Visualización de datos

Introducción

library(tidyverse)
library(datos)

3.2 Primeros pasos

3.2.4 Ejercicios

  1. Corre ggplot(data = millas). ¿Qué observas?

Solución 

ggplot(data = millas)

Este código crea un gráfico “vacío”. Solo se ve el fondo, pero no se dibuja nada sobre él porque no se han especificado las otras dos capas mínimas: aes() para mapear las variables y geom_*() para indicar la representación gráfica a utilizar.

  1. ¿Cuántas filas hay en millas? ¿Cuántas columnas?

Solución

Para contar el número de filas y columas podemos utilizar las funciones nrow() y ncol() del paquete dplyr:

nrow(millas)
## [1] 234
ncol(millas)
## [1] 11

Hay 234 filas y 11 columnas en el dataset millas.

Otra manera de ver el número de filas y de columnas es imprimiendo el objeto en la consola. Al inicio nos indicará el tipo de objeto que es y sus dimensiones en términos de filas x columnas. Algo parecido ocurrirá su utilizamos str(). Si usamos glimpse() nos indicará esta información como número de obervaciones y número de variables

millas
## # A tibble: 234 x 11
##    fabricante modelo     cilindrada  anio cilindros transmision traccion ciudad
##    <chr>      <chr>           <dbl> <int>     <int> <chr>       <chr>     <int>
##  1 audi       a4                1.8  1999         4 auto(l5)    d            18
##  2 audi       a4                1.8  1999         4 manual(m5)  d            21
##  3 audi       a4                2    2008         4 manual(m6)  d            20
##  4 audi       a4                2    2008         4 auto(av)    d            21
##  5 audi       a4                2.8  1999         6 auto(l5)    d            16
##  6 audi       a4                2.8  1999         6 manual(m5)  d            18
##  7 audi       a4                3.1  2008         6 auto(av)    d            18
##  8 audi       a4 quattro        1.8  1999         4 manual(m5)  4            18
##  9 audi       a4 quattro        1.8  1999         4 auto(l5)    4            16
## 10 audi       a4 quattro        2    2008         4 manual(m6)  4            20
## # ... with 224 more rows, and 3 more variables: autopista <int>,
## #   combustible <chr>, clase <chr>
str(millas)
## tibble [234 x 11] (S3: tbl_df/tbl/data.frame)
##  $ fabricante : chr [1:234] "audi" "audi" "audi" "audi" ...
##  $ modelo     : chr [1:234] "a4" "a4" "a4" "a4" ...
##  $ cilindrada : num [1:234] 1.8 1.8 2 2 2.8 2.8 3.1 1.8 1.8 2 ...
##  $ anio       : int [1:234] 1999 1999 2008 2008 1999 1999 2008 1999 1999 2008 ...
##  $ cilindros  : int [1:234] 4 4 4 4 6 6 6 4 4 4 ...
##  $ transmision: chr [1:234] "auto(l5)" "manual(m5)" "manual(m6)" "auto(av)" ...
##  $ traccion   : chr [1:234] "d" "d" "d" "d" ...
##  $ ciudad     : int [1:234] 18 21 20 21 16 18 18 18 16 20 ...
##  $ autopista  : int [1:234] 29 29 31 30 26 26 27 26 25 28 ...
##  $ combustible: chr [1:234] "p" "p" "p" "p" ...
##  $ clase      : chr [1:234] "compacto" "compacto" "compacto" "compacto" ...
glimpse(millas)
## Rows: 234
## Columns: 11
## $ fabricante  <chr> "audi", "audi", "audi", "audi", "audi", "audi", "audi", "a~
## $ modelo      <chr> "a4", "a4", "a4", "a4", "a4", "a4", "a4", "a4 quattro", "a~
## $ cilindrada  <dbl> 1.8, 1.8, 2.0, 2.0, 2.8, 2.8, 3.1, 1.8, 1.8, 2.0, 2.0, 2.8~
## $ anio        <int> 1999, 1999, 2008, 2008, 1999, 1999, 2008, 1999, 1999, 2008~
## $ cilindros   <int> 4, 4, 4, 4, 6, 6, 6, 4, 4, 4, 4, 6, 6, 6, 6, 6, 6, 8, 8, 8~
## $ transmision <chr> "auto(l5)", "manual(m5)", "manual(m6)", "auto(av)", "auto(~
## $ traccion    <chr> "d", "d", "d", "d", "d", "d", "d", "4", "4", "4", "4", "4"~
## $ ciudad      <int> 18, 21, 20, 21, 16, 18, 18, 18, 16, 20, 19, 15, 17, 17, 15~
## $ autopista   <int> 29, 29, 31, 30, 26, 26, 27, 26, 25, 28, 27, 25, 25, 25, 25~
## $ combustible <chr> "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", "p"~
## $ clase       <chr> "compacto", "compacto", "compacto", "compacto", "compacto"~
  1. ¿Qué describe la variable traccion? Lee la ayuda de ?millas para encontrar la respuesta.

