Stapeldiagram och histogram i R med exempel

Vad är ett stapeldiagram i R?

Ett stapeldiagram är ett utmärkt sätt att visa kategoriska variabler i x-axeln. Denna typ av graf betecknar två aspekter på y-axeln.

1. Den första räknar antalet förekomster i varje grupp.
2. Den andra visar en sammanfattande statistik (minimum, maximum, medelvärde och så vidare) för en variabel på y-axeln.

Du kommer att använda mtcars-datasetet, som har följande variabler:

• cyl: Nummer på cylindern i bilen. Numerisk variabel
• am: Typ av överföring. 0 för automatisk och 1 för manuell. Numerisk variabel
• mpg: Miles per gallon. Numerisk variabel

Eftersom ett histogram ser så likt ut är det värt att lösa skillnaden innan man skriver någon kod.

Stapeldiagram vs. histogram i R: Viktiga skillnader

De två diagrammen ser likadana ut och förväxlas ständigt. De besvarar olika frågor och använder olika geometriska objekt.

Tumregeln: om det fortfarande vore meningsfullt att ändra ordningen på staplarna har du ett stapeldiagram. Om det skulle förstöra betydelsen har du ett histogram. För kvartilbaserade sammanfattningar av samma kontinuerliga variabel, använd ett box tomt.

Hur man skapar ett stapeldiagram i R

För att skapa en graf i R, kan du använda biblioteket ggplot som skapar grafer som är färdiga för publicering. Den grundläggande syntaxen för detta bibliotek är:

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 objects are:

- Point: `geom_point()`
- Bar: `geom_bar()`
- Line: `geom_line()`
- Histogram: `geom_histogram()` 

Den här handledningen fokuserar på det geometriska objektet geom_bar(), som ritar stapeldiagrammet, och på geom_histogram() för kontinuerliga data.

Stapeldiagram: räkna

Din första graf visar cylinderfrekvensen med geom_bar(). Koden nedan är den mest grundläggande syntaxen.

library(ggplot2)
# Most basic bar chart
ggplot(mtcars, aes(x = factor(cyl))) +
    geom_bar()

Code Förklaring

• Du skickar datasetet mtcars till ggplot.
• Inuti argumentet aes() ställer du in x-axeln på faktorvariabeln cyl
• Tecknet + betyder att du vill att R ska fortsätta läsa koden. Det gör koden mer läsbar genom att bryta den.
• Använd geom_bar() för det geometriska objektet.

Produktion:

Anmärkningar: se till att du konverterar variablerna till en faktor annars behandlar R variablerna som numeriska. Se exemplet nedan.

Anpassa grafen

Fyra argument kan skickas för att anpassa grafen:

- `stat`: Controls what is plotted on the y-axis. By default `count`, which tallies rows. To plot a value you already computed, pass `stat = "identity"`
- `alpha`: Control density of the color
- `fill`: Change the color of the bar
- `size`: Control the size the bar	

Ändra färgen på staplarna

Du kan ändra färgen på staplarna. Observera att färgerna på staplarna alla är lika.

# Change the color of the bars
ggplot(mtcars, aes(x = factor(cyl))) +
    geom_bar(fill = "coral") +
    theme_classic()

Code Förklaring

• Färgerna på staplarna styrs av aes()-kartanping inuti det geometriska objektet (dvs. inte i ggplot()). Du kan ändra färgen med fyllningsargumenten. Här väljer du korallfärgen.

Produktion:

Du kan använda den här koden:

grDevices::colors()

för att se alla färger som finns tillgängliga i R. Det finns cirka 650 färger.

Ändra intensiteten

Du kan öka eller minska intensiteten på staplarnas färg

# Change intensity
ggplot(mtcars,
        aes(factor(cyl))) +
    geom_bar(fill = "coral",
        alpha = 0.5) +
    theme_classic()

Code Förklaring

• För att öka/minska stapelns intensitet kan du ändra värdet på alfa. En hög alfa ökar intensiteten och låg alfa minskar intensiteten. Alfa varierar från 0 till 1. Vid 1 matchar färgen paletten exakt; vid 0 är stapeln osynlig. Här väljer du alfa = 0.5.

Produktion:

Färglägg efter grupper

Du kan ändra färgerna på staplarna, vilket betyder en annan färg för varje grupp. Till exempel har cyl variabel tre nivåer, då kan du rita stapeldiagrammet med tre färger.

