Wykres punktowy w R z użyciem ggplot2 z przykładem

Dlaczego wykresy są ważne w analizie danych

Wykresy stanowią trzecią część procesu analizy danych. Pierwsza część dotyczy dane extraccja, o czym traktuje druga część czyszczenie i manipulowanie danymi. W końcu analityk danych może tego potrzebować przedstawić swoje wyniki w formie graficznej.

Poniższy rysunek przedstawia w skrócie przepływ pracy naukowca zajmującego się danymi.

• Pierwszym zadaniem analityka danych jest zdefiniowanie pytania badawczego. To pytanie badawcze zależy od celów i założeń projektu.
• Następnie jednym z najważniejszych zadań jest inżynieria funkcji. Analityk danych musi gromadzić dane, manipulować nimi i je czyścić
• Po zakończeniu tego kroku może rozpocząć eksplorację zbioru danych. Czasami ze względu na nowe odkrycie konieczne jest udoskonalenie i zmiana pierwotnej hipotezy.

• Podczas wyjaśniający analiza danych zostanie osiągnięta, badacz danych musi wziąć pod uwagę możliwości czytelnika zrozumieć podstawowe koncepcje i modele.
• Jego wyniki należy przedstawić w formacie zrozumiałym dla wszystkich zainteresowanych stron. Jedna z najlepszych metod komunikować wyniki są przez a wykres.
• Wykresy są niesamowitym narzędziem pozwalającym na uproszczenie złożonych analiz.

Pozostała część tego samouczka przedstawia tworzenie tych wykresów za pomocą pakietu ggplot2.

Pakiet ggplot2

W tym samouczku skupimy się na tworzeniu wykresów w R z użyciem ggplot2.

W tym samouczku użyjesz pakietu ggplot2. Pakiet ten implementuje gramatykę grafiki opisaną przez Lelanda Wilkinsona w 2005 roku. ggplot2 jest elastyczny, zawiera wiele motywów i pozwala na określenie wykresu na wysokim poziomie abs.tracNależy pamiętać, że nie generuje grafiki trójwymiarowej ani interaktywnej; do jej tworzenia potrzebne są pakiety takie jak plotly lub rgl.

W programie ggplot2 wykres składa się z następujących argumentów:

• dane
• mapa estetycznaping
• obiekt geometryczny
• przekształcenia statystyczne
• waga
• system współrzędnych
• korekty pozycji
• fasetowanie

W samouczku dowiesz się, jak kontrolować te argumenty.

Podstawowa składnia ggplot2 to:

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()`

Jak utworzyć wykres punktowy w R

Zobaczmy, jak ggplot współpracuje ze zbiorem danych mtcars. Zaczynasz od wykreślenia wykresu rozrzutu zmiennej mpg i zmiennej drat.

Podstawowy wykres punktowy

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

Code Wyjaśnienie

• Najpierw przekazujesz zbiór danych mtcars do ggplot.
• Wewnątrz argumentu aes() dodajesz oś x i oś y.
• Znak + oznacza, że ​​chcesz, aby R nadal czytał kod. Kod staje się bardziej czytelny, ponieważ go łamie.
• Użyj geom_point() dla obiektu geometrycznego.

Wyjście:

Wykres punktowy z grupami

Czasami interesujące może być rozróżnienie wartości na podstawie grupy danych (tj. danych na poziomie czynnika).

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

Code Wyjaśnienie

• Funkcja aes() wewnątrz geom_point() steruje kolorem każdej grupy. Grupaping zmienna musi być czynnikiem, dlatego koło zębate jest zawarte w factor().
• W sumie masz kod aes(color = Factor(Gear)), który zmienia kolor kropek.

Wyjście:

Zmiana skali osi za pomocą transformacji logarytmicznej

Przeskalowanie danych stanowi istotną część pracy analityka, ponieważ surowe zmienne rzadko przybierają kształt dzwonu. Logarytmowanie to jeden ze sposobów kompresji wartości ekstremalnych i zmniejszenia wrażliwości wykresu na wartości odstające.

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

Code Wyjaśnienie

• Zmienne x i y transformujesz w log() bezpośrednio wewnątrz mapy aes()ping.

Należy zauważyć, że można zastosować dowolną inną transformację, taką jak standaryzacja lub normalizacja.

Wyjście:

Wykres punktowy z dopasowanymi wartościami

Możesz dodać kolejny poziom informacji do wykresu. Możesz nałożyć dopasowane wartości regresji liniowej.

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 Wyjaśnienie

• my_graph: wykres jest przechowywany w obiekcie my_graph, więc późniejsze kroki mogą dodawać warstwy bez powtarzania całego wywołania
• Argument stat_smooth() steruje metodą wygładzania
• metoda = „lm”: Regresja liniowa
• kolumna = “#C42126”: Code dla czerwonego koloru linii
• se = FALSE: Nie wyświetlaj błędu standardowego
• size = 1: grubość linii. W ggplot2 3.4.0 i nowszych ten argument został przemianowany na linewidth dla geometrii liniowych.

