Szórásdiagram R-ben ggplot2 használatával példával

Miért fontosak a grafikonok az adatelemzésben?

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

Az adattudós munkafolyamatát az alábbi kép foglalja össze.

• 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.

A bemutató további részében ezeket a grafikonokat a ggplot2 csomaggal építjük fel.

A ggplot2 csomag

Ez az oktatóanyag a diagramok készítésére összpontosít R-ben a ggplot2 segítségével.

Ebben az oktatóanyagban a ggplot2 csomagot fogod használni. A csomag a Leland Wilkinson által 2005-ben leírt grafikai nyelvtant valósítja meg. A ggplot2 rugalmas, számos témával rendelkezik, és lehetővé teszi egy magas szintű abszcisszán alapuló diagram megadását.tracció. Megjegyzendő, hogy nem hoz létre háromdimenziós vagy interaktív grafikát; ezekhez olyan csomagok szükségesek, mint a plotly vagy az rgl.

A ggplot2-ben egy gráf a következő argumentumokból áll:

• Az információk szétdarabolódása
• esztétikai térképping
• 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()`

Hogyan készítsünk szóródási diagramot R-ben

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()

Code 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)))

Code Magyarázat

• A geom_point() függvényen belüli aes() függvény vezérli az egyes csoportok színét. A groping A változónak faktornak kell lennie, tehát a gear a factor() függvénybe van csomagolva.
• Összességében az aes(color = factor(gear)) kódja van, amely megváltoztatja a pontok színét.

output:

Tengelyméret módosítása logaritmikus transzformációval

Az adatok átskálázása az elemzői munka nagy részét képezi, mivel a nyers változók ritkán érkeznek meg tiszta harang alakban. A logaritmusok használata az egyik módja a szélsőséges értékek tömörítésének és a grafikon kiugró értékekre való érzékenységének csökkentésének.

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

Code Magyarázat

• Az x és y változókat a log() függvényben közvetlenül az aes() map-en belül transzformálod.ping.

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

output:

Szórásdiagram illesztett értékekkel

Hozzáadhat egy újabb információs szintet a grafikonhoz. Az illesztett értékeket rávetítheti egy lineáris regresszió.

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

Code Magyarázat

• my_graph: a diagram a my_graph objektumban tárolódik, így a későbbi lépésekben rétegeket adhatunk hozzá a teljes hívás megismétlése nélkül.
• A stat_smooth() argumentum vezérli a simítási metódust
• módszer = “lm”: Lineáris regresszió
• oszlop = „#C42126”: Code a vonal piros színéért
• se = FALSE: Ne jelenítse meg a standard hibát
• size = 1: a vonal vastagsága. A ggplot2 3.4.0-s és későbbi verzióiban ezt az argumentumot vonalgeometriák esetén vonalszélességnek nevezték át.

output:

Vegye figyelembe, hogy más simítási módszerek is rendelkezésre állnak

• glm
• gam
• lösz: az alapértelmezett érték kevesebb mint 1,000 megfigyelés esetén
• rlm: robusztus lineáris modell, a MASS csomagból

A diagram formázása előtt érdemes tudni, hogy mikor a szóródási diagram a megfelelő választás.

Szórásdiagram vs. vonaldiagram vs. Bubble Táblázat R-ben

Mindhárom két folytonos változót ábrázol egymással szemben, így a választás arra korlátozódik, hogy az olvasó mit vonjon le a tanulságokból.

Gyakori hiba a szóródási pontok egyenessel való összekötése, ha az x tengelynek nincs természetes rendje: ez egy nem létező sorozatot sugall. A geom_line() függvényt rendezett tengelyekhez, például dátumokhoz tartsuk fenn. Egyetlen változó eloszlásához használjunk egy dobozdiagram helyette.

Adjon hozzá információkat a grafikonhoz

A grafikonok egyelőre nem tartalmaznak magyarázó szöveget. Az olvasónak a diagram adataiból is látnia kell a történetet, további dokumentáció megtekintése nélkül, ami azt jelenti, hogy a diagramnak jó címkékre van szüksége. A címkéket a labs() függvénnyel adhatjuk hozzá.

A labs() alapvető szintaxisa a következő:

labs(title = "Hello Guru99")
arguments:
- title: Main title displayed above the plot
- subtitle: Secondary line below the title
- caption: Note below the plot, usually the data source
- x: Rename the x-axis
- y: Rename the y-axis
- color / fill: Rename the legend

Example: labs(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"
         )

Code Magyarázat

• my_graph: Ön a tárolt grafikont használja. Ez elkerüli az összes kód újraírását minden alkalommal, amikor új információt ad a grafikonhoz.
• A címet a labs() függvényen belül kell megadni.

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)
)

Code 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 teszi a grafikont érthetőbbé. Az alcímről és a képaláírásról beszélünk. Az alcím közvetlenül a cím alatt található. A képaláírás tájékoztathatja a számítást végző személyt 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"
    )

Code Magyarázat

• A labs() függvényen belül 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

Az oszlopnevek ritkán jeleníthetők meg. Gyakran rövidítve vannak, vagy aláhúzásjelet használnak a szavak között, mint például a GDP_CAP esetében. Nevezd át őket a diagramon, és adj hozzá mértékegységeket, ahol fontosak.