# Color by group
ggplot(mtcars, aes(factor(cyl),
        fill = factor(cyl))) +
    geom_bar()

Code Förklaring

• Argumentet fill inuti aes() ändrar färgen på stapeln. Du ändrar färgen genom att sätta fill = x-axelvariabeln. I ditt exempel är x-axelvariabeln cyl; fill = factor(cyl)

Produktion:

Lägg till en grupp i staplarna

Du kan ytterligare dela upp y-axeln baserat på en annan faktornivå. Till exempel kan du räkna antalet automatiska och manuella växellådor baserat på cylindertypen.

Du kommer att gå tillväga enligt följande:

• Steg 1: Skapa dataramen med mtcars dataset
• Steg 2: Märk variabeln am med auto för automatisk växellåda och man för manuell växellåda. Konvertera am och cyl som en faktor så att du inte behöver använda factor() i ggplot()-funktionen.
• Steg 3: Rita stapeldiagrammet för att räkna antalet transmissioner per cylinder

library(dplyr)
# Step 1
data <- mtcars %>% 
#Step 2
mutate(am = factor(am, labels = c("auto", "man")),
    cyl = factor(cyl))

Med datamängden klar kan du rita grafen:

# Steg 3

ggplot(data, aes(x = cyl, fill = am)) +
    geom_bar() +
    theme_classic()

Code Förklaring

• Anropet ggplot() tar emot datamängden och aes()-kartanping.
• I aes() inkluderar du variabeln x-axeln och vilken variabel som krävs för att fylla stapeln (dvs. am)
• geom_bar(): Skapa stapeldiagrammet

Produktion:

Kartanping kommer att fylla stapeln med två färger, en för varje nivå. Det är enkelt att ändra gruppen genom att välja andra faktorvariabler i datamängden.

Stapeldiagram i procent

Du kan visualisera stapeln i procent istället för det råa antalet.

# Stapeldiagram i procent

ggplot(data, aes(x = cyl, fill = am)) +
    geom_bar(position = "fill") +
    theme_classic()

Code Förklaring

• Använd position = “fill” i argumentet geom_bar() för att skapa en grafik med procent i y-axeln.

Produktion:

Sida vid sida barer

Det är lätt att plotta stapeldiagrammet med gruppvariabeln sida vid sida.

# Bar chart side by side
ggplot(data, aes(x = cyl, fill = am)) +
    geom_bar(position = position_dodge()) +
    theme_classic()

Code Förklaring

• position=position_dodge(): Berättar uttryckligen hur man ordnar staplarna

Produktion:

Stapeldiagram med sammanfattande statistik

I den andra delen av handledningen visar y-axeln ett beräknat värde snarare än ett antal. Observera att detta fortfarande är ett stapeldiagram: ett verkligt histogram beskrivs längre ner och det använder ett annat geometriskt objekt.

Ditt mål är att skapa en graf med den genomsnittliga milen per gallon för varje typ av cylinder. För att rita en informativ graf följer du dessa steg:

• Steg 1: Skapa en ny variabel med den genomsnittliga milen per gallon per cylinder
• Steg 2: Skapa ett grundläggande histogram
• Steg 3: Ändra orienteringen
• Steg 4: Ändra färg
• Steg 5: Ändra storleken
• Steg 6: Lägg till etiketter i diagrammet

Steg 1) Skapa en ny variabel

Du skapar en dataram som heter data_histogram som helt enkelt returnerar genomsnittliga miles per gallon med antalet cylindrar i bilen. Du kallar denna nya variabel mean_mpg, och du avrundar medelvärdet med två decimaler.

# Steg 1

data_histogram <- mtcars %>%
mutate(cyl = factor(cyl)) %>%
group_by(cyl) %>%
summarize(mean_mpg = round(mean(mpg), 2))

Steg 2) Skapa ett grundläggande histogram

Du kan rita histogrammet. Det är ännu inte tillräckligt polerat för att ge det till en klient, men det visar redan trenden.

ggplot(data_histogram, aes(x = cyl, y = mean_mpg)) +
    geom_bar(stat = "identity")

Code Förklaring

• aes() har nu två variabler. Cyl-variabeln hänvisar till x-axeln, och mean_mpg är y-axeln.
• Du skickar stat = "identity" så att geom_bar() använder y-axelvariabeln som den är istället för att räkna rader. Standardvärdet för geom_bar() är stat = "count".

Produktion:

Steg 3) Ändra orienteringen

Du ändrar grafens orientering från vertikal till horisontell.

ggplot(data_histogram, aes(x = cyl, y = mean_mpg)) +
    geom_bar(stat = "identity") +
    coord_flip()

Code Förklaring

• Du kan styra grafens orientering med coord_flip().

