Paquetes: - ggplot2 - gapminder (necesita instalarse) - ggthemes (necesita instalarse)

Las variables numéricas son aquellas que representan números, y con ellas se pueden realizar operaciones aritméticas. Por ejemplo:

• Número de estudiantes
• Tasa de mortalidad infantil
• Peso corporal
• Temperatura

Las variables numéricas pueden ser continuas o discretas

Son variables que tienen un número infinito de valores entre dos valores cualquiera. Es decir, son medidas dentro de un rango continuo infinito de valores. Algunos ejemplos:

• Longitud de un animal
• Tiempo transcurrido entre compras
• Temperatura de un horno
• Estatura de una persona

Por lo general estamos hablando de datos que se obtienen mediante procesos de medición.

Tomamos la estatura de dos personas, la primera mide 1.70m y la segunda 1.73m. ¿Cuántos valores posibles de estatura existen entre 1.70 m y 1.73m?

Podríamos estar tentados a pensar que los únicos valores posibles serían 1.71m y 1.72m. Sin embargo, si tenemos un instrumento de medición más preciso podría darnos un valor de 1.701m, 1.7113m, 1.70000001, 1.729999999, etc. Es decir, entre dos valores cualquiera de estatura, podemos tener infinitos valores.

Son variables que tienen un número contable de valores entre dos valores cualquiera. Algunos ejemplos:

• Total de goles en un partido de fútbol
• Número de quejas recibidas por un cliente
• Número de ventas realizadas en una semana
• Número de hijos que una mujer dio a luz

Por lo general estamos hablando de datos que se obtienen mediante procesos de conteo o registro.

Tomamos la cantidad de hijos que tuvieron dos mujeres, la primera tuvo 3 hijos y la segunda tuvo 6. ¿Cuántos valores posibles de número de hijos existen entre 3 y 6?

En este caso, sí es posible decir que entre 3 y 6 sólo es posible tener 4 o 5 hijos. En ningún escenario posible una persona podría decir que tuvo 3.1, 4.5 o 5.999 hijos. Es decir, entre dos valores cualquiera de número de hijos por persona, tenemos un número limitado de valores posibles.

En algunos casos, las variables discretas tienen un rango muy grande de valores potenciales y tiene sentido tratarlos como variables continuas en nuestras tareas estadísticas. Por ejemplo:

• Número de personas en un país (población)
• Número de árboles en un bosque
• Número de animales en una reserva protegida

Piensa en la población de El Vaticano versus la población en China. ¿Cuántos valores potenciales de población existen entre ambos valores?

Se refieren a características o atributos cuyas posibilidades de variación no se expresan en función de números o cantidades. Las variables categóricas contienen un conjunto finito de categorías o grupos distintos. Por ejemplo:

• Posesión de servicio eléctrico en la vivienda (Sí, No)
• Tipo de material del piso (Tierra, Cemento, Loseta, Parquet)
• Tipo de establecimiento de salud al que acudió una persona (Farmacia, Posta, Clínica, Hospital)
• Nivel de apoyo a la democracia en una escala del 1 al 5
• Nivel educativo alcanzado (Sin nivel, Primaria, Secundaria, etc)

Las variables categóricas pueden ser nominales u ordinales

Las variables categóricas son ordinales cuando sí tienen un orden lógico natural. Es decir, las categorías representan valores que pueden ordenarse de menor a mayor o viceversa. Por ejemplo:

• Nivel educativo
• Grado de apoyo a la democracia (Bajo, Medio, Alto)
• Frecuencia de consumo de gaseosa (Diario, Semanal, Mensual, Anual, etc)

Las variables categóricas son nominales cuando no tienen un orden lógico natural. Es decir, las categorías no representan valores que pueden ordenarse de menor a mayor, o viceversa. Por ejemplo:

• Sexo (Hombre, Mujer)
• Región de nacimiento
• Tipo de dispositivo (Smartphone, Laptop, PC de escritorio, Tablet)
• Compañía proveedora de internet

Dentro de tu grupo, discute de qué tipo son las siguientes variables:

• Ingreso mensual por trabajo remunerado de 1000 personas
• Signo zodiacal de 100 personas
• Número telefónico de 500 hospitales
• Promedio de páginas de libros leídas semanalmente en un año para 200 estudiantes
• Mes de nacimiento de 10 personas
• Grupo etáreo de 300 personas
• Porcentaje de docentes a tiempo completo en 100 instituciones educativas
• Número de días con visitas permitidas para 50 presidiarios
• Número de DNI de 200 personas
• Temperatura corporal de una (1) persona

Cuando realizamos nuestros gráficos, la computadora trata todos nuestros datos como si fueran números.