Solución

traccion esa una variable categórica que clasifica los vehículos en tracción delantera, trasera o de cuatro ruedas.

unique(millas$traccion)
## [1] "d" "4" "t"
  1. Realiza un gráfico de dispersión de autopista versus cilindros.

Solución 

ggplot(millas, aes(x = autopista, y = cilindros)) +
  geom_point()

  1. ¿Qué sucede cuando haces un gráfico de dispersión de clase versus traccion? ¿Por qué no es útil este gráfico?

Solución

El gráfico resultante tiene pocos puntos. Ambas variables son categóricas y por lo tanto existe una cantidad limitada de combinaciones posibles.

ggplot(millas, aes(x = clase, y = traccion)) +
  geom_point()

Otro problema es la frecuencia de combinaciones posibles no es la misma en todos los casos.

count(millas, traccion, clase)
## # A tibble: 12 x 3
##    traccion clase           n
##    <chr>    <chr>       <int>
##  1 4        compacto       12
##  2 4        mediano         3
##  3 4        pickup         33
##  4 4        subcompacto     4
##  5 4        suv            51
##  6 d        compacto       35
##  7 d        mediano        38
##  8 d        minivan        11
##  9 d        subcompacto    22
## 10 t        2asientos       5
## 11 t        subcompacto     9
## 12 t        suv            11

Los gráficos de dispersión debieran usarse con variables continuas y cuando los valores son únicos.

3.3 Mapeos estéticos

3.3.1 Ejercicios

  1. ¿Qué no va bien en este código? ¿Por qué hay puntos que no son azules?

    ggplot(data = millas) +
  geom_point(mapping = aes(x = cilindrada, y = autopista, color = "blue"))

Solución

Se incluyó el color dentro de aes(), por lo cual se trata como una variable, lo cual sería útil si tuvieramos una columna con información de los colores.

Para dejar todos los puntos en color azul, se debe cambiar el orden de los parámetros.

ggplot(data = millas) +
     geom_point(mapping = aes(x = cilindrada, y = autopista), color = "blue")

  1. ¿Qué variables en millas son categóricas? ¿Qué variables son continuas? (Sugerencia: escribe ?millas para leer la documentación de ayuda para este conjunto de datos). ¿Cómo puedes ver esta información cuando ejecutas millas?

Solución

Variables categóricas: modelo, transmisión, tracción, combustible y clase.

Variables continuas: cilindrada, año, cilindros, ciudad, autopista.

  1. Asigna una variable continua a color, size, y shape. ¿Cómo se comportan estas estéticas de manera diferente para variables categóricas y variables continuas?

Solución

Una posibilidad es graficar rendimiento de combustible en autopista dado el tipo de motor. Como información adicional usamos el rendimiento en ciudad como color, de modo de contar con una paleta de colores informativa.

Los otros casos quedan como ejercicio.

  1. ¿Qué ocurre si asignas o mapeas la misma variable a múltiples estéticas?

Solución

R va a generar un gráfico con información redundante, lo cual se debiera evitar.

ggplot(millas, aes(x = cilindrada, y = autopista, colour = autopista, size = autopista)) +
  geom_point()

  1. ¿Qué hace la estética stroke? ¿Con qué formas trabaja? (Sugerencia: consultar ?geom_point)

Solución

Cambia el tamaño de los bordes de las formas 21 a 25. Para estas formas es posible cambiar el color de relleno y borde y también el tamaño de los bordes.

