Scatter Plot R-ben a ggplot2 használatával (példával)

A grafikonok az adatelemzési folyamat harmadik részét képezik. Az első rész kb adatkitermelés, a második rész foglalkozik az adatok tisztítása és kezelése. Végre az adattudósnak szüksége lehet rá eredményeit grafikusan közölje.

Az adattudós munkakörét a következő képen tekinthetjük át

• Az adattudós első feladata egy kutatási kérdés meghatározása. Ez a kutatási kérdés a projekt célkitűzéseitől és céljaitól függ.
• Ezt követően az egyik legkiemelkedőbb feladat a funkciótervezés. Az adattudósnak össze kell gyűjtenie, kezelnie és meg kell tisztítania az adatokat
• Ha ez a lépés befejeződött, megkezdheti az adatkészlet feltárását. Néha egy új felfedezés miatt szükséges az eredeti hipotézis finomítása és megváltoztatása.

• Amikor a magyarázó Az elemzés elérése érdekében az adattudósnak figyelembe kell vennie az olvasó képességét megérteni a mögöttes fogalmakat és modelleket.
• Eredményeit minden érdekelt fél számára érthető formában kell bemutatni. Az egyik legjobb módszer arra, kommunikálni az eredményeket a grafikon.
• A grafikonok hihetetlen eszközök az összetett elemzés egyszerűsítésére.

ggplot2 csomag

Az oktatóanyag ezen része arra összpontosít, hogyan lehet grafikonokat/diagramokat készíteni az R segítségével.

Ebben az oktatóanyagban a ggplot2 csomagot fogod használni. Ez a csomag a Wilkinson, 2005-ben írt Grammar of graphics című könyv következetes alapjaira épül. A ggplot2 nagyon rugalmas, számos témát és cselekményspecifikációt tartalmaz magas absztrakciós szinten. A ggplot2-vel nem lehet 3 dimenziós grafikát ábrázolni és interaktív grafikákat létrehozni.

A ggplot2-ben egy gráf a következő argumentumokból áll:

• Az információk szétdarabolódása
• esztétikai térképezés
• geometriai objektum
• statisztikai transzformációk
• Mérleg
• koordináta-rendszer
• helyzetbeállítások
• faceting

Az oktatóanyagból megtudhatja, hogyan szabályozhatja ezeket az érveket.

A ggplot2 alapvető szintaxisa a következő:

ggplot(data, mapping=aes()) +
geometric object 

arguments: 
data: Dataset used to plot the graph
mapping: Control the x and y-axis 
geometric object: The type of plot you want to show. The most common object are:
 
- Point: `geom_point()` 
- Bar: `geom_bar()`
- Line: `geom_line()` 
- Histogram: `geom_histogram()`

Szórványdiagram

Nézzük meg, hogyan működik a ggplot az mtcars adatkészlettel. Kezdje az mpg változó és a drat változó szórásdiagramjának ábrázolásával.

Alapvető szórásdiagram

library(ggplot2)
ggplot(mtcars, aes(x = drat, y = mpg)) +
    geom_point()

Kód Magyarázat

• Először átadja az mtcars adatkészletet a ggplotnak.
• Az aes() argumentumon belül hozzáadja az x tengelyt és az y tengelyt.
• A + jel azt jelenti, hogy azt szeretné, hogy R továbbra is olvassa a kódot. Feltörésével olvashatóbbá teszi a kódot.
• Használja a geom_point()-ot a geometriai objektumhoz.

output:

Szórványrajz csoportokkal

Néha érdekes lehet az értékeket adatcsoportok (azaz faktor szintű adatok) alapján megkülönböztetni.

ggplot(mtcars, aes(x = mpg, y = drat)) +
    geom_point(aes(color = factor(gear)))

Kód Magyarázat

• A geom_point()-ban lévő aes() szabályozza a csoport színét. A csoportnak faktorváltozónak kell lennie. Így a változó sebességfokozatot tényezővé alakítja át.
• Összességében az aes(color = factor(gear)) kódja van, amely megváltoztatja a pontok színét.

output:

Tengely módosítása

Az adatok átméretezése az adatkutató munkájának nagy részét képezi. Ritka esetekben az adatok szép harang alakúak. Az egyik megoldás arra, hogy adatait kevésbé érzékennyé tegye a kiugró értékekkel szemben, ha átméretezi őket.

ggplot(mtcars, aes(x = log(mpg), y = log(drat))) +
    geom_point(aes(color = factor(gear)))

Kód Magyarázat

• Az x és y változókat a log()-ban közvetlenül az aes() leképezésen belül alakítja át.