Miremos el gráfico de la siguiente diapositiva. Representa la cantidad de diamantes según su tipo de corte.

El gráfico representa el recuento de observaciones por cada categoría de la variable corte.

Antes de poder representar nuestros datos de forma gráfica, necesitamos, obviamente, tener los datos. En este caso, el set de datos luce de esta manera:

ggplot2::diamonds |>
  dplyr::count(cut) |>
  dplyr::rename(corte = cut, recuento = n)

## # A tibble: 5 x 2
##   corte     recuento
##   <ord>        <int>
## 1 Fair          1610
## 2 Good          4906
## 3 Very Good    12082
## 4 Premium      13791
## 5 Ideal        21551

Vemos que la variable corte es netamente categórica. Sin embargo, asume una posición en el eje X. Internamente, R trata a las variables categóricas como numéricas discretas para poder representar su información en una escala gráfica.

Por esto, de ahora en adelante, cuando nos refiramos a variables discretas, nos estamos refiriendo tanto a variables categóricas como a numéricas discretas con poca cantidad de valores posibles.

La habilidad de crear gráficos a partir de los datos que recolectamos potencia nuestra capacidad de análisis. Los gráficos nos pueden ayudar a percibir de manera rápida patrones de comportamiento en nuestra data y, al mismo tiempo, resumir de manera visual aquello que queremos mostrar a nuestra audiencia.

Esta sesión tiene como objetivo explicar el uso de la gramática de los gráficos, un marco conceptual cuya aplicación permite realizar visualizaciones de datos de manera sencilla y coherente. No vamos a buscar explicar todos los elementos teóricos que existen detrás del marco conceptual mencionado. En cambio, preferimos explicar sólo los elementos clave, usando ejemplos claros para que, al finalizar la, cualquiera pueda intentar crear sus propios gráficos.

No somos las primeras personas en tratar de explicar este tema. De hecho, este tutorial será una adaptación del gran trabajo realizado por Chester Ismay y Albert Y. Kim en su libro Statistical Inference via Data Science: A ModernDive into R and the Tidyverse.

Durante esta sesión usaremos el conjunto de datos gapminder que viene incluido dentro del paquete gapminder para los gráficos de ejemplo. Si aún no cuentas con el paquete, puedes instalarlo usando el siguiente código en la consola.

install.packages("gapminder")

La instalación de paquetes es un proceso que debe realizarse una sola vez. Cuando requieras usar un paquete instalado debes llamarlo usando la función library().

library(gapminder)

gapminder

## # A tibble: 1,704 x 6
##    country     continent  year lifeExp      pop gdpPercap
##    <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
##  1 Afghanistan Asia       1952    28.8  8425333      779.
##  2 Afghanistan Asia       1957    30.3  9240934      821.
##  3 Afghanistan Asia       1962    32.0 10267083      853.
##  4 Afghanistan Asia       1967    34.0 11537966      836.
##  5 Afghanistan Asia       1972    36.1 13079460      740.
##  6 Afghanistan Asia       1977    38.4 14880372      786.
##  7 Afghanistan Asia       1982    39.9 12881816      978.
##  8 Afghanistan Asia       1987    40.8 13867957      852.
##  9 Afghanistan Asia       1992    41.7 16317921      649.
## 10 Afghanistan Asia       1997    41.8 22227415      635.
## # ... with 1,694 more rows

Recuerda que gapminder es un set de datos que ha sido previamente limpiado y ordenado. Normalmente, estos son pasos previos que debe realizar el analista de datos.

El paquete ggplot2, elaborado por Hadley Wickham es la implementanción en R de la gramática de los gráficos, teoría desarrollada por Leland Wilkinson.

# Sólo ggplot2
library(ggplot2)

Puedes cargar ggplot2 individualmente o junto con los paquetes del tidyverse.

# Todo el tidyverse
library(tidyverse)

Del mismo modo que para construir una oración en nuestro idioma, hacemos uso de combinaciones de palabras (que pueden ser sustantivos, verbos, adjetivos, etc) siguiendo un conjunto de reglas conocido como gramática, la gramática de los gráficos nos brinda las reglas para construir gráficos estadísticos.

En pocas palabras, la gramática de los gráficos nos quiere decir que:

Un gráfico estadístico es el mapeo de variables en nuestra data hacia atributos estéticos de figuras geométricas.