Ejemplo:

ggplot(mtautos, aes(peso, millas)) +
  geom_point(shape = 21, colour = "black", fill = "white", size = 5, stroke = 5)

  1. ¿Qué ocurre si se asigna o mapea una estética a algo diferente del nombre de una variable, como ser aes(color = cilindrada < 5)?

Solución

R crea una variable temporal que da cuenta de la evaluación de la variable. En el caso de cilindrada < 5 el resultado es verdadero o falso y según esto se incluyen los colores en el gráfico.

Ejemplo:

ggplot(millas, aes(x = cilindrada, y = autopista, colour = cilindrada < 5)) +
  geom_point()

3.5 Separar en facetas

3.5.1 Ejercicios

  1. Qué ocurre si intentas separar en facetas a una variable continua?

Solución

Veamos un ejemplo:

ggplot(millas, aes(x = cilindros, y = autopista)) +
  geom_point() +
  facet_grid(. ~ ciudad)

La variable continua es convertida a una variable categórica y el gráfico contiene una faceta para cada valor,

  1. ¿Qué significan las celdas vacías que aparecen en el gráfico generado usando facet_grid(traccion ~ cilindros)? ¿Cómo se relacionan con este gráfico?

    ggplot(data = millas) +
  geom_point(mapping = aes(x = traccion, y = cilindros))

Solución 

ggplot(data = millas) +
  geom_point(mapping = aes(x = autopista, y = ciudad)) +
  facet_grid(traccion ~ cilindros)

Las celdas vacías (facetas) en este gráfico corresponden a combinaciones de traccion y cilindros que no tienen observaciones.

Son las mismas ubicaciones en el gráfico de dispersión de autopista y ciudad que no tienen gráfica.

ggplot(data = millas) +
  geom_point(mapping = aes(x = autopista, y = ciudad))

  1. ¿Qué gráfica el siguiente código? ¿Qué hace . ?

    ggplot(data = millas) +
  geom_point(mapping = aes(x = cilindrada, y = autopista)) +
  facet_grid(traccion ~ .)

ggplot(data = millas) +
  geom_point(mapping = aes(x = cilindrada, y = autopista)) +
  facet_grid(. ~ cilindros)

Solución

El símbolo . ignora la dimensión al momento de dibujar las facetas. Por ejemplo, autopista ~ . divide por los valores de autopista en el eje y.

ggplot(data = millas) +
  geom_point(mapping = aes(x = cilindrada, y = autopista)) +
  facet_grid(traccion ~ .)

A la vez, . ~ cilindrada va a dividir por los valores de cyl en el eje x.

ggplot(data = millas) +
  geom_point(mapping = aes(x = cilindrada, y = autopista)) +
  facet_grid(. ~ cilindros)

  1. Mira de nuevo el primer gráfico en facetas presentado en esta sección:

    ggplot(data = millas) +
  geom_point(mapping = aes(x = cilindrada, y = autopista)) +
  facet_wrap(~ clase, nrow = 2)

    ¿Cuáles son las ventajas de separar en facetas en lugar de aplicar una estética de color? ¿Cuáles son las desventajas? ¿Cómo cambiaría este balance si tuvieras un conjunto de datos más grande?

Solución

En el siguiente gráfico muestra la variable clase como color.

ggplot(data = millas) +
  geom_point(mapping = aes(x = cilindrada, y = autopista, color = clase))

La ventaja de usar clase como parte de las facetas en lugar de un argumento de color es la posibilidad de incluir distintas categorías. Es difícil distinguir entre los colores de las categorías “mediano” y “minivan”.

De acuerdo a las reglas de percepción, no se debería usar más de nueve colores para mostrar información cualitativa.

Mostrar observaciones de distintas categorías en diferentes escalaes hace que sea difícil comparar directamente entre los valores de distintas categorías. Sin embargo, haría más fácil comparar la forma de la relación entre x e y en distintas categorías.

La desventaja de usar clase para las facetas en lugar del argumento de color es la dificultad de comparar valores entre categorías dado que las observaciones para cada categoría se ubican en distintos gráficos.

Usando las mismas escalas para los ejes x e y en todas las facetas facilita comparar observaciones entre categorías, pero sigue siendo una comparación más compleja respecto del caso en que todas las observaciones se ubican en el mismo gráfico. Dado que usar clase para el argumento de color sitúa todos los puntos en un mismo gráfico, muestra la relación incondicional entre las variables x e y, lo que no ocurre al separar en distintos gráficos.

