Ejemplo con créditos agropecuarios 2020
Visualizaciones con ggplot2
Edimer David Jaramillo
01/12/2020
Datos Depurados
library(tidyverse)
load("creditosFinal.Rdata")
head(creditos2)Conteos
- Los conteos se pueden graficar con las funciones geom_bar() o geom_col()
- La función geom_bar() calcula internamente la frecuencia (conteo).
- La función geom_col() recibe un número para graficar la columna o barra, es decir, que no calcula internamente lo que va a graficar.
geom_bar() Individual
- ¿Cuántos créditos fueron concedidos por tipo de productor?
ggplot(data = creditos2,
mapping = aes(x = productor)) +
geom_bar() +
labs(x = "Tipo de productor", y = "Frecuencia",
title = "Frecuencia absoluta por tipo de productor")
- Los gráficos se pueden obtener a través del operador de tubería (%>%):
creditos2 %>%
ggplot(mapping = aes(x = productor)) +
geom_bar() +
labs(x = "Tipo de productor", y = "Frecuencia",
title = "Frecuencia absoluta por tipo de productor")
Colores
- En R podemos conocer el nombre de los colores a través de la función colors():
colors()## [1] "white" "aliceblue" "antiquewhite"
## [4] "antiquewhite1" "antiquewhite2" "antiquewhite3"
## [7] "antiquewhite4" "aquamarine" "aquamarine1"
## [10] "aquamarine2" "aquamarine3" "aquamarine4"
## [13] "azure" "azure1" "azure2"
## [16] "azure3" "azure4" "beige"
## [19] "bisque" "bisque1" "bisque2"
## [22] "bisque3" "bisque4" "black"
## [25] "blanchedalmond" "blue" "blue1"
## [28] "blue2" "blue3" "blue4"
## [31] "blueviolet" "brown" "brown1"
## [34] "brown2" "brown3" "brown4"
## [37] "burlywood" "burlywood1" "burlywood2"
## [40] "burlywood3" "burlywood4" "cadetblue"
## [43] "cadetblue1" "cadetblue2" "cadetblue3"
## [46] "cadetblue4" "chartreuse" "chartreuse1"
## [49] "chartreuse2" "chartreuse3" "chartreuse4"
## [52] "chocolate" "chocolate1" "chocolate2"
## [55] "chocolate3" "chocolate4" "coral"
## [58] "coral1" "coral2" "coral3"
## [61] "coral4" "cornflowerblue" "cornsilk"
## [64] "cornsilk1" "cornsilk2" "cornsilk3"
## [67] "cornsilk4" "cyan" "cyan1"
## [70] "cyan2" "cyan3" "cyan4"
## [73] "darkblue" "darkcyan" "darkgoldenrod"
## [76] "darkgoldenrod1" "darkgoldenrod2" "darkgoldenrod3"
## [79] "darkgoldenrod4" "darkgray" "darkgreen"
## [82] "darkgrey" "darkkhaki" "darkmagenta"
## [85] "darkolivegreen" "darkolivegreen1" "darkolivegreen2"
## [88] "darkolivegreen3" "darkolivegreen4" "darkorange"
## [91] "darkorange1" "darkorange2" "darkorange3"
## [94] "darkorange4" "darkorchid" "darkorchid1"
## [97] "darkorchid2" "darkorchid3" "darkorchid4"
## [100] "darkred" "darksalmon" "darkseagreen"
## [103] "darkseagreen1" "darkseagreen2" "darkseagreen3"
## [106] "darkseagreen4" "darkslateblue" "darkslategray"
## [109] "darkslategray1" "darkslategray2" "darkslategray3"
## [112] "darkslategray4" "darkslategrey" "darkturquoise"
## [115] "darkviolet" "deeppink" "deeppink1"
## [118] "deeppink2" "deeppink3" "deeppink4"
## [121] "deepskyblue" "deepskyblue1" "deepskyblue2"