Podemos construir un gráfico a partir de tres componentes esenciales:

1. data: el set de datos que contiene las variables de interés
2. geom: las figuras geométricas en cuestión. Nos referimos al tipo de objeto que podemos observar en un gráfico. Por ejemplo: puntos, líneas o barras.
3. aes: los atributos estéticos de la figura geométrica. Por ejemplo, su posición en los ejes x/y, color, forma y tamaño. Los atributos estéticos son mapeados a las variables contenidas en nuestro set de datos.

Para mostrar lo simple que puede resultar graficar usando los componentes mencionados, usaremos datos del paquete gapminder. Para este primer ejemplo utilizaremos sólo los datos de expectativa de vida en Perú a lo largo de los años. Para ello crearemos datos_peru usando algunas funciones del paquete dplyr.

library(dplyr)

datos_peru <- filter(gapminder, country == "Peru")

Ahora que tenemos df_ejemplo, sólo necesitamos usar dos líneas de código para ver la evolución de la expectativa de vida de los peruanos. Recuerda que para ello hemos cargado previamente ggplot2.

ggplot(data = datos_peru, mapping = aes(x = year, y = lifeExp)) +
  geom_line()

¿Cómo funciona la gramática? Anteriormente te habíamos mencionado que ggplot requiere tres componentes básicos para crear gráficos: los datos, el mapeo de variables y las figuras geométricas que representarán nuestros datos.

En el código anterior:

1. Le indicamos a la función ggplot() que nuestra data será df_ejemplo.
2. Con mapping le pedimos que mapee la variable year al eje X y la variable lifeExp al eje Y.
3. Además de hacer esto, es necesario indicarle qué figura geométrica debe usar ggplot para representar nuestros datos. Esta instrucción se la indicamos con geom_line(), pidiendole que lo haga con una línea.

Debido a que el primer argumento siempre será nuestra data, y en el mapeo de variables los dos primeros atributos siempre corresponden al eje X y al eje Y, podemos reescribir el código del gráfico anterior de forma más concisa.

Para estos parámetros tan comunes (data,x, y), no necesitamos especificar su nombre cada vez.

ggplot(datos_peru, aes(year, lifeExp)) + 
  geom_line()

ggplot(data = datos_peru, mapping = aes(x = year, y = lifeExp)) +
  geom_line()

ggplot(datos_peru, aes(year, lifeExp)) + 
  geom_line()

Los gráficos creados con ggplot() son un nuevo tipo de objeto. Como tal, puede usarse el operador de asignamiento (<-) para almacenarlos en nuestro Environment. Por ejemplo, creamos el objeto gráfico.

grafico <- ggplot(datos_peru, aes(year, lifeExp))

Ahora sólo haría falta agregarle una geometría. Para ello, hacemos uso del operador de adición (+). Mira lo fácil que es cambiar entre un gráfico de líneas, de columnas y de puntos.

grafico +
    geom_line()

grafico +
    geom_col()

grafico +
    geom_point()

¿Cómo determinar el correcto tipo de gráficos según los datos que tengo?

¿En qué casos debo usar columnas?¿En qué casos debo usar puntos?

Con el fin de conseguir una explicación simple, nos limitamos a mostrar cinco tipos de gráfico que son de uso común y que además permiten entender los usos de la gramática en su forma básica.

El primer tipo de gráfico que veremos es el de barras. Resulta muy útil para mostrar estadísticas de resumen de nuestros datos categóricos. Por ejemplo, podemos ver cuántos países encontramos por continente en las observaciones de gapminder correspondientes al año 2002 y su promedio de expectativa de vida. Podemos obtener esa información usando funciones de dplyr.

Si queremos contar con columnas verticales, mapeamos nuestra variable discreta al eje X y nuestra variable numérica al eje Y.

(paises_por_continente <- gapminder %>% 
  filter(year == 2002) %>% 
  group_by(continent) %>% 
  summarise(
    recuento = n(),
    promedio_exp = mean(lifeExp)
  ) %>% 
  ungroup())

## # A tibble: 5 x 3
##   continent recuento promedio_exp
##   <fct>        <int>        <dbl>
## 1 Africa          52         53.3
## 2 Americas        25         72.4
## 3 Asia            33         69.2
## 4 Europe          30         76.7
## 5 Oceania          2         79.7

Con esta información, podemos dibujar nuestro primer gráfico de barras haciendo uso de geom_col().

ggplot(paises_por_continente, aes(continent, recuento)) +
  geom_col()

El siguiente tipo de gráfico ya lo conocemos. Consiste en líneas que nos sirven generalmente para analizar la evolución en el tiempo de determinadas variables. Debido a ello, es muy común mapear en el exe X alguna variable de tiempo, y en el eje Y alguna variable continua, que sería nuestra variable de interés.