Los beneficios de codificar una variable mediante el color son crecientes si aumenta la cantidad de observaciones o el número de categorías. Si aumenta el número de categorías puede haber superposición y resulta complejo manejar esto con argumentos de color a menos que el número de observaciones sea pequeño y se pueda usar un argumento de distorsión (jitter).

El argumento de transparencia (alpha) no funciona bien con colores ya que la combinación de colores producto de la superposición no representa adecuadamente las categorías.

Si aumenta mucho el número de categorías va a ser cada vez más difícil contar con colores distintivos y será difícil distinguirlos.

  1. Lee ?facet_wrap. ¿Qué hace nrow? ¿Qué hace ncol? ¿Qué otras opciones controlan el diseño de los paneles individuales? ¿Por qué facet_grid() no tiene argumentos nrow y ncol?

Solución

Los argumentos nrow y ncol determinan el número de filas y columnas al momento de generar las facetas. facet_wrap() opera sobre una única variable.

nrow y ncol no son necesarios con facet_grid ya que el número de valores únicos en la función determina el número de filas y columnas.

  1. Cuando usas facet_grid(), generalmente deberías poner la variable con un mayor número de niveles únicos en las columnas. ¿Por qué?

Solución

Hacerlo genera más espacio para las columnas si el gráfico se ubica de forma horizontal.

3.6 Objetos geométricos

3.6.1 Ejercicios

  1. ¿Qué geom usarías para generar un gráfico de líneas? ¿Un diagrama de caja? ¿Un histograma? ¿Un gráfico de área?

Solución

  • gráfico de líneas: geom_line()
  • diagrama de caja: geom_boxplot()
  • histograma: geom_histogram()
  • gráfico de área: geom_area()
  1. Ejecuta este código en tu mente y predice cómo se verá el output. Luego, ejecuta el código en R y verifica tus predicciones.
  ggplot(data = millas, mapping = aes(x = cilindrada, y = autopista, color = traccion)) +
    geom_point() +
    geom_smooth(se = FALSE)

Solución

El resultado es un diagrama de dispersión con cilindrada en el eje x, autopista en el eje y y los puntos pintados de acuerdo a traccion. También se incluirá una línea de tendencia, sin el error estándar, para cada grupo de traccion.

ggplot(data = millas, mapping = aes(x = cilindrada, y = autopista, colour = traccion)) +
  geom_point() +
  geom_smooth(se = FALSE)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

  1. ¿Qué muestra show.legend = FALSE? ¿Qué pasa si lo quitas? ¿Por qué crees que lo usé antes en el capítulo?

Solución

show.legend = FALSE oculta la leyenda.

Considera el siguiente ejemplo ya visto:

ggplot(data = millas) +
  geom_smooth(
    mapping = aes(x = cilindrada, y = autopista, colour = traccion),
    show.legend = FALSE
  )
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

Quitar el argumento show.legend o definir show.legend = TRUE mostrará la relación entre traccion y la paleta de colores.

ggplot(data = millas) +
  geom_smooth(mapping = aes(x = cilindrada, y = autopista, colour = traccion))
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

En el capítulo, la leyenda se suprime ya que con tres gráficos, agregar una leyenda al tercero hará que se vea de distinto tamaño.

Dejar los gráficos de distinto tamaño dificulta ver cómo los argumentos cambian la apariencia de los gráficos.

La finalidad de estos gráficos es mostrar la diferencia sin grupos, usando una estética de grupo y usando una estética de color, lo cual crea grupos implícitos.

En el ejemplo, la leyenda no es necesaria ya que buscar los valores asociados a cada valor no ayuda a evidenciar los datos.

  1. ¿Qué hace el argumento se en geom_smooth()?