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"
    )

Code Magyarázat

• A labs() függvényen belül 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 egy 0 és 12 közötti, 4-es lépésközzel megadott tartomány négy számot ad vissza: 0, 4, 8 és 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"
    )

Code 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 egy sorozatot 1-től 3.6-ig 0.2-es lépésekben, azaz 14 törésponttal.
  • seq(1, 1.6, by = 0.1): Hozzon létre hét számot 1-től 1.6-ig 0.1-es lépésekben.

output:

téma

Végül, a ggplot2 lehetővé teszi a teljes diagram átformálását egyetlen témafüggvénnyel. A csomag nyolc teljes témát tartalmaz:

• theme_bw()
• theme_light()
• theme_classic()
• 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 itt az ideje menteni és megosztani a grafikont. A kirajzolás után azonnal hívd meg a ggsave(„file_name.png”) függvényt, és a kép lemezre kerül.

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

directory <- getwd()
directory

Rajzold meg a kész grafikont, mentsd el, és nézd meg, hová került:

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)

Hogyan készítsünk fazettált szóródási diagramokat R-ben a facet_wrap() függvénnyel?

A fazettálás a korábban felsorolt ​​nyolc ggplot2 komponens egyike, és ez a legtisztább megoldás a zsúfolt diagramok problémájára. Ahelyett, hogy minden csoportot egyetlen panelbe sűrítene, a ggplot2 egy kis többszöröst rajzol egy változó minden szintjéhez, mindegyiket ugyanazon a skálán, így a panelek összehasonlíthatók maradnak.

# One panel per gear count
ggplot(mtcars, aes(x = drat, y = mpg)) +
    geom_point() +
    facet_wrap(~ gear) +
    theme_classic()

Három érv elvégzi a munka nagy részét.

• ncol or nrow: a panelek adott elrendezésbe kényszerítése, például facet_wrap(~ gear, ncol = 2).
• MérlegAlapértelmezés szerint „fixed”, így minden panel egy tengelytartományt oszt meg. Használjon „free_y” vagy „free” értéket, ha a csoportok nagyságrendjükben jelentősen eltérnek, de vegye figyelembe, hogy a szabad skálák félrevezetővé tehetik a panelek vizuális összehasonlítását.
• címkéző: minden csíkban lecseréli a nyers tényezőszintet, például a labeller = label_both esetén a „gear: 4” értéket írja ki a „4” helyett.

Két csoportping változókat. A facet_grid() függvénnyel panelmátrixot hozhatsz létre, ahol az első változó a sorokon, a második pedig az oszlopokon halad át:

ggplot(mtcars, aes(x = drat, y = mpg)) +
    geom_point(aes(color = factor(cyl))) +
    facet_grid(am ~ gear) +
    theme_classic()

Szeletek vagy színek? A színezés jól működik körülbelül négy csoportig egy diagramon, korlátozott átfedéssel. Ezen túlmenően, vagy amikor a csoportok erősen átfedik egymást, a fazettálás könnyebben olvasható, mivel minden panel csak a saját pontjait tartalmazza. Mindkettőt kombinálhatod: a fazettálást az egyik változóval és a színezést a másikkal, ahogy a fenti facet_grid() példában is látható.

Hogyan kezeljük a túlrajzolást R szóródási diagramokban

Néhány tucat megfigyeléssel minden pont látható. Ezreknél a markerek egymásra halmozódnak, és a legsűrűbb régió egyszerűen egy tömör foltnak tűnik. túltervezés, és a ggplot2 négy standard megoldást kínál.

1. Csökkentse az átlátszóságot. A legolcsóbb megoldás. Átfedésping a pontok természetesen besötétednek, így a sűrűség láthatóvá válik:

ggplot(diamonds, aes(x = carat, y = price)) +
    geom_point(alpha = 0.05) +
    theme_classic()

2. Diszkrét jitterértékek. Amikor egy változó csak néhány értéket vesz fel, a pontok ugyanazon koordinátákon helyezkednek el. Egy kis véletlenszerű elmozdulás választja el őket:

ggplot(mtcars, aes(x = factor(cyl), y = mpg)) +
    geom_jitter(width = 0.15, height = 0) +
    theme_classic()

Állítsa a magasságot 0-ra, így az y értékek, amelyek a valós információt hordozzák, soha nem változnak.

3. Dobd ki a repülőt a kukába. Nagy adathalmazok esetén cellánként számlálja a megfigyeléseket, és a számlálót színnel rendelje. A hatszögletű tárolók elkerülik a négyzetes tárolókhoz hasonló vizuális műtermékeket:

ggplot(diamonds, aes(x = carat, y = price)) +
    geom_hex(bins = 40) +
    theme_classic()

4. Rajzolj sűrűségi kontúrokat. A szintvonalak körvonalazzák azokat a régiókat, ahol a megfigyelések koncentrálódnak, és szépen rétegeződnek az elhalványult pontok felett:

ggplot(diamonds, aes(x = carat, y = price)) +
    geom_point(alpha = 0.05) +
    geom_density_2d(color = "#C42126") +
    theme_classic()

Ökölszabályként az alpha néhány ezer pontot kezel, a hexagonal binning tízezreket, és a dplyr::slice_sample() függvénnyel történő mintavételezés ezen túl a pragmatikusabb megoldás.

Szórásdiagram R-ben: Code Referencia

Az alábbi táblázat felsorolja a ggplot2 hívást a fent tárgyalt egyes opciókhoz:

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

ggplot(df, aes(x = x1, y = y)) + geom_point(aes(color = factor(x2)))

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

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()

ggplot(df, aes(x = x1, y = y)) + geom_point() + facet_wrap(~ x2)

ggplot(df, aes(x = x1, y = y)) + geom_point(alpha = 0.3)

ggsave("my_fantastic_plot.png")

GYIK