## [124] "deepskyblue3" "deepskyblue4" "dimgray"
## [127] "dimgrey" "dodgerblue" "dodgerblue1"
## [130] "dodgerblue2" "dodgerblue3" "dodgerblue4"
## [133] "firebrick" "firebrick1" "firebrick2"
## [136] "firebrick3" "firebrick4" "floralwhite"
## [139] "forestgreen" "gainsboro" "ghostwhite"
## [142] "gold" "gold1" "gold2"
## [145] "gold3" "gold4" "goldenrod"
## [148] "goldenrod1" "goldenrod2" "goldenrod3"
## [151] "goldenrod4" "gray" "gray0"
## [154] "gray1" "gray2" "gray3"
## [157] "gray4" "gray5" "gray6"
## [160] "gray7" "gray8" "gray9"
## [163] "gray10" "gray11" "gray12"
## [166] "gray13" "gray14" "gray15"
## [169] "gray16" "gray17" "gray18"
## [172] "gray19" "gray20" "gray21"
## [175] "gray22" "gray23" "gray24"
## [178] "gray25" "gray26" "gray27"
## [181] "gray28" "gray29" "gray30"
## [184] "gray31" "gray32" "gray33"
## [187] "gray34" "gray35" "gray36"
## [190] "gray37" "gray38" "gray39"
## [193] "gray40" "gray41" "gray42"
## [196] "gray43" "gray44" "gray45"
## [199] "gray46" "gray47" "gray48"
## [202] "gray49" "gray50" "gray51"
## [205] "gray52" "gray53" "gray54"
## [208] "gray55" "gray56" "gray57"
## [211] "gray58" "gray59" "gray60"
## [214] "gray61" "gray62" "gray63"
## [217] "gray64" "gray65" "gray66"
## [220] "gray67" "gray68" "gray69"
## [223] "gray70" "gray71" "gray72"
## [226] "gray73" "gray74" "gray75"
## [229] "gray76" "gray77" "gray78"
## [232] "gray79" "gray80" "gray81"
## [235] "gray82" "gray83" "gray84"
## [238] "gray85" "gray86" "gray87"
## [241] "gray88" "gray89" "gray90"
## [244] "gray91" "gray92" "gray93"
## [247] "gray94" "gray95" "gray96"
## [250] "gray97" "gray98" "gray99"
## [253] "gray100" "green" "green1"
## [256] "green2" "green3" "green4"
## [259] "greenyellow" "grey" "grey0"
## [262] "grey1" "grey2" "grey3"
## [265] "grey4" "grey5" "grey6"
## [268] "grey7" "grey8" "grey9"
## [271] "grey10" "grey11" "grey12"
## [274] "grey13" "grey14" "grey15"
## [277] "grey16" "grey17" "grey18"
## [280] "grey19" "grey20" "grey21"
## [283] "grey22" "grey23" "grey24"
## [286] "grey25" "grey26" "grey27"
## [289] "grey28" "grey29" "grey30"
## [292] "grey31" "grey32" "grey33"
## [295] "grey34" "grey35" "grey36"
## [298] "grey37" "grey38" "grey39"
## [301] "grey40" "grey41" "grey42"
## [304] "grey43" "grey44" "grey45"
## [307] "grey46" "grey47" "grey48"
## [310] "grey49" "grey50" "grey51"
## [313] "grey52" "grey53" "grey54"
## [316] "grey55" "grey56" "grey57"
## [319] "grey58" "grey59" "grey60"
## [322] "grey61" "grey62" "grey63"
## [325] "grey64" "grey65" "grey66"
## [328] "grey67" "grey68" "grey69"
## [331] "grey70" "grey71" "grey72"
## [334] "grey73" "grey74" "grey75"
## [337] "grey76" "grey77" "grey78"
## [340] "grey79" "grey80" "grey81"
## [343] "grey82" "grey83" "grey84"
## [346] "grey85" "grey86" "grey87"
## [349] "grey88" "grey89" "grey90"
## [352] "grey91" "grey92" "grey93"
## [355] "grey94" "grey95" "grey96"
## [358] "grey97" "grey98" "grey99"
## [361] "grey100" "honeydew" "honeydew1"
