Gráfico de dispersão em R usando ggplot2 (com exemplo)

Os gráficos são a terceira parte do processo de análise de dados. A primeira parte é sobre extração de dados, a segunda parte trata limpando e manipulando os dados. Por fim, o cientista de dados pode precisar comunicar seus resultados graficamente.

O trabalho do cientista de dados pode ser revisado na imagem a seguir

• A primeira tarefa de um cientista de dados é definir uma questão de pesquisa. Esta questão de pesquisa depende dos objetivos e metas do projeto.
• Depois disso, uma das tarefas mais importantes é a engenharia de recursos. O cientista de dados precisa coletar, manipular e limpar os dados
• Quando esta etapa for concluída, ele poderá começar a explorar o conjunto de dados. Às vezes é necessário refinar e alterar a hipótese original devido a uma nova descoberta.

• Quando o explicativo análise é alcançada, o cientista de dados deve considerar a capacidade do leitor de compreender os conceitos e modelos subjacentes.
• Os seus resultados devem ser apresentados num formato que todas as partes interessadas possam compreender. Um dos melhores métodos para comunicar os resultados são através de um gráfico.
• Os gráficos são uma ferramenta incrível para simplificar análises complexas.

pacote ggplot2

Esta parte do tutorial se concentra em como fazer gráficos/tabelas com R.

Neste tutorial, você usará o pacote ggplot2. Este pacote é construído sobre a base consistente do livro Grammar of graphics escrito por Wilkinson, 2005. ggplot2 é muito flexível, incorpora muitos temas e especificações de plotagem em um alto nível de abstração. Com o ggplot2, você não pode plotar gráficos tridimensionais e criar gráficos interativos.

No ggplot2, um gráfico é composto pelos seguintes argumentos:

• dados,
• mapeamento estético
• objeto geométrico
• transformações estatísticas
• Escalas
• sistema de coordenadas
• ajustes de posição
• facetas

Você aprenderá como controlar esses argumentos no tutorial.

A sintaxe básica do ggplot2 é:

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()`

Gráfico de dispersão

Vamos ver como o ggplot funciona com o conjunto de dados mtcars. Você começa traçando um gráfico de dispersão da variável mpg e da variável drat.

Gráfico de dispersão básico

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

Explicação do código

• Primeiro você passa o conjunto de dados mtcars para o ggplot.
• Dentro do argumento aes(), você adiciona o eixo xey.
• O sinal + significa que você deseja que R continue lendo o código. Isso torna o código mais legível ao quebrá-lo.
• Use geom_point() para o objeto geométrico.

Saída:

Gráfico de dispersão com grupos

Às vezes, pode ser interessante distinguir os valores por um grupo de dados (ou seja, dados em nível de fator).

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

Explicação do código

• O aes() dentro de geom_point() controla a cor do grupo. O grupo deve ser uma variável de fator. Assim, você converte a engrenagem variável em um fator.
• Ao todo, você tem o código aes(color = factor(gear)) que altera a cor dos pontos.

Saída:

Alterar eixo

Redimensionar os dados é uma grande parte do trabalho do cientista de dados. Em raras ocasiões, os dados vêm em um belo formato de sino. Uma solução para tornar seus dados menos sensíveis a valores discrepantes é redimensioná-los.

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

Explicação do código

• Você transforma as variáveis ​​​​xey em log() diretamente dentro do mapeamento aes().

Observe que qualquer outra transformação pode ser aplicada, como padronização ou normalização.

Saída:

Gráfico de dispersão com valores ajustados

Você pode adicionar outro nível de informação ao gráfico. Você pode representar graficamente o valor ajustado de uma regressão linear.

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

Explicação do código

• gráfico: você armazena seu gráfico no gráfico variável. É útil para uso posterior ou para evitar linhas de códigos muito complexas
• O argumento stat_smooth() controla o método de suavização
• método = “lm”: Regressão linear
• col = “#C42126”: Código para a cor vermelha da linha
• se = FALSE: Não exibe o erro padrão
• tamanho = 1: o tamanho da linha é 1

Saída:

Observe que outros métodos de suavização estão disponíveis

• glm
• gam
• loess: valor padrão
• aro

Adicione informações ao gráfico

Até o momento não adicionamos informações nos gráficos. Os gráficos precisam ser informativos. O leitor deve ver a história por trás da análise dos dados apenas olhando o gráfico, sem consultar documentação adicional. Conseqüentemente, os gráficos precisam de bons rótulos. Você pode adicionar rótulos com a função labs().