Vegye figyelembe, hogy bármilyen más transzformáció is alkalmazható, például szabványosítás vagy normalizálás.

output:

Szórásdiagram illesztett értékekkel

A grafikonhoz további információszintet is hozzáadhat. Megadhatja a lineáris regresszió illesztett értékét.

my_graph <- ggplot(mtcars, aes(x = log(mpg), y = log(drat))) +
    geom_point(aes(color = factor(gear))) +
    stat_smooth(method = "lm",
        col = "#C42126",
        se = FALSE,
        size = 1)
my_graph

Kód Magyarázat

• graph: A grafikonját a változó gráfban tárolja. Hasznos a további használathoz, vagy elkerülheti a túl bonyolult kódsorokat
• A stat_smooth() argumentum vezérli a simítási metódust
• módszer = “lm”: Lineáris regresszió
• col = “#C42126”: A vonal piros színének kódja
• se = FALSE: Ne jelenítse meg a standard hibát
• méret = 1: a vonal mérete 1

output:

Vegye figyelembe, hogy más simítási módszerek is rendelkezésre állnak

• glm
• gam
• lösz: alapértelmezett érték
• abroncs

Adjon hozzá információkat a grafikonhoz

Eddig nem adtunk hozzá információkat a grafikonokhoz. A grafikonoknak tájékoztató jellegűnek kell lenniük. Az olvasónak látnia kell az adatelemzés mögött meghúzódó történetet, pusztán a grafikonra nézve, anélkül, hogy további dokumentációra hivatkozna. Ezért a grafikonokhoz jó címkékre van szükség. Labs()függvénnyel címkéket adhat hozzá.

A lab() alapvető szintaxisa a következő:

lab(title = "Hello Guru99")
argument:
- title: Control the title. It is possible to change or add title with:			
- subtitle: Add subtitle below title			
- caption: Add caption below the graph			
- x: rename x-axis			
- y: rename y-axis			
Example:lab(title = "Hello Guru99", subtitle = "My first plot")	

Cím hozzáadása

Az egyik kötelező információ nyilvánvalóan a cím.

my_graph +
    labs(
        title = "Plot Mile per hours and drat, in log"
         )

Kód Magyarázat

• my_graph: Ön a tárolt grafikont használja. Ez elkerüli az összes kód újraírását minden alkalommal, amikor új információt ad a grafikonhoz.
• A címet becsomagolod a lab()-ba.

• A vonal piros színének kódja
• se = FALSE: Ne jelenítse meg a standard hibát
• méret = 1: a vonal mérete 1

output:

Adjon hozzá egy címet dinamikus névvel

A dinamikus cím segít pontosabb információkat adni a címben.

A paste() függvény segítségével statikus és dinamikus szöveget nyomtathat. A paste() alapvető szintaxisa a következő:

paste("This is a text", A)
arguments
- " ": Text inside the quotation marks are the static text
- A: Display the variable stored in A
- Note you can add as much static text and variable as you want. You need to separate them with a comma	

Példa:

A <-2010
paste("The first year is", A)

output:

## [1] "The first year is 2010"

B <-2018

paste("The first year is", A, "and the last year is", B)

output:

## [1] "The first year is 2010 and the last year is 2018"

Hozzáadhat egy dinamikus nevet a grafikonunkhoz, mégpedig az mpg átlagát.

mean_mpg <- mean(mtcars$mpg)
my_graph + labs(
    title = paste("Plot Mile per hours and drat, in log. Average mpg is", mean_mpg)
)

Kód Magyarázat

• Az mpg átlagát a mean_mpg változóban tárolt mean(mtcars$mpg) értékkel hozza létre
• Használja a paste()-t az mean_mpg-vel egy dinamikus cím létrehozásához, amely az mpg átlagos értékét adja vissza

output:

Felirat hozzáadása

Két további részlet még egyértelműbbé teheti a grafikont. A feliratról és a feliratról beszélsz. Az alcím közvetlenül a cím alatt található. A felirat tájékoztathat arról, hogy ki végezte a számítást és az adatok forrását.

my_graph +
    labs(
        title =
        "Relation between Mile per hours and drat",
        subtitle =
        "Relationship break down by gear class",
        caption = "Authors own computation"
    )

Kód Magyarázat

• A laborban() hozzáadtad:
  • title = „Az óránkénti mérföld és a drat közötti kapcsolat”: Cím hozzáadása
  • subtitle = „Kapcsolat bontása felszerelési osztályok szerint”: Felirat hozzáadása
  • caption = „A szerzők saját számításai: Felirat hozzáadása
  • Minden új információt vesszővel választ el,
• Vegye figyelembe, hogy megtöri a kód sorait. Nem kötelező, és csak a kód könnyebb olvasását segíti elő

output:

Nevezze át az x-tengelyt és az y-tengelyt

Előfordulhat, hogy maguk az adatkészletben lévő változók nem mindig explicitek, vagy általában a _-t használják, ha több szó van (pl. GDP_CAP). Nem szeretné, hogy ez a név megjelenjen a grafikonon. Fontos a név megváltoztatása vagy további részletek, például az egységek hozzáadása.

my_graph +
    labs(
        x = "Drat definition",
        y = "Mile per hours",
        color = "Gear",
        title = "Relation between Mile per hours and drat",
        subtitle = "Relationship break down by gear class",
        caption = "Authors own computation"
    )

Kód Magyarázat

• A laborban() hozzáadtad:
  • x = „Drat definition”: Az x tengely nevének módosítása
  • y = „Mérföld óránként”: Módosítsa az y-tengely nevét

output:

Irányítsd a mérleget

Szabályozhatja a tengely léptékét.