## [364] "honeydew2" "honeydew3" "honeydew4"
## [367] "hotpink" "hotpink1" "hotpink2"
## [370] "hotpink3" "hotpink4" "indianred"
## [373] "indianred1" "indianred2" "indianred3"
## [376] "indianred4" "ivory" "ivory1"
## [379] "ivory2" "ivory3" "ivory4"
## [382] "khaki" "khaki1" "khaki2"
## [385] "khaki3" "khaki4" "lavender"
## [388] "lavenderblush" "lavenderblush1" "lavenderblush2"
## [391] "lavenderblush3" "lavenderblush4" "lawngreen"
## [394] "lemonchiffon" "lemonchiffon1" "lemonchiffon2"
## [397] "lemonchiffon3" "lemonchiffon4" "lightblue"
## [400] "lightblue1" "lightblue2" "lightblue3"
## [403] "lightblue4" "lightcoral" "lightcyan"
## [406] "lightcyan1" "lightcyan2" "lightcyan3"
## [409] "lightcyan4" "lightgoldenrod" "lightgoldenrod1"
## [412] "lightgoldenrod2" "lightgoldenrod3" "lightgoldenrod4"
## [415] "lightgoldenrodyellow" "lightgray" "lightgreen"
## [418] "lightgrey" "lightpink" "lightpink1"
## [421] "lightpink2" "lightpink3" "lightpink4"
## [424] "lightsalmon" "lightsalmon1" "lightsalmon2"
## [427] "lightsalmon3" "lightsalmon4" "lightseagreen"
## [430] "lightskyblue" "lightskyblue1" "lightskyblue2"
## [433] "lightskyblue3" "lightskyblue4" "lightslateblue"
## [436] "lightslategray" "lightslategrey" "lightsteelblue"
## [439] "lightsteelblue1" "lightsteelblue2" "lightsteelblue3"
## [442] "lightsteelblue4" "lightyellow" "lightyellow1"
## [445] "lightyellow2" "lightyellow3" "lightyellow4"
## [448] "limegreen" "linen" "magenta"
## [451] "magenta1" "magenta2" "magenta3"
## [454] "magenta4" "maroon" "maroon1"
## [457] "maroon2" "maroon3" "maroon4"
## [460] "mediumaquamarine" "mediumblue" "mediumorchid"
## [463] "mediumorchid1" "mediumorchid2" "mediumorchid3"
## [466] "mediumorchid4" "mediumpurple" "mediumpurple1"
## [469] "mediumpurple2" "mediumpurple3" "mediumpurple4"
## [472] "mediumseagreen" "mediumslateblue" "mediumspringgreen"
## [475] "mediumturquoise" "mediumvioletred" "midnightblue"
## [478] "mintcream" "mistyrose" "mistyrose1"
## [481] "mistyrose2" "mistyrose3" "mistyrose4"
## [484] "moccasin" "navajowhite" "navajowhite1"
## [487] "navajowhite2" "navajowhite3" "navajowhite4"
## [490] "navy" "navyblue" "oldlace"
## [493] "olivedrab" "olivedrab1" "olivedrab2"
## [496] "olivedrab3" "olivedrab4" "orange"
## [499] "orange1" "orange2" "orange3"
## [502] "orange4" "orangered" "orangered1"
## [505] "orangered2" "orangered3" "orangered4"
## [508] "orchid" "orchid1" "orchid2"
## [511] "orchid3" "orchid4" "palegoldenrod"
## [514] "palegreen" "palegreen1" "palegreen2"
## [517] "palegreen3" "palegreen4" "paleturquoise"
## [520] "paleturquoise1" "paleturquoise2" "paleturquoise3"
## [523] "paleturquoise4" "palevioletred" "palevioletred1"
## [526] "palevioletred2" "palevioletred3" "palevioletred4"
## [529] "papayawhip" "peachpuff" "peachpuff1"
## [532] "peachpuff2" "peachpuff3" "peachpuff4"
## [535] "peru" "pink" "pink1"
## [538] "pink2" "pink3" "pink4"
## [541] "plum" "plum1" "plum2"
## [544] "plum3" "plum4" "powderblue"
