissant pour créer des tracés élégants et complexes. Basé sur la grammaire graphique, ggplot2 permet de créer des graphiques qui représentent des données numériques et catégorielles à la fois univariées et multivariées de manière simple. Le regroupement peut être représenté par la couleur, le symbole, la taille et la transparence.

Le package patchwork et la fonction ggMarginal() du package ggExtra sont des extensions du package ggplot2 permettant de facilement combiner des graphiques ggplot dans une même fenêtre graphique.

Dans ce document, nous présenterons le fonctionnement de patchwork et ggMarginal.

1. Chargement package et description des données

En plus des packages patchwork et fonction ggMarginal de ggExtra, nous aurons besoin de datasets pour charger les données et de ggplot2 pour la création des graphiques.

Activation des packages :

library(ggplot2)
library(patchwork)
library(ggExtra)
library(datasets)

Afin de bien illustrer par des exemples les fonctionnements de patchwork et ggmargin, nous allons utiliser les données quakes et ToothGrowth du package datasets.

• quakes: Le jeu de données fournit les emplacements de 1000 événements sismiques qui se sont produits dans une zone proche des Fidji depuis 1964. Il s’agit d’un data-frame de 1000 observations et 5 variables (magnitude, latitude, longitude, profondeur et stations). Nous avons ajouté au jeu de données la variable région comprenant les modalités “Ouest” et “Est”. Nous avons aussi arrondit la variable magnitude à l’entier.

quakes$magFactor <- factor(floor(quakes$mag))
quakes$region <- factor(quakes$long >= 175, labels = c("Ouest", "Est"))
str(quakes)

## 'data.frame':    1000 obs. of  7 variables:
##  $ lat      : num  -20.4 -20.6 -26 -18 -20.4 ...
##  $ long     : num  182 181 184 182 182 ...
##  $ depth    : int  562 650 42 626 649 195 82 194 211 622 ...
##  $ mag      : num  4.8 4.2 5.4 4.1 4 4 4.8 4.4 4.7 4.3 ...
##  $ stations : int  41 15 43 19 11 12 43 15 35 19 ...
##  $ magFactor: Factor w/ 3 levels "4","5","6": 1 1 2 1 1 1 1 1 1 1 ...
##  $ region   : Factor w/ 2 levels "Ouest","Est": 2 2 2 2 2 2 1 2 2 2 ...

• ToothGrowth: Les données contiennent 60 observations de 3 variables. A partir de str() nous obtenons le type de variables: len (numérique): Longueur de dent; supp (facteur): Type de supplément (VC ou OJ) et dose (numérique ): Dose en milligrammes. Nous avons transformé la variable dose en facteur afin de bien construire nos graphiques.

str(ToothGrowth)

## 'data.frame':    60 obs. of  3 variables:
##  $ len : num  4.2 11.5 7.3 5.8 6.4 10 11.2 11.2 5.2 7 ...
##  $ supp: Factor w/ 2 levels "OJ","VC": 2 2 2 2 2 2 2 2 2 2 ...
##  $ dose: num  0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 ...

ToothGrowth$dose <- as.factor(ToothGrowth$dose)

2. Package patchwork

Dans un premier temps, nous allons présenter le package patchwork. Comme énoncé dans l’introduction, le Package patchwork permet une présentation panoramique des graphiques de ggplot.

Description des fonctions de patchwork

Pour avoir plus de details sur une des fonctions patchwork citees dans le tableau ci-dessous, il suffit de cliquer sur le nom de la fonction. Afin de repondre a nos objectifs principaux, nous utiliserons uniquement quelques unes de ces fonctions (les plus importantes pour un objet patch) qui seront decrites lors de leur utilisation.

Grap1 <- ggplot(quakes, aes(mag, fill = region)) + geom_histogram(mapping = aes(y = stat(density)), binwidth = 0.1, color = "white")

my3cols <- c("#E7B800", "#2E9FDF", "#FC4E07") # Couleurs

Grap11 <- ggplot(ToothGrowth, aes(x = dose, y = len)) +
  geom_boxplot(aes(color = dose)) +
  scale_color_manual(values = my3cols)

Grap2 <- ggplot(data = quakes) +
  geom_bar(mapping = aes(x = 1, fill = region)) +
  coord_polar(theta = "y") +                     # coordonnées polaires
  theme_void() +                                 # thème vide
  labs(fill = "classe de\nmagnitude")

Grap22 <- ggplot(ToothGrowth, aes(x = dose, y = len)) +
  geom_dotplot(aes(color = dose, fill = dose), binaxis='y', stackdir='center') +
  scale_color_manual(values = my3cols) + 
  scale_fill_manual(values = my3cols)

Grap3 <- ggplot(data = quakes) + 
  geom_density(mapping = aes(x = mag, fill = region), alpha = 0.5) +
  labs(x = "magnitude du séisme") +
  labs(y = "densité") +
  labs(fill = "région")

Grap33 <- ggplot(economics, aes(x = date, y = psavert)) + 
  geom_line(color = "#E46726")

Grap4 <- ggplot(data = quakes) + 
  geom_violin(mapping = aes(x = region, y = mag)) +
  labs(x = "région") +
  labs(y = "magnitude du séisme")

Grap44 <- ggplot(iris, aes(Sepal.Length)) +
  geom_density(aes(color = Species)) +
  scale_color_manual(values = my3cols)

Grap5 <- ggplot(quakes, aes(x = magFactor, y = long, color = region, shape = region)) +
  geom_jitter(position = position_jitter(0.2))

Grap1 + Grap11 + Grap3 + Grap33

Grap1 + Grap11 + Grap4 + plot_layout(ncol = 1)

Grap1 + Grap11 + Grap4 + plot_layout(nrow = 1)