Con gapminder podemos analizar la evolución del PBI per cápita peruano de 1952 a 2007. Para ello filtraremos sólo las observaciones pertenecientes a Perú. Para generar el gráfico de líneas usamos geom_line().

ggplot(datos_peru, aes(year, gdpPercap)) +
  geom_line()

¿En qué periodo se ve una gran caída? ¿Cuántos años fueron necesarios para recuperar la misma cifra? Este tipo de preguntas son las que un gráfico de líneas nos permite revisar.

Es posible hacer otro tipo de análisis usando una sola variable. El gráfico de columnas nos permitía ver cómo se distribuyen las observaciones de nuestras variables discretas. Podemos esperar que exista un gráfico que nos muestre la distribución de variables continuas.

Esto lo conseguimos con los histogramas. En lugar de mostrar la frecuencia de observaciones según categorías, nos permiten agrupar los datos por intervalos. Veamos cómo se distribuye el PBI per cápita de todos los países del mundo en el año 2007. Para generar el histograma usamos geom_histogram(). Por defecto, ggplot() divide nuestra data en 30 intervalos.

datos_2007 <- filter(gapminder, year == 2007)

En este caso, sólo indicaremos la variable del eje X, porque el eje Y se calcula en base a los intervalos automáticos.

ggplot(datos_2007, aes(gdpPercap)) +
  geom_histogram()

Con esto podemos responder alguna preguntas como:

• ¿Cuál es el valor más pequeño?¿Y el más alto?
• ¿Cuál es el valor “central” o “más típico”?
• ¿Qué tan dispersos están los valores?
• ¿Qué valores son muy frecuentes?¿Cuáles son infrecuentes?

Otra manera de ver la distribución de nuestros valores es haciendo uso de diagramas de caja o boxplot. En este caso, es más entenderlo si primero hemos visto alguno. Para dibujarlo, usamos geom_boxplot().

Para obtener una caja que represente a todo nuestro conjunto de datos, sólo necesitamos especificar el eje X.

ggplot(datos_2007, aes(gdpPercap)) +
  geom_boxplot()

Vemos una especie de “caja” que busca representar nuestros valores. La línea negra remarcada al centro de la caja nos indica dónde encontramos el punto medio de nuestros datos (la mediana). Esta representación nos permite ubicar nuestros datos en cuatro segmentos importantes:

1. Todo lo que está “fuera” de la caja en el lado izquierdo representa el primer 25% de nuestros datos, también conocido como el primer cuartil o cuartil inferior. Son los valores más bajos.
2. Todo lo que está en la primera mitad de la “caja” representa el segundo 25% de nuestros datos, conocido el segundo cuartil.
3. Todo lo que está en la segunda mitad de la “caja” representa el tercer 25% de nuestros datos, conocido como el tercer cuartil.
4. Todo lo que está “fuera” de la caja en el lado derecho, representa el cuarto 25% de nuestros datos, también conocido como el cuarto cuartil o cuartil superior. Son los valores más altos.

Habrás podido notar que además aparecen algunos puntos dibujados fuera de nuestros cuatro segmentos. Estos representan valores extremos, también conocidos como outliers. Pueden aparecer tanto en el lado más alto como en el más bajo de nuestros datos. Para determinar su existencia se utiliza un cálculo usando el Rango Intercuartil. Si no entiendes esta parte por ahora, no te preocupes, con que entiendas que son valores extremos es suficiente.

Algo muy útil que nos permiten hacer los boxplot es comparar la distribución de nuestros valores entre diferentes categorías. Para ello, podemos mapear una variable discreta al eje Y. Por ejemplo, el PBI per cápita de los cinco continentes.

ggplot(datos_2007, aes(gdpPercap, continent)) +
  geom_boxplot()

De esta manera, podemos ver que incluso los valores más altos de PBI en África no alcanzan a los valores medianos de Europa y Oceanía. También podemos ver que aunque Asia tiene países con valores de PBI per cápita comparables con los más altos de Europa, al menos la mitad de sus países se ubica en los niveles de África.

Además de ver las características de una variable en particular, ya sea viendo su evolución en el tiempo o su distribución, podemos pensar en cómo analizar la relación entre nuestras variables. Por ejemplo, ¿qué relación existe entre el PBI per cápita y la expectativa de vida? Piensa un poco en esto y trata de responder la siguiente pregunta: ¿Existirá mayor expectativa de vida en países que tienen un PBI per cápita alto?

