En esta última parte, vamos a revisar como gráficar varias figuras generadas con ggplot en el mismo panel.

Existen diversos paquetes con los que es posible hacer esta tarea. Entre ellos tenemos

COWPLOT
gridExtra
ggpubr

Estas las puedes revisar en la pagina de STHD

Para fines de este curso, revisaremos a detalle el paquete patchworkel cual tiene una de las formas mas sencillas y directas para generar un panel con distintos gráficos.

`patchwork`

Este paquete fue desarrollado por Thomas Lin Pederson y se puede obtener directamente desde los repositorios (CRAN) o desde la pagina de github con el siguiente comando

library(devtools)
install_github("thomasp85/patchwork")

Para este ejercico, nuevamente usaremos nuestra base de datos de msleep:

library(tidyverse)

## -- Attaching packages ---------------------------------------------------------------------------- tidyverse 1.3.0 --

## v ggplot2 3.3.0     v purrr   0.3.4
## v tibble  3.0.1     v dplyr   0.8.5
## v tidyr   1.0.2     v stringr 1.4.0
## v readr   1.3.1     v forcats 0.5.0

## -- Conflicts ------------------------------------------------------------------------------- tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

library(readxl)
library(patchwork)

msleep <- read_excel("data/msleep_database_excel.xls", sheet = "msleep", na = "NA")

glimpse(msleep)

## Rows: 83
## Columns: 11
## $ name         <chr> "Cheetah", "Owl monkey", "Mountain beaver", "Greater s...
## $ genus        <chr> "Acinonyx", "Aotus", "Aplodontia", "Blarina", "Bos", "...
## $ vore         <chr> "carni", "omni", "herbi", "omni", "herbi", "herbi", "c...
## $ order        <chr> "Carnivora", "Primates", "Rodentia", "Soricomorpha", "...
## $ conservation <chr> "lc", NA, "nt", "lc", "domesticated", NA, "vu", NA, "d...
## $ sleep_total  <dbl> 12.1, 17.0, 14.4, 14.9, 4.0, 14.4, 8.7, 7.0, 10.1, 3.0...
## $ sleep_rem    <dbl> NA, 1.8, 2.4, 2.3, 0.7, 2.2, 1.4, NA, 2.9, NA, 0.6, 0....
## $ sleep_cycle  <dbl> NA, NA, NA, 0.1333333, 0.6666667, 0.7666667, 0.3833333...
## $ awake        <dbl> 11.9, 7.0, 9.6, 9.1, 20.0, 9.6, 15.3, 17.0, 13.9, 21.0...
## $ brainwt      <dbl> NA, 0.01550, NA, 0.00029, 0.42300, NA, NA, NA, 0.07000...
## $ bodywt       <dbl> 50.000, 0.480, 1.350, 0.019, 600.000, 3.850, 20.490, 0...

Ahora vamos a generar distintas graficas para describir los datos

1: barplot con la frecuencia relativa de status de conservacion para cada orden, al que llamaremos p1:

p1 <- ggplot(data = msleep, aes(x = order, fill = conservation))+
  geom_bar(position = "fill")+
  theme(axis.text.x=element_text(angle=45, hjust=1))

p1

2: Relación entre las horas totales de sueño con las horas de sueño profundo (rem). Ademas, añade un ajuste con geom_smooth(se =TRUE). A este objeto le llamaremos p2

p2 <- ggplot(msleep, aes(x = sleep_total, y = sleep_rem)) +
  geom_point()+
  geom_smooth(se =TRUE)
p2

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning: Removed 22 rows containing non-finite values (stat_smooth).

## Warning: Removed 22 rows containing missing values (geom_point).

3: relacion entre la proporcion brainwt / bodywt con las horas de sueño total al que llamaremos p3

p3 <- msleep %>%
  mutate(ratiowt = brainwt / bodywt) %>%
  ggplot(., aes(x = ratiowt, y = sleep_total)) + 
  geom_point()+
  geom_smooth(se=TRUE)
p3

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning: Removed 27 rows containing non-finite values (stat_smooth).

## Warning: Removed 27 rows containing missing values (geom_point).

4: Finalmente, una gráfica con la proporcion de horas rem en relacion a las horas totales de sueño solamente de los ordenes Carnivora y Rodentia. A esta le llamaremos p4

order_sub <- msleep %>%
  filter(order %in% c("Carnivora", "Rodentia")) %>%
  mutate(perc.rem = sleep_rem/sleep_total)

p4 <- ggplot(order_sub, aes(x = sleep_total, y = perc.rem, col = order, fill = order))+
  geom_point()+
  geom_smooth()
p4

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning: Removed 14 rows containing non-finite values (stat_smooth).

## Warning: Removed 14 rows containing missing values (geom_point).

patchwork

colocar dos graficas horizontalmente

p1 + p2

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

colocar tres gráficas verticalmente

p2 + p3 + p4 + plot_layout(ncol = 1)

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

operadores `\` y `|` para diseños intuitivos

(p2 | p3) / p1

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning: Removed 22 rows containing non-finite values (stat_smooth).