## [547] "purple" "purple1" "purple2"
## [550] "purple3" "purple4" "red"
## [553] "red1" "red2" "red3"
## [556] "red4" "rosybrown" "rosybrown1"
## [559] "rosybrown2" "rosybrown3" "rosybrown4"
## [562] "royalblue" "royalblue1" "royalblue2"
## [565] "royalblue3" "royalblue4" "saddlebrown"
## [568] "salmon" "salmon1" "salmon2"
## [571] "salmon3" "salmon4" "sandybrown"
## [574] "seagreen" "seagreen1" "seagreen2"
## [577] "seagreen3" "seagreen4" "seashell"
## [580] "seashell1" "seashell2" "seashell3"
## [583] "seashell4" "sienna" "sienna1"
## [586] "sienna2" "sienna3" "sienna4"
## [589] "skyblue" "skyblue1" "skyblue2"
## [592] "skyblue3" "skyblue4" "slateblue"
## [595] "slateblue1" "slateblue2" "slateblue3"
## [598] "slateblue4" "slategray" "slategray1"
## [601] "slategray2" "slategray3" "slategray4"
## [604] "slategrey" "snow" "snow1"
## [607] "snow2" "snow3" "snow4"
## [610] "springgreen" "springgreen1" "springgreen2"
## [613] "springgreen3" "springgreen4" "steelblue"
## [616] "steelblue1" "steelblue2" "steelblue3"
## [619] "steelblue4" "tan" "tan1"
## [622] "tan2" "tan3" "tan4"
## [625] "thistle" "thistle1" "thistle2"
## [628] "thistle3" "thistle4" "tomato"
## [631] "tomato1" "tomato2" "tomato3"
## [634] "tomato4" "turquoise" "turquoise1"
## [637] "turquoise2" "turquoise3" "turquoise4"
## [640] "violet" "violetred" "violetred1"
## [643] "violetred2" "violetred3" "violetred4"
## [646] "wheat" "wheat1" "wheat2"
## [649] "wheat3" "wheat4" "whitesmoke"
## [652] "yellow" "yellow1" "yellow2"
## [655] "yellow3" "yellow4" "yellowgreen"- El mismo gráfico anterior controlando el color de los bordes y el relleno de las barras. El color se puede editar con el argumento color y el relleno con el argumento fill: (Colores hexadecimales)
creditos2 %>%
ggplot(mapping = aes(x = productor)) +
geom_bar(color = "black", fill = "#503e5e") +
labs(x = "Tipo de productor", y = "Frecuencia",
title = "Frecuencia absoluta por tipo de productor")
geom_col()
- Tendremos previamente que obtener el número a graficar (y). Esto lo podemos hacer combinando group_by() con count():
creditos2 %>%
group_by(productor) %>%
count(name = "total") %>%
ggplot(mapping = aes(x = productor, y = total)) +
geom_col(color = "black", fill = "#503e5e") +
labs(x = "Tipo de productor", y = "Frecuencia",
title = "Frecuencia absoluta por tipo de productor")
- ¿Cuál es el total de colocación (rubro) de crédito por productor? Nota: podemos cambiar el tema a través de las funciones que empiezan por theme_. Consultar biblioteca ggthemes
creditos2 %>%
group_by(productor) %>%
summarise(total_dinero = sum(colocacion) / 1000000) %>%
ggplot(mapping = aes(x = productor, y = total_dinero)) +
geom_col(color = "black", fill = "#503e5e") +
labs(x = "Tipo de productor", y = "Rubro (Millones)",
title = "Total de rubro por tipo de productor") +
theme_minimal()
Conteos agrupados geom_bar()
- ¿Cuál es el total de créditos por tipo de productor y género (sólo hombres y mujeres)?