Solución

Agrega las bandas de error estándar a las líneas.

ggplot(data = millas, mapping = aes(x = cilindrada, y = autopista, colour = traccion)) +
  geom_point() +
  geom_smooth(se = TRUE)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

Por defecto la opción es se = TRUE:

ggplot(data = millas, mapping = aes(x = cilindrada, y = autopista, colour = traccion)) +
  geom_point() +
  geom_smooth()
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

  1. ¿Se verán distintos estos gráficos? ¿Por qué sí o por qué no?

    ggplot(data = millas, mapping = aes(x = cilindrada, y = autopista)) +
  geom_point() +
  geom_smooth()

ggplot() +
  geom_point(data = millas, mapping = aes(x = cilindrada, y = autopista)) +
  geom_smooth(data = millas, mapping = aes(x = cilindrada, y = autopista))

Solución

No. geom_point() y geom_smooth() toman los datos y estéticas de ggplot(), por lo que no hace falta especificar lo mismo dos veces.

ggplot(data = millas, mapping = aes(x = cilindrada, y = autopista)) +
  geom_point() +
  geom_smooth()
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

ggplot() +
  geom_point(data = millas, mapping = aes(x = cilindrada, y = autopista)) +
  geom_smooth(data = millas, mapping = aes(x = cilindrada, y = autopista))
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

  1. Recrea el código R necesario para generar los siguientes gráficos:

Solución 

ggplot(data = millas, mapping = aes(x = cilindrada, y = autopista)) +
   geom_point() +
   geom_smooth(se = FALSE)

ggplot(data = millas, mapping = aes(x = cilindrada, y = autopista)) +
   geom_smooth(aes(group = traccion), se = FALSE) +
   geom_point()

ggplot(data = millas, mapping = aes(x = cilindrada, y = autopista, color = traccion)) +
   geom_point() +
   geom_smooth(se = FALSE)

ggplot(data = millas, mapping = aes(x = cilindrada, y = autopista)) +
   geom_point(aes(color = traccion)) +
   geom_smooth(se = FALSE)

ggplot(data = millas, mapping = aes(x = cilindrada, y = autopista)) +
   geom_point(aes(color = traccion)) +
   geom_smooth(aes(linetype = traccion), se = FALSE)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

ggplot(data = millas, mapping = aes(x = cilindrada, y = autopista)) +
   geom_point(size = 4, colour = "white") +
   geom_point(aes(colour = traccion))

3.7 Transformaciones estadísticas

3.7.1 Ejercicios

  1. ¿Cuál es el geom predeterminado asociado con stat_summary()? ¿Cómo podrías reescribir el gráfico anterior para usar esa función geom en lugar de la función stat?

Solución

El gráfico anterior es el siguiente:

ggplot(data = diamantes) +
  stat_summary(
    mapping = aes(x = corte, y = profundidad),
    fun.ymin = min,
    fun.ymax = max,
    fun.y = median
  )
## Warning: `fun.y` is deprecated. Use `fun` instead.
## Warning: `fun.ymin` is deprecated. Use `fun.min` instead.
## Warning: `fun.ymax` is deprecated. Use `fun.max` instead.

La geometría por defecto para stat_summary() es geom_pointrange().

El estadístico por defecto para geom_pointrange() es identity() pero se puede incluir el argumento stat = "summary" para usar stat_summary() en lugar de stat_identity().

ggplot(data = diamantes) +
  geom_pointrange(
    mapping = aes(x = corte, y = profundidad),
    stat = "summary"
  )
## No summary function supplied, defaulting to `mean_se()`

El mensaje resultante en stat_summary() indica que se usó mean y sd para calcular el centro y los extremos de la línea. Sin embargo, en el gráfico original se usaron el máximo y mínimo para los extremos.

Para recrear el gráfico original hay que especificar los valores de fun.ymin, fun.ymax, y fun.y.

ggplot(data = diamantes) +
  geom_pointrange(
    mapping = aes(x = corte, y = profundidad),
    stat = "summary",
    fun.ymin = min,
    fun.ymax = max,
    fun.y = median
  )
## Warning: Ignoring unknown parameters: fun.ymin, fun.ymax, fun.y
## No summary function supplied, defaulting to `mean_se()`

  1. ¿Qué hace geom_col()? ¿Cómo es diferente a geom_bar()?

Solución

El estadístico por defecto en geom_col() es distinto de geom_bar().

geom_col() usa stat_identity(), que deja los datos sin transformar.

geom_col() espera que los datos contengan los valores de x y los valores de y que representan la altura de las columnas.

geom_bar() usa stat_bin() y espera únicamente los valores de x.

stat_bin(), procesa los datos de entrada y realiza un conteo del número de observaciones para cada valor de x, lo cual genera la variable y internamente.