## Warning: Removed 22 rows containing missing values (geom_point).

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning: Removed 27 rows containing non-finite values (stat_smooth).

## Warning: Removed 27 rows containing missing values (geom_point).

Ademas, es posible modificar cada elemento de la gráfica para ajustarlos

(p2 + p3) / p1 + theme(legend.position = "bottom")

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning: Removed 22 rows containing non-finite values (stat_smooth).

## Warning: Removed 22 rows containing missing values (geom_point).

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning: Removed 27 rows containing non-finite values (stat_smooth).

## Warning: Removed 27 rows containing missing values (geom_point).

(p1 + theme(legend.position = "none") | p2)/(p3 | p4)

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning: Removed 22 rows containing non-finite values (stat_smooth).

## Warning: Removed 22 rows containing missing values (geom_point).

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning: Removed 27 rows containing non-finite values (stat_smooth).

## Warning: Removed 27 rows containing missing values (geom_point).

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning: Removed 14 rows containing non-finite values (stat_smooth).

## Warning: Removed 14 rows containing missing values (geom_point).

(p2 / p3 / p4) | p1

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning: Removed 22 rows containing non-finite values (stat_smooth).

## Warning: Removed 22 rows containing missing values (geom_point).

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning: Removed 27 rows containing non-finite values (stat_smooth).

## Warning: Removed 27 rows containing missing values (geom_point).

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

## Warning: Removed 14 rows containing non-finite values (stat_smooth).

## Warning: Removed 14 rows containing missing values (geom_point).

Ahora probemos con nuestra base de tabla colecta estaciones

mediciones <- read_csv("data/Tabla_Colecta_estaciones.csv")

## Parsed with column specification:
## cols(
##   Individuo = col_double(),
##   Sitio = col_character(),
##   Estacion = col_character(),
##   Sexo = col_character(),
##   Profundidad = col_character(),
##   Longitud_total = col_double(),
##   Longitud_parcial = col_double(),
##   anchura = col_double()
## )

1: Generemos una tabla de disperción con los datos de longitud parcial contra anchura, indicando cada sitio de colecta con un color y forma diferente

m1 <- ggplot(mediciones, aes(x = Longitud_parcial, y = anchura, col = Sitio))+
  geom_point()

m1

2: Generemos un boxplot con la dispercion de los de los datos de longitud parcial por sitio de colecta

m2 <- ggplot(mediciones, aes(x = Profundidad, y = Longitud_parcial, col = Sitio))+
  geom_boxplot()
m2

3: graficos de densidad de los datos de longitud parcial por sitio identificado con colores diferentes

m3 <- ggplot(mediciones, aes(x = Longitud_parcial, col = Sitio))+
  geom_density()
m3

Utilizando patchworks, une las tres graficas, m1 y m2 en la parte superior y m3 en la parte inferior

(m1 | m2) / m3

Para poder ajustar parametros al conjunto de graficas y no a una sola grafica individual, se usa el operador &. En este caso, vamos a colocar todas las leyendas en la parte inferior

(m1 | m2) / m3 & theme(legend.position = "bottom")

cuando se tienen varios graficos que tengan una leyenda en comun, se puede utilizar el la funcion combined + plot_layout(guides = "collect").

por ejemplo

n1 <- ggplot(mediciones, aes(x = anchura, y = Longitud_parcial, col = Sitio))+
  geom_point()
n1
n_c <- n1 + m1
n_c <- n_c + plot_layout(guides = "collect") 
n_c & theme(legend.position = "bottom")

Ahora crea un objetvo llamado patch donde m1 y m2 no tengan legenda, mientras que m3 tenga la leyenda en la parte inferior

patch <- ((m1 | m2) & theme(legend.position = "none")) / m3 + theme(legend.position = "bottom")
patch

Anotaciones utilizando plot_annotation(tag_levels )

patch <- ((m1 | m2) & theme(legend.position = "none")) / m3 + theme(legend.position = "bottom")

patch + plot_annotation(tag_levels = 'A',title = 'Mediciones de organismos de muestreo',
  subtitle = 'Los datos se muestran por sitio de colecta',
  caption = 'Estas graficas fueron generadas con ggplot2 y patchwork')

Puedes encontrar información mas detallada sobre como agregar anotaciones en patchwork aqui

Visualización de datos con ggplot2. Parte 3

Miguel Tripp

5/23/2020

`patchwork`

patchwork

colocar dos graficas horizontalmente

colocar tres gráficas verticalmente

operadores `\` y `|` para diseños intuitivos

Visualización de datos con ggplot2. Parte 3

Miguel Tripp

5/23/2020

patchwork

patchwork

colocar dos graficas horizontalmente

colocar tres gráficas verticalmente

operadores \ y | para diseños intuitivos

`patchwork`

operadores `\` y `|` para diseños intuitivos