creditos2 %>%
filter(genero %in% c("Hombre", "Mujer")) %>%
ggplot(mapping = aes(x = productor, fill = genero)) +
geom_bar()
- Por defecto la función geom_bar() apila (stack) las barras en función del fill o color que indiquemos en el mapeo estético. Podemos alterar el argumento position para obtener una visualización diferente:
creditos2 %>%
filter(genero %in% c("Hombre", "Mujer")) %>%
ggplot(mapping = aes(x = productor, fill = genero)) +
geom_bar(position = "dodge") +
xlab("Productor") +
ylab("Frecuencia") +
ggtitle("Frecuencia absoluta por tipo de productor y género")
- Editando colores del relleo manualmente (scale_fill_manual()), etiqueta (labs()) y posición de la leyenda (theme(legend.position = “top”)):
creditos2 %>%
filter(genero %in% c("Hombre", "Mujer")) %>%
ggplot(mapping = aes(x = productor, fill = genero)) +
geom_bar(position = "dodge") +
scale_fill_manual(values = c("lightsalmon3", "orangered1")) +
labs(x = "Tipo de productor", y = "Frecuencia",
title = "Frecuencia absoluta por tipo de productor y género",
fill = "Género") +
theme(legend.position = "top")
- ¿Cuántos créditos fueron concedidos por departamento?
creditos2 %>%
group_by(depto) %>%
count(name = "total") %>%
ggplot(mapping = aes(x = reorder(depto, total), y = total)) +
geom_col(width = 0.5) +
coord_flip() +
labs(x = "Departamento", y = "Frecuencia",
title = "Frecuencia absoluta por departamento")
- El mismo gráfico lo podemos obtener con geom_point():
creditos2 %>%
group_by(depto) %>%
count(name = "total") %>%
ggplot(mapping = aes(x = reorder(depto, total), y = total)) +
geom_point(size = 2, color = "blue") +
coord_flip() +
labs(x = "Departamento", y = "Frecuencia",
title = "Frecuencia absoluta por departamento")
Proporciones
geom_bar()
- ¿Cuál fue la proporción de créditos por género de acuerdo al tipo de productor?
creditos2 %>%
filter(genero %in% c("Hombre", "Mujer")) %>%
ggplot(mapping = aes(x = productor, fill = genero)) +
geom_bar(position = "fill") +
scale_fill_manual(values = c("lightsalmon3", "orangered1")) +
labs(x = "Tipo de productor", y = "Frecuencia",
title = "Propoción por tipo de productor y género",
fill = "Género") +
theme(legend.position = "top") +
coord_flip()
creditos2 %>%
filter(genero %in% c("Hombre", "Mujer")) %>%
ggplot(mapping = aes(x = genero, fill = productor)) +
geom_bar(position = "fill") +
scale_fill_manual(values = c("lightsalmon3", "orangered1", "forestgreen")) +
labs(x = "Género", y = "Frecuencia",
title = "Proporción por tipo de productor y género",
fill = "Productor") +
theme(legend.position = "top") +
coord_flip()
geom_col()
¿Cómo es la distribución del total del rubro (proporción) por tipo de productor en cada departamento?
Colores de RColorBrewer. Para ver las paletas disponibles en esta biblioteca podemos usar las funciones display.brewer.all(), display.brewer.pal() y brewer.pal()
library(RColorBrewer)
creditos2 %>%
group_by(depto, productor) %>%
summarise(total_rubro = sum(colocacion)) %>%
ggplot(mapping = aes(x = reorder(depto, total_rubro), y = total_rubro, fill = productor)) +
geom_col(position = "fill") +
coord_flip() +
scale_fill_brewer(palette = "Set1")
Distribuciones (numéricas)
- Para variables numéricas (cuantitativas) se pueden obtener histogramas y densidades con la finalidad de conocer la distribución de dichas variables.