  1. La mayoría de los geoms y las estadísticas vienen en pares que casi siempre se usan en conjunto. Lee la documentación y has una lista de todos los pares. ¿Qué tienen en común?

Solución

Las siguiente tabla contienen los pares entre geometrías y estadísticos que se usan en conjunto.

geometría estadístico
geom_bar() stat_count()
geom_bin2d() stat_bin_2d()
geom_boxplot() stat_boxplot()
geom_contour() stat_contour()
geom_count() stat_sum()
geom_density() stat_density()
geom_density_2d() stat_density_2d()
geom_hex() stat_hex()
geom_freqpoly() stat_bin()
geom_histogram() stat_bin()
geom_qq_line() stat_qq_line()
geom_qq() stat_qq()
geom_quantile() stat_quantile()
geom_smooth() stat_smooth()
geom_violin() stat_violin()
geom_sf() stat_sf()

Tabla: Geometrías y estadísticos complementarios

Los nombres tienen a ser similares, por ejemplo geom_smooth() y stat_smooth(), aunque hay casos como geom_bar() y stat_count().

La mayoría de las geometrías usa por defecto el estadístico que le corresponde en la tabla anterior. Recíprocamente, la mayoría de los estadísticos usan por defecto la geometría que le corresponde en la tabla anterior.

Las siguientes tablas contienen las geometrías y estadísticos en ggplot2.

geometría estadístico por defecto documentación conjunta
geom_abline()
geom_hline()
geom_vline()
geom_bar() stat_count() x
geom_col()
geom_bin2d() stat_bin_2d() x
geom_blank()
geom_boxplot() stat_boxplot() x
geom_countour() stat_countour() x
geom_count() stat_sum() x
geom_density() stat_density() x
geom_density_2d() stat_density_2d() x
geom_dotplot()
geom_errorbarh()
geom_hex() stat_hex() x
geom_freqpoly() stat_bin() x
geom_histogram() stat_bin() x
geom_crossbar()
geom_errorbar()
geom_linerange()
geom_pointrange()
geom_map()
geom_point()
geom_map()
geom_path()
geom_line()
geom_step()
geom_point()
geom_polygon()
geom_qq_line() stat_qq_line() x
geom_qq() stat_qq() x
geom_quantile() stat_quantile() x
geom_ribbon()
geom_area()
geom_rug()
geom_smooth() stat_smooth() x
geom_spoke()
geom_label()
geom_text()
geom_raster()
geom_rect()
geom_tile()
geom_violin() stat_ydensity() x
geom_sf() stat_sf() x

Tabla: ggplot2 capas de geometrías y sus estadísticos por defecto.

estadístico geometría por defecto documentación conjunta
stat_ecdf() geom_step()
stat_ellipse() geom_path()
stat_function() geom_path()
stat_identity() geom_point()
stat_summary_2d() geom_tile()
stat_summary_hex() geom_hex()
stat_summary_bin() geom_pointrange()
stat_summary() geom_pointrange()
stat_unique() geom_point()
stat_count() geom_bar() x
stat_bin_2d() geom_tile() x
stat_boxplot() geom_boxplot() x
stat_countour() geom_contour() x
stat_sum() geom_point() x
stat_density() geom_area() x
stat_density_2d() geom_density_2d() x
stat_bin_hex() geom_hex() x
stat_bin() geom_bar() x
stat_qq_line() geom_path() x
stat_qq() geom_point() x
stat_quantile() geom_quantile() x
stat_smooth() geom_smooth() x
stat_ydensity() geom_violin() x
stat_sf() geom_rect() x

Tabla: ggplot2 capas de estadísticos y sus geometrías por defecto.

  1. ¿Qué variables calcula stat_smooth()? ¿Qué parámetros controlan su comportamiento?

Solución

La función stat_smooth() calcula las siguientes variables:

  • y: valor predicho
  • ymin: menor valor del intervalo de confianza
  • ymax: mayor valor del intervalo de confianza
  • se: error estándar

La sección “Computed Variables” en la documentación de stat_smooth() contiene estas variables.

