Visualizaciones con R

ggplot2

1 Bibliotecas

library(tidyverse) # Manipulación de datos_eva y gráficos
library(janitor)   # Edición de nombres en bases de datos_eva
library(readxl)    # Lectura de archivos de excel
library(DT)        # Tablas interactivas en documentos HTML
library(plotly)    # Gráficos interactivos en documentos HTML

2 Referencias

• From Data to Viz
• The R Graph Gallery
• ggplot2
• Colors in R
• Colors in R
• Hexadecimal Colors
• Galería de gráficos

3 datos_eva

datos_eva <-
  read_csv("Evaluaciones_Agropecuarias_Municipales___EVA._2019_-_2021._Base_Agr_cola.csv") %>%
  clean_names() %>% 
  mutate(area_perdida_p = (1 - (area_cosechada / area_sembrada)) * 100,
         area_perdida_ha = area_sembrada - area_cosechada)

datos_eva %>% head()

4 Datos encuesta

mis_nombres <- c(
  "promedio_academico",
  "tiempo_casa_u",
  "distancia_casa_u",
  "abandonar_universidad",
  "medio_transporte",
  "electivas",
  "numero_azar",
  "trabajo",
  "matematicas",
  "pregunta_tiempo",
  "sistema_educativo"
)

encuesta <- read_excel("Encuesta-Respuestas.xlsx") %>%
  set_names(mis_nombres) %>%
  mutate(
    promedio_academico = as.numeric(promedio_academico),
    tiempo_casa_u = str_extract_all(
      string = tiempo_casa_u,
      pattern = "[0-9]+",
      simplify = TRUE
    ),
    tiempo_casa_u = as.numeric(tiempo_casa_u),
    distancia_casa_u = str_replace_all(distancia_casa_u,
                                       pattern = "km",
                                       replacement = ""),
    distancia_casa_u = str_replace_all(distancia_casa_u,
                                       pattern = ",",
                                       replacement = "."),
    distancia_casa_u = as.numeric(distancia_casa_u),
    matematicas = as.numeric(matematicas),
    velocidad = distancia_casa_u / tiempo_casa_u
  ) 

encuesta

5 ggplot2

5.1 Guía

• Guía de visualización usando ggplot2

5.2 Capas ggplot2

5.3 Estructura básica

data %>% 
  ggplot(mapping = aes(x = ..., y = ...)) +
  geom_...

6 Tipos de gráficos

6.1 Cantidades

• ¿Cuántos registros hay por cada número elegido al azar de la encuesta?

encuesta %>% 
  count(numero_azar) %>% 
  ggplot(aes(x = numero_azar, y = n)) +
  geom_col()

• ¿Cuál es el top 10 de cultivos con mayor número de registros?

datos_eva %>% 
  count(cultivo, sort = TRUE) %>% 
  slice(1:10) %>% 
  ggplot(aes(x = cultivo, y = n)) +
  geom_col()

• Podemos mejorar el gráfico agregando varias características adicionales:
  • Reordenar los cultivos por número de registros
  • Colores a las barras
  • Etiquetas al eje x, al eje y y título del gráfico

datos_eva %>% 
  count(cultivo, sort = TRUE) %>% 
  slice(1:10) %>% 
  ggplot(aes(x = reorder(cultivo, n), y = n)) +
  geom_col(color = "black", fill = "red") +
  labs(x = "Cultivo", y = "Total",
       title = "Top 10 de cultivos con mayor registros",
       subtitle = "EVAs Colombia - 2021")

• Colores para cada barra: con “show.legend = FALSE” quitamos la leyenda.

datos_eva %>% 
  count(cultivo, sort = TRUE) %>% 
  slice(1:10) %>% 
  ggplot(aes(x = reorder(cultivo, n), y = n, color = cultivo, fill = cultivo)) +
  geom_col(show.legend = FALSE) +
  labs(x = "Cultivo", y = "n",
       title = "Top 10 de cultivos con mayor registros")

• Colores para cada barra: con “show.legend = FALSE” quitamos la leyenda y además rotamos las coordenadas:

datos_eva %>% 
  count(cultivo, sort = TRUE) %>% 
  slice(1:10) %>% 
  ggplot(aes(x = reorder(cultivo, n), y = n, color = cultivo, fill = cultivo)) +
  geom_col(show.legend = FALSE) +
  labs(x = "Cultivo", y = "n",
       title = "Top 10 de cultivos con mayor registros") +
  coord_flip()

• Podemos representar con barras cualquier otra cantidad, no sólo las frecuencias (conteos). Por ejemplo, podemos graficar el top 10 del promedio de rendimiento.