Para responder a esto podemos hacer uso de un diagrama de dispersión, también conocido como diagrama de puntos. Nos sirve para ver la relación existente entre dos variables continuas, también conocida como correlación.

A continuación, analizaremos la relación entre el PBI per cápita y la expectativa de vida de todos los países en el año 2007. Para dibujar nuestro diagrama de puntos, hacemos uso de geom_point(). Las variables de interés van en cada uno de nuestros ejes. En este caso, como esperamos que el PBI per cápita influya en la epectativa de vida, lo colocamos en el eje X. Cada uno de los puntos de nuestro gráfico corresponde a un país.

ggplot(datos_2007, aes(gdpPercap, lifeExp)) +
  geom_point()

Algo que podemos notar rápidamente es que existen gran cantidad de países con un PBI per cápita bajo, esto hace que haya mucha aglomeración en esa parte del gráfico. Aunque esto nos dificulta un poco el análisis, podemos ir respondiendo la siguiente pregunta: ¿La expectativa de vida en los países con mayor PBI per cápita es alta o baja?

Para ver la distribución en los países con menor PBI per cápita podemos filtrar sólo los valores menores a 10000.

datos_2007_filtrado <- filter(datos_2007, gdpPercap < 10000)

ggplot(datos_2007_filtrado, aes(gdpPercap, lifeExp)) +
  geom_point()

Nuevamente, podemos ver que los países con mayor PBI per cápita tienen la expectativa de vida más alta. Sin embargo, ahora además podemos ver con mayo claridad que aunque en los países con menor PBI per cápita la expectativa de vida es variada, generalmente se encuentra en los valores más bajos.

1. Crea un nuevo proyecto en tu carpeta R: 02-ejercicios
2. Ejecutar getwd() en la consola. Comparte el resultado en el chat de la llamada.
3. Crea un nuevo archivo R Markdown: ejercicios.Rmd
4. Adapta el código usado para crear datos_2007 de tal manera que puedas obtener los datos de 1952 y crear el objeto datos_1952.
5. Haz el diagrama de cajas para la expectativa de vida por continente usando datos_1952
6. Sube el resultado a Rpubs.com y comparte el enlace en el chat de la llamada.

Hasta el momento hemos conocido cómo cambiar en nuestras geometrías los atributos estéticos de posición en los ejes X y Y. Sin embargo, cuando pensamos tradicionalmente en atributos estéticos, hay otro tipo de características que también nos vienen a la mente.

Tres de ellas pueden ser el color, tamaño y forma de las figuras geométricas que utilizamos en nuestros gráficos. Con ggplot2 podemos mapear alguna variable de nuestro set de datos a estos atributos.

Pensemos en un gráfico de barras. Habíamos visto que es posible crearlo usando geom_bar(). Por ejemplo, la cantidad de países en cada continente para el año 2007.

ggplot(datos_2007, aes(continent)) +
  geom_bar()

El gráfico nos permite identificar una columna con cada uno de los continentes, pero para ello es necesario leer las etiquetas en el eje X. Otra manera de saber que estamos refiriéndonos a continentes distintos es haciendo uso del atributo fill, que se refiere al relleno de las barras.

ggplot(datos_2007, aes(continent, fill = continent)) +
  geom_bar()

Vemos que además de colorear cada una de nuestras barras, ggplot2 automáticamente le agrega una leyenda a nuestro gráfico para saber qué categoría representa cada color mostrado. En un gráfico de barras, esta información ya la presentaban las etiquetas del eje X.

Para poder apreciar cómo el color nos puede apreciar a explotar nuestros datos, agreguémosle color de relleno a un diagrama de puntos. Recordemos que para ello hacemos uso de geom_point(). Por ejemplo, para ver la relación entre PBI per cápita y esperanza de vida en el año 2007. Haciendo uso del color, podemos ver cómo se posicionan los países según su continente.

ggplot(datos_2007, aes(gdpPercap, lifeExp, color = continent)) +
  geom_point()

Podemos seguir viendo que existe una relación positiva entre PBI per cápita y expectativa de vida, pero además ahora podemos ver a qué continente pertenecen los países con PBI per cápita más alto y más bajo.

Sin embargo, te habrás dado cuenta que para el código de barras hemos usado el argumento fill pero en el diagrama de puntos hemos usado color.