- Ayudan a detectar atipicidades en la información (valores muy altos o muy bajos)
- Permiten determinar grados de simetría
Histogramas
- Podemos construir histogramas con la función geom_histogram(). El mapeo estético requiere de un x o un y. Lo más común es añadir en el mapeo estético a x como la variable de la cual se desea conocer la distribución.
creditos2 %>%
ggplot(mapping = aes(x = colocacion)) +
geom_histogram()
- Para mejorar el gráfico podríamos aplicar una transformación logarítmica. Una manera de hacerlo es declarar el logaritmo en el mapeo estético:
creditos2 %>%
ggplot(mapping = aes(x = log10(colocacion))) +
geom_histogram()
- Una mejor opción para aplicar la transformación al construir el histograma es utilizar la función scale_x_log10:
library(ggthemes)
creditos2 %>%
ggplot(mapping = aes(x = colocacion)) +
geom_histogram() +
scale_x_log10() +
labs(x = "Colocación ($)",
y = "Frecuencia",
title = "Distribución de colocación de crédito") +
theme_tufte()
- Podemos personalizar el histograma editando argumentos como el color, fill, alpha, bins y binwidth:
creditos2 %>%
ggplot(mapping = aes(x = colocacion)) +
geom_histogram(color = "firebrick", fill = "firebrick", alpha = 0.5,
bins = 50) +
scale_x_log10() +
labs(x = "Colocación ($)",
y = "Frecuencia",
title = "Distribución de colocación de crédito")
- Para cambiar la notación de la variable del eje x podemos utilizar la biblioteca scales:
library(scales)
creditos2 %>%
ggplot(mapping = aes(x = colocacion)) +
geom_histogram(color = "firebrick", fill = "firebrick", alpha = 0.5,
bins = 50) +
scale_x_continuous(labels = comma_format(big.mark = ".", decimal.mark = ","),
trans = log10_trans()) +
scale_y_continuous(labels = comma_format(big.mark = ".", decimal.mark = ",")) +
labs(x = "Colocación ($)",
y = "Frecuencia",
title = "Distribución de colocación de crédito")
- Podemos incorporar una variable categórica al histograma:
creditos2 %>%
ggplot(mapping = aes(x = colocacion, fill = productor, color = productor)) +
geom_histogram(alpha = 0.8) +
scale_x_continuous(labels = comma_format(big.mark = ".", decimal.mark = ","),
trans = log10_trans())
- Podemos obtener una ventana (panel) de graficación para cada nivel de la variable categórica haciendo uso de la función facet_wrap():
creditos2 %>%
ggplot(mapping = aes(x = colocacion)) +
facet_wrap(facets = ~productor, scales = "free") +
geom_histogram(color = "darkblue") +
scale_x_log10()
- Podemos cambiar el número de valores que aparecen en el eje x a través de la función scale_x_continous:
creditos2 %>%
ggplot(mapping = aes(x = colocacion)) +
geom_histogram(color = "black") +
scale_x_continuous(trans = log10_trans(), n.breaks = 10)
Densidades
- Distribución de colocación de crédito por tipo de productor:
creditos2 %>%
ggplot(mapping = aes(x = colocacion, fill = productor)) +
geom_density(alpha = 0.5) +
scale_x_log10()
- Distribución del monto de créditos por tipo de productor y departamento:
creditos2 %>%
ggplot(mapping = aes(x = colocacion, fill = productor)) +
facet_wrap(facets = ~depto, ncol = 4, scales = "free") +
geom_density(alpha = 0.5) +
scale_x_log10() +
theme(legend.position = "top")
Boxplots
- Distribución de colocación de créditos por tipo de productor:
creditos2 %>%
ggplot(mapping = aes(y = colocacion, x = productor)) +
geom_boxplot() +
scale_y_log10()
- Distribución de colocación de créditos por departamento y tipo de productor:
creditos2 %>%
ggplot(mapping = aes(y = colocacion, x = productor)) +
facet_wrap(facets = ~depto, ncol = 4, scales = "free") +
geom_boxplot() +
scale_y_log10()
Violines
- Distribución de colocación de créditos por tipo de productor:
creditos2 %>%
ggplot(mapping = aes(y = colocacion, x = productor)) +
geom_violin() +
scale_y_log10()
- Boxtplot + Violín:
creditos2 %>%
ggplot(mapping = aes(y = colocacion, x = productor)) +
geom_violin() +
geom_boxplot(width = 0.2) +
scale_y_log10()
Relaciones X vs Y
- Una primera aproximación para graficar x vs y es a través del diagrama de dispersión, sin embargo, cuando tenemos un número de observaciones elevado no es eficiente computacionalmente.