Los parámetros que controlan stat_smooth() incluyen

  • method: cuál método utilizar
  • formula: las fórmulas, al igual que method, determinan cómo se hará el cálculo del intervalo de confianza y los argumentos adicionales que se requieran.
  • na.rm: si acaso se eliminarán los casos perdidos

  1. En nuestro gráfico de barras de proporción , necesitamos establecer group = 1. ¿Por qué? En otras palabras, ¿cuál es el problema con estos dos gráficos?

    ggplot(data = diamantes) +
  geom_bar(mapping = aes(x = corte, y = ..prop..))

ggplot(data = diamantes) +
  geom_bar(mapping = aes(x = corte, fill = color, y = ..prop..))

Solución

Si no se incluye group = 1, todas las baras en el gráfico tendrán altura 1.

La función geom_bar() asume que los grupos son iguales a los valores de x dado que el estadístico realiza un conteo dentro de los grupos.

ggplot(data = diamantes) +
  geom_bar(mapping = aes(x = corte, y = ..prop..))

El problema con estos gráficos es que las proporciones se calculan dentro de los grupos.

ggplot(data = diamantes) +
  geom_bar(mapping = aes(x = corte, y = ..prop..))

ggplot(data = diamantes) +
  geom_bar(mapping = aes(x = corte, fill = color, y = ..prop..))

El siguiente código generará el gráfico buscado sin relleno.

ggplot(data = diamantes) +
  geom_bar(mapping = aes(x = corte, y = ..prop.., group = 1))

Con el argumento fill, es necesario normalizar las barras.

ggplot(data = diamantes) + 
  geom_bar(aes(x = corte, y = ..count.. / sum(..count..), fill = color))

3.8 Ajustes de posición

3.8.1 Ejercicios

  1. ¿Cuál es el problema con este gráfico? ¿Cómo podrías mejorarlo?

    ggplot(data = millas, mapping = aes(x = ciudad, y = autopista)) +
  geom_point()

Solución

Existe superposición ya que hay múltiples observaciones para cada combinación de ciudad y autopista.

Se puede mejorar el gráfico usando el argumento de distorsión y así reducir la superposición.

ggplot(data = millas, mapping = aes(x = ciudad, y = autopista)) +
  geom_point(position = "jitter")

La relación entre ciudad y autopista es clara, incluso sin el argumento de distorsión, que en este caso deja en claro donde se concentran las observaciones.

  1. ¿Qué parámetros de geom_jitter() controlan la cantidad de ruido?

Solución

A partir de la documentación de geom_jitter(), existen dos argumentos:

  • width controla el desplazamiento vertical
  • height controla el desplazamiento horizontal

Los valores por defecto de width y height introducen ruido en ambas direcciones.

Así se ve el gráfico con las opciones por defecto.

ggplot(data = millas, mapping = aes(x = ciudad, y = autopista)) +
  geom_point(position = position_jitter())

Con width = 0 se elimina la distorsión horizontal.

ggplot(data = millas, mapping = aes(x = ciudad, y = autopista)) +
  geom_jitter(width = 0)

Con width = 20 se agrega mucha distorsión.

ggplot(data = millas, mapping = aes(x = ciudad, y = autopista)) +
  geom_jitter(width = 20)

Es análogo para height.

Hay que notar que width y height se expresan en las mismas unidades que los datos, por lo que height = 1 o width = 1 corresponden a diferentes valores relativos de distorsión dependiendo de las escalas de x e y.

Los valores por defecto son 80% de la resolución (resolution()) de los datos. Cuando x e y son discretas, su resolución es igual a uno, y los valores por defecto son height = 0.4 y width = 0.4 ya que la distorsión mueve los puntos en dirección positiva y negativa.

  1. Compara y contrasta geom_jitter() con geom_count()

Solución

geom_jitter() agrega una variación al azar a los puntos del gráfico, es decir que distorsiona la ubicación de los puntos en el gráfico. Este método reduce la superposición ya que es poco probable que al mover los puntos al azar estos queden en la misma ubicación. Sin embargo, el problema de reducir la superposición es que se distorsionan los valores mostrados de x e y.

ggplot(data = millas, mapping = aes(x = ciudad, y = autopista)) +
  geom_jitter()

geom_count() cambia el tamaño de los puntos relativo a la cantidad de observaciones. Las combinaciones de x e y con más observaciones tendrán un mayor tamaño. Esto no distorsiona los valores, pero tiene el problema de que el tamaño de los puntos puede generar superposición si los puntos son cercanos.

ggplot(data = millas, mapping = aes(x = ciudad, y = autopista)) +
  geom_count()

Por ejemplo, geom_count() puede ser menos legible que geom_jitter() si se agrega un argumento de color.

ggplot(data = millas, mapping = aes(x = ciudad, y = autopista, color = clase)) +
  geom_jitter()

ggplot(data = millas, mapping = aes(x = ciudad, y = autopista, color = clase)) +
  geom_count()

Este ejemplo muestra que no existe una solución universal. El coste y beneficio de cada enfoque depende de la estructura de los datos y del objetivo.