Grap1 + Grap22 +
  { Grap11 + { Grap2 + Grap4 + plot_layout(ncol = 1) }
} + Grap5 + plot_layout(nrow = 2)

Grap4 + Grap2 + Grap44 - Grap1 + plot_layout(ncol = 1) 

Grap4 + Grap2 + Grap44 - Grap1 + plot_layout(nrow = 1)

(Grap4 | Grap2 | Grap44)/Grap1

Grap1/(Grap4 | Grap2 | Grap44)

Grap1|(Grap4 / Grap2 / Grap44)

(Grap4 / Grap2 / Grap44)|Grap1

Grap2 + plot_spacer() + Grap3

Grap1 + Grap1 + plot_layout(heights = c(1, 3)) # Modification de la hauteur

Grap1 + Grap1 + plot_layout(width = c(3, 1)) # Modification de la largeur

Grap1 + Grap33 + Grap4 + Grap22 + Grap5 + Grap44 + plot_layout(heights = c(1, 3))

(Grap1 + (Grap22 + Grap33) + Grap5 + plot_layout(ncol = 1)) * theme_gray()

(Grap1 + (Grap22 + Grap33) + Grap5 + plot_layout(ncol = 1)) & theme_gray()

assemblage <- Grap1 + Grap11 + Grap3 + Grap33

assemblage + plot_annotation(title = "Combinaison des graphiques")

assemblage + plot_annotation(title = "Combinaison des graphiques",
                subtitle = "Mon sous-titre")

assemblage + plot_annotation(title = "Combinaison des graphiques",
                subtitle = "Mon sous-titre",
                caption = "Ma légende")

assemblage + plot_annotation(title = "Combinaison des graphiques",
                             subtitle = "Mon sous-titre",
                             caption = "Légende: Ma légende ici",
                             tag_levels = 'A')

GF <- assemblage +
  plot_annotation(title = "Combinaison des graphiques",
                                   subtitle = "Mon sous-titre",
                                   caption = "Légende: Ma légende ici",
                                   tag_levels = 'A')

save_plot("Graphique_Final.pdf", GF, ncol = 2, nrow = 2, base_aspect_ratio = 1.3)

save_plot("Graphique_Final.png", GF, ncol = 2, nrow = 2, base_aspect_ratio = 1.3)

save_plot("Graphique_Final.jpeg", GF, ncol = 2, nrow = 2, base_aspect_ratio = 1.3)

3. Fonction ggMarginal du package ggExtra

La fonction ggMarginal du package ggExtra peut être utilisée pour ajouter facilement un histogramme marginal, une densité ou un boxplot à un nuage de points.

Description de la fonction ggMarginal

D’autres parametres peuvent etre utilises pour les parcelles marginales. La liste n’est pas exhaustive.

p = ggplot(quakes, aes(x = mag, y = stations, color=stations, size = stations)) + geom_point() +
  theme(legend.position="none")

mHa = `ggMarginal`(p, type = 'histogram')
mHa

mHc = `ggMarginal`(p, type="histogram", fill = "slateblue", xparams = list(  bins=10))
mHc

mDa = `ggMarginal`(p, type = 'density')
mDa 

mDc = `ggMarginal`(p, type="density", fill = "slateblue", xparams = list(  bins=10))
mDc 

mBa = `ggMarginal`(p, type = 'boxplot')
mBa

mBc = `ggMarginal`(p, type="boxplot", fill = "slateblue", xparams = list(  bins=10))
mBc

p <- ggplot(quakes, aes(x = mag, y = stations , colour = region)) +
  geom_point(aes(fill = region))

ggMarginal_Final = ggMarginal(p, groupFill = TRUE, groupColour = TRUE)
ggMarginal_Final 

#format PDF
Save_plot("ggMarginal_Final.pdf", ggMarginal_Final, ncol = 2,nrow = 2, base_aspect_ratio = 1.3)

#format PNG
save_plot("ggMarginal_Final.png", ggMarginal_Final, ncol = 2,nrow = 2, base_aspect_ratio = 1.3)

#format JPEG
save_plot("ggMarginal_Final.jpeg", ggMarginal_Final, ncol = 2,nrow = 2, base_aspect_ratio = 1.3)

Conclusion

• La combinaison de plusieurs ggplots dans un même graphique est facilement effectuée avec le package patchwork. Le package offre des options multiples et utilisables facilement. Un des points forts du package est la possibilité de combiner en même temps des objets de types différents avec les fonctions wrap_elements() et wrap_ggplot_grob() ce qui n’est pas le cas avec le package cowplot, par exemple. Comme point faible, nous pouvons citer le fait que patchwork ne prenne que des objets de types ggplots. Il faut convertir tout autre objet afin de l’utliser.

• La fonction ggMarginal du package ggExtra permet de résoudre le problème courant de tracès des graphiques marginaux. Pour se faire, l’utilisateur fournir soit un nuage de points issu de ggplot2, soit l’ensemble de données et les variables.Un problème récurent noté est l’apparition d’un espace blanc entre le nuage de points et les graphiques marginaux. Ce problème résulte du fait que le diagramme marginal n’a pas nécessairement les mêmes axes que le diagramme de dispersion. Cependant, ce problème peut être résolu avec ggplot_build(), une fonction pratique qui peut être utilisée pour récupérer des informations à partir d’un tracé. Plus précisément, ggplot_build permet de regarder les éléments d’un objet graphique et d’identifier la plage de l’axe, la taille du texte, etc.

Références

• Package ‘patchwork’ | R Pubs

• Package ‘patchwork’ | Data-imaginist

• Multiple plots in ggplot2 with patchwork

• ggMarginal function | R Documentation

• Package ‘ggExtra’ | R Pubs

• ggExtra: R package for adding marginal histograms to ggplot2