Wyjście:

Należy pamiętać, że dostępne są inne metody wygładzania

• glm
• gam
• less: wartość domyślna dla mniej niż 1,000 obserwacji
• rlm: solidny model liniowy z pakietu MASS

Zanim zaczniesz stylizować wykres, warto wiedzieć, kiedy wykres punktowy jest w ogóle właściwym wyborem.

Wykres punktowy vs wykres liniowy vs BubblWykres e w R

Wszystkie trzy wykresy przedstawiają dwie zmienne ciągłe w zestawieniu ze sobą, więc wybór sprowadza się do tego, co czytelnik powinien wywnioskować.

Łączenie punktów rozrzutu linią, gdy oś x nie ma naturalnego porządku, to częsty błąd: implikuje to sekwencję, która nie istnieje. Zarezerwuj geom_line() dla osi uporządkowanych, takich jak daty. W przypadku rozkładów pojedynczej zmiennej użyj fabuła pudełkowa zamiast.

Dodaj informacje do wykresu

Jak dotąd wykresy nie zawierają tekstu objaśniającego. Czytelnik powinien być w stanie zrozumieć historię danych na podstawie samego wykresu, bez konieczności sięgania do dodatkowej dokumentacji, co oznacza, że ​​wykres wymaga dobrych etykiet. Etykiety można dodać za pomocą funkcji labs().

Podstawowa składnia funkcji labs() jest następująca:

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")

Dodaj tytuł

Obowiązkową informacją, którą należy dodać, jest oczywiście tytuł.

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

Code Wyjaśnienie

• my_graph: Używasz zapisanego wykresu. Pozwala to uniknąć przepisywania wszystkich kodów za każdym razem, gdy dodajesz nowe informacje do wykresu.
• Tytuł należy umieścić w polu labs().

Wyjście:

Dodaj tytuł z dynamiczną nazwą

Tytuł dynamiczny jest pomocny w dodaniu bardziej precyzyjnych informacji w tytule.

Funkcji paste() można używać do drukowania tekstu statycznego i tekstu dynamicznego. Podstawowa składnia paste() jest następująca:

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	

Przykład:

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

Wyjście:

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

B <- 2018
paste("The first year is", A, "and the last year is", B)

Wyjście:

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

Do naszego wykresu możesz dodać dynamiczną nazwę, a mianowicie średnią mpg.

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

Code Wyjaśnienie

• Tworzysz średnią mpg za pomocą średniej (mtcars$mpg) zapisanej w zmiennej mean_mpg
• Używasz funkcji paste() z mean_mpg, aby utworzyć dynamiczny tytuł zwracający średnią wartość mpg

Wyjście:

Dodaj podtytuł

Dwa dodatkowe szczegóły sprawiają, że wykres jest bardziej przejrzysty. Chodzi o podtytuł i podpis. Podtytuł znajduje się tuż pod tytułem. Podpis może informować o tym, kto wykonał obliczenia i skąd pochodzą dane.

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

Code Wyjaśnienie

• Wewnątrz labs() dodałeś:
  • title = „Związek między milą na godzinę a drat”: Dodaj tytuł
  • subtitle = „Podział relacji według klasy sprzętu”: Dodaj podtytuł
  • caption = „Własne obliczenia autora: Dodaj podpis
  • Każdą nową informację oddzielasz przecinkiem, ,
• Pamiętaj, że łamiesz linie kodu. Nie jest to obowiązkowe, a jedynie pomaga w łatwiejszym czytaniu kodu

Wyjście:

Zmień nazwę osi X i Y

Nazwy kolumn rzadko nadają się do prezentacji. Często są skracane lub zawierają podkreślenia między wyrazami, jak w przypadku GDP_CAP. Zmień ich nazwy na wykresie i dodaj jednostki tam, gdzie to istotne.

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 Wyjaśnienie

• Wewnątrz labs() dodałeś:
  • x = „Definicja pochylenia”: Zmień nazwę osi X
  • y = „Mila na godzinę”: Zmień nazwę osi y

Wyjście:

Kontroluj wagę

Możesz kontrolować skalę osi.

Funkcja seq() jest wygodna, gdy trzeba utworzyć ciąg liczb. Podstawowa składnia to:

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`	

Na przykład zakres od 0 do 12 z krokiem 4 zwraca cztery liczby: 0, 4, 8 i 12.

seq(0, 12,4)

Wyjście:

## [1]  0  4  8 12

Możesz kontrolować skalę osi X i Y, jak poniżej

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 Wyjaśnienie

• Funkcja Scale_y_continuous() steruje osi y
• Funkcja Scale_x_continuous() steruje oś x.
• Parametr breaks steruje podziałem osi. Możesz ręcznie dodać sekwencję liczb lub użyć funkcji seq():
  • seq(1, 3.6, by = 0.2): Utwórz sekwencję od 1 do 3.6 w krokach co 0.2, czyli 14 punktów przerwania
  • seq(1, 1.6, by = 0.1): Utwórz siedem liczb od 1 do 1.6 w krokach co 0.1