geom_point()
- ¿Cuál es la correlación entre colocación de crédito y plazo? Uso del método de Pearson (coeficiente de correlación paramétrico)
cor(x = log10(creditos2$colocacion), y = creditos2$plazo, method = "pearson")## [1] 0.2936585- Coeficiente de correlación no paramétrico (Spearman):
cor(x = log10(creditos2$colocacion), y = creditos2$plazo, method = "spearman")## [1] 0.395243creditos2 %>%
ggplot(mapping = aes(x = colocacion, y = plazo)) +
geom_point(alpha = 0.01) +
geom_smooth(method = "lm") +
scale_x_log10()
- Vamos a resumir por departamento y productor el número de créditos, la suma total del rubro, la mediana del rubro y el promedio del plazo. Con estos datos heremos un gráfico de dispersión.
data_resumida <- creditos2 %>%
group_by(depto, productor) %>%
summarise(total_creditos = n(),
total_rubro = sum(colocacion),
mediana_rubro = median(colocacion),
promedio_plazo = mean(plazo)) %>%
ungroup()
data_resumida- Con los datos anteriores vamos a construir un diagrama de dispersión de total_rubro vs promedio_plazo:
data_resumida %>%
ggplot(mapping = aes(x = total_rubro, y = promedio_plazo)) +
geom_point() +
scale_x_log10() +
scale_y_log10() +
geom_smooth(method = "lm", se = FALSE)
- mediana_rubro vs promedio_plazo: (gráfico con información errada)
data_resumida %>%
ggplot(mapping = aes(x = mediana_rubro, y = promedio_plazo)) +
geom_point() +
scale_x_log10() +
scale_y_log10() +
geom_smooth(method = "lm", se = FALSE)
- mediana_rubro vs promedio_plazo por tipo de productor:
data_resumida %>%
ggplot(mapping = aes(x = mediana_rubro, y = promedio_plazo, color = productor)) +
geom_point() +
scale_x_log10() +
scale_y_log10() +
geom_smooth(method = "lm", se = FALSE)
- Una forma de ver el gráfico anterior de manera interactiva es a través de la función ggplotly() de la biblioteca plotly:
library(plotly)
ggplotly(
data_resumida %>%
ggplot(mapping = aes(x = mediana_rubro, y = promedio_plazo, color = productor)) +
geom_point() +
scale_x_log10() +
scale_y_log10() +
geom_smooth(method = "lm", se = FALSE)
)- Podemos incoporar una tercera variable al gráfico de dispersión a través del argumento size en el mapeo estético:
data_resumida %>%
ggplot(mapping = aes(x = mediana_rubro, y = promedio_plazo, color = productor,
size = total_creditos)) +
geom_point(alpha = 0.5) +
scale_x_log10() +
scale_y_log10() +
geom_smooth(method = "lm", se = FALSE, show.legend = FALSE) +
scale_size_continuous(breaks = c(1000, 5000, 10000, 20000, 30000))
geom_bin2d()
- Cuando el número de observaciones es elevado una mejor manera de visualizar la relación de x vs y es a través de densidades 2D.
creditos2 %>%
ggplot(mapping = aes(x = colocacion, y = plazo)) +
geom_bin2d() +
scale_x_log10() +
geom_smooth(method = "lm", color = "red")
geom_density2d()
creditos2 %>%
ggplot(mapping = aes(x = colocacion, y = plazo)) +
geom_density2d() +
scale_x_log10() +
geom_smooth(method = "lm", color = "red")
geom_density_2d_filled()
creditos2 %>%
ggplot(mapping = aes(x = colocacion, y = plazo)) +
geom_density_2d_filled() +
scale_x_log10() +
geom_smooth(method = "lm", color = "red")
Bibliotecas
- Instalar las siguientes bibliotecas:
- scales
- RColorBrewer
- grid
- gridExtra
- ggpubr
- raster
- sf
- ggmap
- ggridges
- jcolors