datos_eva %>% 
  group_by(cultivo) %>% 
  summarise(promedio = mean(rendimiento)) %>% 
  ungroup() %>% 
  arrange(desc(promedio)) %>% 
  slice(1:10) %>% 
  ggplot(aes(x = reorder(cultivo, promedio), y = promedio)) +
  geom_col() +
  coord_flip() +
  labs(x = "Cultivo", y = "Rendimiento (ton/ha)")

• ¿Cuál es el top 10 de cultivos con mayor área perdida (%) promedio? Nota: aplicamos un filtro para mantener sólo cultivos que superan los 5 municipios con registro.

datos_eva %>% 
  group_by(cultivo) %>% 
  summarise(promedio = mean(area_perdida_p),
            N = n()) %>% 
  ungroup() %>% 
  filter(N > 5) %>% 
  arrange(desc(promedio)) %>% 
  slice(1:10) %>% 
  ggplot(aes(x = reorder(cultivo, promedio), y = promedio)) +
  geom_col() +
  coord_flip()

6.2 Proporciones

• ¿Cómo es la distribución porcencual de las personas que trabajan y aquellos que han pensado en abandonar la universidad?

encuesta %>% 
  count(trabajo, abandonar_universidad) %>% 
  ggplot(aes(x = trabajo, y = n, fill = abandonar_universidad)) +
  geom_col(position = "fill")

6.3 Distribuciones

6.3.1 Individuales

• ¿Cómo es la distribución del rendimiento para el cultivo de café?

datos_eva %>% 
  filter(cultivo == "Café") %>% 
  ggplot(aes(x = rendimiento)) +
  geom_histogram(color = "black")

• El mismo gráfico anterior puede ser representado a través de densidades:

datos_eva %>% 
  filter(cultivo == "Café") %>% 
  ggplot(aes(x = rendimiento)) +
  geom_density(fill = "orange")

• Podemos calcular el promedio y la mediana y agregarlo al gráfico anterior:

promedio_rto_cafe <-
  datos_eva %>%
  filter(cultivo == "Café") %>%
  pull(rendimiento) %>%
  mean()

mediana_rto_cafe <-
  datos_eva %>%
  filter(cultivo == "Café") %>%
  pull(rendimiento) %>%
  median()

datos_eva %>% 
  filter(cultivo == "Café") %>% 
  ggplot(aes(x = rendimiento)) +
  geom_density() +
  geom_vline(xintercept = promedio_rto_cafe, color = "blue", lty = 2) +
  geom_vline(xintercept = mediana_rto_cafe, color = "red", lty = 2)

6.3.2 Comparativas

• ¿Cómo es la distribución de cada departamento para el rendimiento en el cultivo de café?

datos_eva %>% 
  filter(cultivo == "Café") %>% 
  ggplot(aes(x = departamento, y = rendimiento)) +
  geom_boxplot() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

• Teniendo en cuenta que el cultivo de maíz es transitorio, ¿cuál período presenta mayor uniformidad en el rendimiento?

datos_eva %>% 
  filter(cultivo == "Maíz") %>% 
  ggplot(aes(x = periodo, y = rendimiento)) +
  geom_boxplot()

• El mismo resultado anterior puede ser representado a través de densidades:

datos_eva %>% 
  filter(cultivo == "Maíz") %>% 
  ggplot(aes(x = rendimiento, color = periodo)) +
  geom_density()

• ¿Podemos agregar una tercera variable al gráfico anterior?

datos_eva %>% 
  filter(cultivo == "Maíz") %>% 
  ggplot(aes(x = departamento, y = rendimiento, fill = periodo)) +
  geom_boxplot() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

• ¿Existen diferencias en la distribución del promedio académico para las personas que poseen trabajo?

encuesta %>% 
  ggplot(aes(x = trabajo, y = promedio_academico)) +
  geom_boxplot()

6.4 Relaciones x-y

• ¿Existe alguna asociación entre el área perdida (%) y el rendimiento para el cultivo de maíz?

datos_eva %>% 
  filter(cultivo == "Maíz") %>% 
  ggplot(aes(x = area_perdida_p, y = rendimiento)) +
  geom_point() 

• Con los datos de la encuesta, ¿Cuál es la relación de la distancia con la velocidad?

encuesta %>% 
  ggplot(aes(x = distancia_casa_u, y = velocidad)) +
  geom_point()

7 Gráficos interactivos

7.1 Gráfico 1

ggplotly(
  encuesta %>% 
  ggplot(aes(x = distancia_casa_u, y = velocidad)) +
  geom_point()
)

7.2 Gráfico 2

ggplotly(
  datos_eva %>% 
  filter(cultivo == "Maíz") %>% 
  ggplot(aes(x = rendimiento, color = periodo)) +
  geom_density()
)