Wyjście:

Motyw

Wreszcie, ggplot2 pozwala na zmianę stylu całego wykresu za pomocą jednej funkcji motywu. W pakiecie znajduje się osiem kompletnych motywów:

• motyw_bw()
• światło_motywu()
• theme_classic()
• motyw_linedraw()
• motyw_ciemny()
• temat_minimalny()
• motyw_szary()
• motyw_pustki()

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"
    )

Wyjście:

Zapisz działki

Po wykonaniu wszystkich tych kroków nadszedł czas na zapisanie i udostępnienie wykresu. Wywołaj ggsave(“name_of_the_file.png”) zaraz po narysowaniu wykresu, a obraz zostanie zapisany na dysku.

Wykres zostaje zapisany w katalogu roboczym. Aby sprawdzić katalog roboczy, możesz uruchomić ten kod:

directory <- getwd()
directory

Narysuj gotowy wykres, zapisz go i sprawdź, gdzie się znajduje:

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"
    )

Wyjście:

ggsave("my_fantastic_plot.png")

Wyjście:

## Saving 5 x 4 in image

Note: Wyłącznie do celów pedagogicznych stworzyliśmy funkcję o nazwie open_folder(), która umożliwia otwarcie folderu katalogu. Wystarczy uruchomić poniższy kod i sprawdzić, gdzie przechowywany jest obraz. Powinieneś zobaczyć plik o nazwie my_fantastic_plot.png.

# 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)

Jak tworzyć wykresy punktowe fasetowe w R za pomocą funkcji facet_wrap()

Faceting to jeden z ośmiu komponentów ggplot2 wymienionych wcześniej i stanowi najczystszą odpowiedź na zatłoczony wykres. Zamiast ściskać każdą grupę w jednym panelu, ggplot2 rysuje małą wielokrotność dla każdego poziomu zmiennej, wszystkie w tych samych skalach, dzięki czemu panele pozostają porównywalne.

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

Najwięcej pracy załatwiają trzy argumenty.

• nkol or nrów: wymusza układ paneli w danym układzie, na przykład facet_wrap(~ gear, ncol = 2).
• waga: Domyślnie „stałe”, więc każdy panel ma jeden zakres osi. Użyj „free_y” lub „free”, gdy grupy różnią się znacznie wielkością, ale pamiętaj, że skale „free” sprawiają, że wizualne porównanie paneli jest mylące.
• labeller: zastępuje surowy poziom czynnika w każdym pasku, na przykład labeller = label_both, aby wydrukować „gear: 4” zamiast „4”.

Dwie grupyping zmiennych. Użyj facet_grid(), aby zbudować macierz paneli, przy czym pierwsza zmienna będzie znajdować się w wierszach, a druga w kolumnach:

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

Fasety czy kolory? Kolor działa dobrze do około czterech grup na wykresie z ograniczonym nakładaniem się. Powyżej tej wartości lub gdy grupy mocno się nakładają, fasetowanie jest łatwiejsze do odczytania, ponieważ każdy panel zawiera tylko własne punkty. Można połączyć obie funkcje: fasetowanie według jednej zmiennej i kolor według innej, jak w przykładzie facet_grid() powyżej.

Jak radzić sobie z przerysowywaniem wykresów punktowych w programie R

Przy kilkudziesięciu obserwacjach każdy punkt jest widoczny. Przy tysiącach znaczniki układają się jeden na drugim, a najgęstszy obszar wygląda po prostu jak jednolita plama. To znaczy przekreślanie, a ggplot2 oferuje cztery standardowe rozwiązania.

1. Zmniejsz krycie. Najtańsze rozwiązanie. Nakładanie sięping punkty naturalnie ciemnieją, dzięki czemu gęstość staje się widoczna:

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

2. Wartości dyskretne jittera. Gdy zmienna przyjmuje tylko kilka wartości, punkty lądują na tych samych współrzędnych. Niewielkie, losowe przesunięcie je rozdziela:

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

Ustaw wysokość na 0, aby wartości y, które niosą rzeczywiste informacje, nigdy nie uległy zmianie.

3. Wyrzuć samolot. W przypadku dużych zbiorów danych należy policzyć obserwacje w każdej komórce i nanieść wynik na kolor. Pojemniki sześciokątne pozwalają uniknąć artefaktów wizualnych, które występują w pojemnikach kwadratowych:

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

4. Narysuj kontury gęstości. Linie konturowe wyznaczają obszary, na których koncentrują się obserwacje, i nakładają się na niewyraźne punkty:

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

Z reguły algorytm alfa obsługuje kilka tysięcy punktów, algorytm heksagonalny obsługuje dziesiątki tysięcy, a próbkowanie danych za pomocą funkcji dplyr::slice_sample() jest bardziej pragmatyczną opcją.

Wykres punktowy w R: Code Numer Referencyjny

Poniższa tabela przedstawia wywołanie ggplot2 dla każdej z opcji omówionych powyżej:

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")

FAQ