A sintaxe básica para lab() é:

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")	

Adicione um título

Uma informação obrigatória a adicionar é obviamente um título.

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

Explicação do código

• my_graph: você usa o gráfico armazenado. Evita reescrever todos os códigos cada vez que você adiciona novas informações ao gráfico.
• Você coloca o título dentro de lab().

• Código para a cor vermelha da linha
• se = FALSE: Não exibe o erro padrão
• tamanho = 1: o tamanho da linha é 1

Saída:

Adicione um título com um nome dinâmico

Um título dinâmico é útil para adicionar informações mais precisas ao título.

Você pode usar a função paste() para imprimir texto estático e texto dinâmico. A sintaxe básica de paste() é:

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	

Exemplo:

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

Saída:

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

B <-2018

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

Saída:

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

Você pode adicionar um nome dinâmico ao nosso gráfico, ou seja, a média de mpg.

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

Explicação do código

• Você cria a média de mpg com mean(mtcars$mpg) armazenado na variável mean_mpg
• Você usa paste() com mean_mpg para criar um título dinâmico retornando o valor médio de mpg

Saída:

Adicionar uma legenda

Dois detalhes adicionais podem tornar seu gráfico mais explícito. Você está falando sobre o subtítulo e a legenda. A legenda fica logo abaixo do título. A legenda pode informar quem fez o cálculo e a fonte dos dados.

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

Explicação do código

• Dentro do lab(), você adicionou:
  • title = “Relação entre milhas por hora e drat”: Adicionar título
  • subtitle = “Relacionamento dividido por classe de equipamento”: Adicionar legenda
  • caption = “Cálculo do próprio autor: Adicionar legenda
  • Você separa cada nova informação com uma vírgula, ,
• Observe que você quebra as linhas de código. Não é obrigatório e só ajuda a ler o código com mais facilidade

Saída:

Renomear eixo x e eixo y

As próprias variáveis ​​no conjunto de dados podem nem sempre ser explícitas ou, por convenção, usar _ quando há várias palavras (ou seja, GDP_CAP). Você não quer que esse nome apareça no seu gráfico. É importante alterar o nome ou adicionar mais detalhes, como as unidades.

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"
    )

Explicação do código

• Dentro do lab(), você adicionou:
  • x = “Drat definição”: Altere o nome do eixo x
  • y = “Milhas por hora”: Altere o nome do eixo y

Saída:

Controle a balança

Você pode controlar a escala do eixo.

A função seq() é conveniente quando você precisa criar uma sequência numérica. A sintaxe básica é:

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`	

Por exemplo, se você quiser criar um intervalo de 0 a 12 com um passo de 3, você terá quatro números, 0 4 8 12

seq(0, 12,4)

Saída:

## [1]  0  4  8 12

Você pode controlar a escala do eixo xey como abaixo

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"
    )

Explicação do código

• A função scale_y_continuous() controla o eixo y
• A função scale_x_continuous() controla o eixo x.
• O parâmetro breaks controla a divisão do eixo. Você pode adicionar manualmente a sequência de números ou usar a função seq():
  • seq(1, 3.6, by = 0.2): Crie seis números de 2.4 a 3.4 com um passo de 3
  • seq(1, 1.6, by = 0.1): Crie sete números de 1 a 1.6 com um passo de 1

Saída:

Tema

Finalmente, R nos permite personalizar o enredo com diferentes temas. A biblioteca ggplot2 inclui oito temas:

• tema_bw()
• tema_luz()
• tema_classis()
• tema_linedraw()
• tema_escuro()
• tema_mínimo()
• tema_cinza()
• tema_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"
    )

Saída:

Salvar parcelas

Após todas essas etapas, é hora de salvar e compartilhar seu gráfico. Você adiciona ggsave('NAME OF THE FILE) logo após traçar o gráfico e ele será armazenado no disco rígido.

O gráfico é salvo no diretório de trabalho. Para verificar o diretório de trabalho, você pode executar este código:

directory <-getwd()
directory

Vamos traçar seu gráfico fantástico, salvá-lo e verificar a localização

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"
    )

Saída:

ggsave("my_fantastic_plot.png")

Saída:

## Saving 5 x 4 in image

Note: Apenas para fins pedagógicos, criamos uma função chamada open_folder() para abrir a pasta do diretório para você. Você só precisa executar o código abaixo e ver onde a imagem está armazenada. Você deverá ver um arquivo com o nome 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)

Resumo

Você pode resumir os argumentos para criar um gráfico de dispersão na tabela abaixo:

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")