¿Por qué la diferencia? Tiene que ver con la figura geométrica que estamos utilizando. Por lo general debemos entenderlo de la siguiente manera:

• fill: permite modificar el relleno de la figura.
• color: permite modificar los bordes o líneas de la figura.

Del mismo, usar el atributo de tamaño nos permite identificar nueva información acerca de nuestros datos. Por ejemplo, podemos ver la población de los países en nuestro diagrama de puntos para hacernos una idea de a quiénes representa. Para ello, usamos el argumento size y lo mapeamos a la variable pop.

ggplot(datos_2007, aes(gdpPercap, lifeExp, size = pop)) +
  geom_point()

Nuevamente, ggplot2 nos proporciona una leyenda automática. Así podemos ver que para el año 2007, los países con los valores de población más extremos, tienen un PBI per cápita bajo. Podemos combinar al mismo tiempo el uso de tamaño con el color para ver también la distribución según continentes.

ggplot(datos_2007, aes(gdpPercap, lifeExp, size = pop, color = continent)) +
  geom_point()

• ¿Qué punto crees que representa a China?
• ¿Qué punto crees que representa a EEUU?
• ¿Qué punto crees que representa a Australia?

Debes tener en cuenta que no todo el mundo percibe los colores de la misma manera. En casos como esos, usar una forma distinta para nuestras categorías permite mostrar con mayor claridad las diferencias. Para ello, usamos el atributo shape.

ggplot(datos_2007, aes(gdpPercap, lifeExp, shape = continent, color = continent)) +
  geom_point()

Por último, usar etiquetas significativas hará que nuestros gráficos hablen por sí solos. Para ello, agregamos la función labs() a nuestro gráfico. En ella, entre otras cosas, podemos modificar lo siguiente:

• title: el título principal de nuestro gráfico
• subtitle: el subtítulo del gráfico
• caption: la nota al pie de nuestro gráfico
• x: la etiqueta del eje X
• y: la etiqueta del eje Y

Conservamos grafico_puntos para usarlo como ejemplo.

grafico_dispersion <- ggplot(datos_2007, aes(gdpPercap, lifeExp, shape = continent, color = continent)) +
  geom_point()

grafico_dispersion

grafico_dispersion +
  labs(title = "Relación entre PBI per cápita y expectativa de vida",
       subtitle = "Los cinco continentes en el año 2007")

grafico_dispersion +
  labs(x = "PBI per cápita",
       y = "Expectativa de Vida")

grafico_dispersion +
  labs(caption = "Fuente: Proyecto gapminder",
       color = "Continente", shape = "Continente")

Podemos juntar todas las etiquetas dentro de una misma llamada a labs(). De paso, guardamos grafico_final() para usarlo más adelante.

grafico_final <- grafico_dispersion +
  labs(title = "Relación entre PBI per cápita y expectativa de vida",
       subtitle = "Los cinco continentes en el año 2007",
       caption = "Fuente: Proyecto gapminder",
       x = "PBI per cápita",
       y = "Expectativa de Vida",
       color = "Continente",
       shape = "Continente")

grafico_final

Es probable que además de cambiar los colores, forma y etiquetas de un gráfico, busques modificar otros elementos estéticos que no corresponden a datos.

Lamentablemente, escapa de la finalidad de esta sesión llegar a enseñarte esto. Sin embargo, ggplot2 viene con temas predefinidos que te pueden permitir ahorrarte el trabajo de hacerlos por ti mismo.

A continuación, algunos ejemplos de estos modelos aplicados a grafico_final.

grafico_final +
    theme_bw()

grafico_final +
    theme_classic()

grafico_final +
    theme_light()

grafico_final +
    theme_minimal()

grafico_final +
    theme_void()

También existen otros paquetes que incluyen temas para gráficos. Uno de los más conocidos es ggthemes.

Para instalarlo.

install.packages("ggthemes")

Una vez instalado, no olvides llamarlo con library() para usar sus temas.

library(ggthemes)

grafico_final +
    theme_base()

grafico_final +
    theme_calc()

grafico_final +
    theme_clean()

grafico_final +
    theme_economist()

grafico_final +
    theme_wsj()

grafico_final +
    theme_stata()

Si deseas conocer más sobre ggplot2 puedes revisar su libro oficial y su “Cookbook” oficial.

• Libro: Teoría y ejemplos claros
• Cookbook: Ejemplos extensivos

Gracias por tu participación en la sesión de hoy. Para terminar, llena la encuesta de retroalimentación.

https://bit.ly/Retro-Taller-I