A seq() függvény akkor hasznos, ha számsorozatot kell létrehoznia. Az alap szintaxis a következő:

seq(begin, last, by = x)
arguments:
- begin: First number of the sequence
- last: Last number of the sequence
- by= x: The step. For instance, if x is 2, the code adds 2 to `begin-1` until it reaches `last`	

Például, ha egy 0 és 12 közötti tartományt szeretne létrehozni 3-as lépéssel, akkor négy számot kap, 0 4 8 12

seq(0, 12,4)

output:

## [1]  0  4  8 12

Az alábbiak szerint szabályozhatja az x és y tengely léptékét

my_graph +
    scale_x_continuous(breaks = seq(1, 3.6, by = 0.2)) +
    scale_y_continuous(breaks = seq(1, 1.6, by = 0.1)) +
    labs(
        x = "Drat definition",
        y = "Mile per hours",
        color = "Gear",
        title = "Relation between Mile per hours and drat",
        subtitle = "Relationship break down by gear class",
        caption = "Authors own computation"
    )

Kód Magyarázat

• A scale_y_continuous() függvény vezérli a Y-tengely
• A scale_x_continuous() függvény vezérli a x-tengely.
• A breaks paraméter szabályozza a tengely felosztását. Manuálisan hozzáadhatja a számsort, vagy használhatja a seq() függvényt:
  • seq(1, 3.6, by = 0.2): Hozzon létre hat számot 2.4 és 3.4 között 3-as lépéssel
  • seq(1, 1.6, by = 0.1): Hozzon létre hét számot 1-től 1.6-ig 1-es lépéssel

output:

téma

Végül az R lehetővé teszi a cselekmény testreszabását különböző témákkal. A ggplot2 könyvtár nyolc témát tartalmaz:

• theme_bw()
• theme_light()
• theme_classis()
• theme_linedraw()
• theme_dark()
• theme_minimal()
• theme_grey()
• theme_void()

my_graph +
    theme_dark() +
    labs(
        x = "Drat definition, in log",
        y = "Mile per hours, in log",
        color = "Gear",
        title = "Relation between Mile per hours and drat",
        subtitle = "Relationship break down by gear class",
        caption = "Authors own computation"
    )

output:

Mentse a telkeket

Mindezen lépések után ideje elmenteni és megosztani a diagramot. Közvetlenül a grafikon ábrázolása után hozzáadja a ggsave('A FÁJL NEVE) parancsot, és a rendszer a merevlemezen tárolja.

A grafikon a munkakönyvtárba kerül mentésre. A munkakönyvtár ellenőrzéséhez futtassa ezt a kódot:

directory <-getwd()
directory

Ábrázoljuk fantasztikus grafikonját, elmentjük és ellenőrizzük a helyét

my_graph +
    theme_dark() +
    labs(
        x = "Drat definition, in log",
        y = "Mile per hours, in log",
        color = "Gear",
        title = "Relation between Mile per hours and drat",
        subtitle = "Relationship break down by gear class",
        caption = "Authors own computation"
    )

output:

ggsave("my_fantastic_plot.png")

output:

## Saving 5 x 4 in image

Megjegyzések: Kizárólag pedagógiai célból létrehoztunk egy open_folder() nevű függvényt, amely megnyitja Önnek a könyvtármappát. Csak le kell futtatnia az alábbi kódot, és meg kell néznie, hol van a kép tárolva. Látnia kell egy my_fantastic_plot.png nevű fájlt.

# Run this code to create the
function
open_folder <- function(dir) {
    if (.Platform['OS.type'] == "windows") {
        shell.exec(dir)
    } else {
        system(paste(Sys.getenv("R_BROWSER"), dir))
    }
}

# Call the
function to open the folder open_folder(directory)

Összegzésként

Az alábbi táblázatban összefoglalhatja a szórásdiagram létrehozásához szükséges érveket:

ggplot(df, aes(x = x1, y = y)) + geom_point()

ggplot(df, aes(x = x1, y = y)) + geom_point(aes(color = factor(x1)) + stat_smooth(method = "lm")

ggplot(df, aes(x = x1, y = y)) + geom_point(aes(color = factor(x1))

ggplot(df, aes(x = x1, y = y)) + geom_point() + labs(title = paste("Hello Guru99"))

ggplot(df, aes(x = x1, y = y)) + geom_point() + labs(subtitle = paste("Hello Guru99"))

ggplot(df, aes(x = x1, y = y)) + geom_point() + labs(x = "X1")

ggplot(df, aes(x = x1, y = y)) + geom_point() + labs(y = "y1")

ggplot(df, aes(x = x1, y = y)) + geom_point() + scale_y_continuous(breaks = seq(10, 35, by = 10)) + scale_x_continuous(breaks = seq(2, 5, by = 1)

ggplot(df, aes(x =log(x1), y = log(y))) + geom_point()

ggplot(df, aes(x = x1, y = y)) + geom_point() + theme_classic()

ggsave("my_fantastic_plot.png")