  1. ¿Cuál es el ajuste de posición predeterminado de geom_boxplot()? Crea una visualización del conjunto de datos de millas que lo demuestre.

Solución

La posición por defecto para geom_boxplot() es "dodge2", que es un atajo de position_dodge2.

Este ajuste no cambia la posición vertical pero mueve las geometrías horizontalmente para evitar la superposición.

Consulta la documentación de position_dodge2() para los detalles específicos.

Si agregamos colour = clase a un diagrama de cajas, los niveles de transmision se ubican lado a lado.

ggplot(data = millas, aes(x = transmision, y = autopista, colour = clase)) +
  geom_boxplot()

Si se usa position_identity() habrá superposición.

ggplot(data = millas, aes(x = transmision, y = autopista, colour = clase)) +
  geom_boxplot(position = "identity")

3.9 Sistemas de coordenadas

3.9.1 Ejercicios

  1. Convierte un gráfico de barras apiladas en un gráfico circular usando coord_polar().

Solución

Un gráfico de torta es un gráfico de barras aplicadas con la adición de coordenadas polares.

Partamos del siguiente ejemplo:

ggplot(millas, aes(x = factor(1), fill = traccion)) +
  geom_bar()

Ahora agregamos coord_polar(theta="y") para crear el gráfico de torta:

ggplot(millas, aes(x = factor(1), fill = traccion)) +
  geom_bar(width = 1) +
  coord_polar(theta = "y")

El argumento theta = "y" transforma y en el ángulo de cada sección. Si coord_polar() se especifica sin theta = "y", el resultado se llama “ojo de buey”.

ggplot(millas, aes(x = factor(1), fill = traccion)) +
  geom_bar(width = 1) +
  coord_polar()

  1. ¿Qué hace labs()? Lee la documentación.

Solución

labs agrega los títulos de los ejes, título del gráfico y la leyenda.

ggplot(data = millas, mapping = aes(x = clase, y = autopista)) +
  geom_boxplot() +
  coord_flip() +
  labs(y = "Millas por Galón en Autopista",
       x = "Clase",
       title = "Millas por Galón en Autopista por Tipo de Vehículo",
       subtitle = "1999-2008",
       caption = "Fuente: http://fueleconomy.gov")

labs() no es la única función para agregar títulos. xlab(), ylab() y ggtitle() realizan la misma función.

  1. ¿Cuál es la diferencia entre coord_quickmap() y coord_map()?

Solución

coord_map() usa una proyección cartográfica para proyectar la Tierra sobre una superficie bidimensional. Por defecto usa la Proyección de Mercator, la cual se aplica a todas las geometrías del gráfico.

coord_quickmap() usa una aproximación más rápida que ignora la curvatura de la tierra y ajusta de acuerdo a la razón de latitud y longitud. Esta es una alternativa computacionalmente más rápida que no genera la necesidad de transformar las geometrías individuales.

Consulta coord_map() para la documentación y ejemplos.

  1. ¿Qué te dice la gráfica siguiente sobre la relación entre la ciudad y la autopista? ¿Por qué es coord_fixed() importante? ¿Qué hace geom_abline()?

    ggplot(data = millas, mapping = aes(x = ciudad, y = autopista)) +
  geom_point() +
  geom_abline() +
  coord_fixed()

Solución

La función coord_fixed() asegura que la línea que genera geom_abline() tenga un ángulo de 45 grados. De este modo es más fácil comparar a partir de los casos en que los rendimientos en autopista y ciudad son iguales.

ggplot(data = millas, mapping = aes(x = ciudad, y = autopista)) +
  geom_point() +
  geom_abline() +
  coord_fixed()

Lo que podemos ver es que en todos los modelos el rendimiento en autopista es superior al rendmiento en ciudad.