Produktion:

Steg 4) Ändra färgen

Du kan differentiera färgerna på staplarna efter faktornivån för x-axelvariabeln.

ggplot(data_histogram, aes(x = cyl, y = mean_mpg, fill = cyl)) +
    geom_bar(stat = "identity") +
    coord_flip() +
    theme_classic()

Code Förklaring

• Du kan plotta grafen i grupper med fill= cyl-avbildningenpingR tar automatiskt hand om färgerna baserat på nivåerna av cyl-variabler

Produktion:

Steg 5) Ändra storleken

För att grafen ska se snyggare ut minskar du bredden på stapeln.

graph <- ggplot(data_histogram, aes(x = cyl, y = mean_mpg, fill = cyl)) +
    geom_bar(stat = "identity",
        width = 0.5) +
    coord_flip() +
    theme_classic()

Code Förklaring

• Breddargumentet i geom_bar() styr stapelns tjocklek. Ett större värde gör den bredare.
• Diagrammet lagras i objektgrafen, eftersom nästa steg återanvänder det oförändrat. Att lagra mellanliggande diagram håller koden läsbar.

Produktion:

Steg 6) Lägg till etiketter i diagrammet

Det sista steget lägger till värdet mean_mpg som en etikett inuti varje stapel.

graph +
    geom_text(aes(label = mean_mpg),
        hjust = 1.5,
        color = "white",
        size = 3) +
    theme_classic()

Code Förklaring

• Funktionen geom_text() är användbar för att styra textens estetik.
  • label=: Lägg till en etikett inuti staplarna
  • mean_mpg: Använd variabeln mean_mpg för etiketten
• hjust styr var etiketten placeras längs stapeln. Värden nära 1 placerar den nära slutet av stapeln, och större värden flyttar den tillbaka mot axeln. Om grafens orientering är vertikal, ändra hjust till vjust.
• color=”white”: Ändra färgen på texten. Här använder du den vita färgen.
• size=3: Ställ in storleken på texten.

Produktion:

Hur man ordnar och märker staplar i ett stapeldiagram i R

Två sista detaljer skiljer ett utkast till ett diagram från ett publicerbart: sortering av staplarna efter värde och korrekt märkning av axlarna.

Ändra ordning på staplar. ggplot2 ordnar faktornivåerna alfabetiskt som standard, vilket sällan är den mest informativa ordningen. Radbryt variabeln x i reorder() för att sortera efter en andra variabel:

# Sort the bars from lowest to highest mean_mpg
ggplot(data_histogram, aes(x = reorder(cyl, mean_mpg), y = mean_mpg)) +
    geom_bar(stat = "identity", fill = "coral") +
    theme_classic()

Sätt ett minustecken före sorteringsvariabeln, reorder(cyl, -mean_mpg), för att vända riktningen.

Lägga till titlar och axeletiketter. Funktionen labs() ställer in varje textelement i ett anrop:

ggplot(data_histogram, aes(x = cyl, y = mean_mpg, fill = cyl)) +
    geom_bar(stat = "identity") +
    labs(title = "Average fuel economy by cylinder count",
        subtitle = "mtcars dataset",
        x = "Number of cylinders",
        y = "Mean miles per gallon",
        fill = "Cylinders",
        caption = "Source: mtcars") +
    theme_classic()

Sätt fill = NULL inuti labs() för att ta bort förklaringstiteln helt och hållet, och använd theme(legend.position = “none”) för att ta bort förklaringen när x-axeln redan namnger grupperna.

Att välja dina egna färger. Ersätt standardpaletten med en explicit palett så att diagrammet matchar din husstil:

scale_fill_manual(values = c("4" = "#0e9cd1", "6" = "coral", "8" = "grey40"))

Hur man skapar ett histogram i R med geom_histogram()

Ett histogram visar hur en enskild kontinuerlig variabel är fördelad. Istället för att räkna kategorier delar ggplot2 upp det numeriska intervallet i fack och räknar hur många observationer som faller inom varje kategori.

library(ggplot2)
# Most basic histogram
ggplot(mtcars, aes(x = mpg)) +
    geom_histogram()

R skriver ut ett meddelande som rekommenderar att du väljer ett bättre antal fack, eftersom standardvärdet på 30 fack är godtyckligt. Två argument styr detta:

• bins: antalet intervall att dela upp intervallet i.
• binbredd: bredden på varje intervall, uttryckt i variabelns enheter. Använd denna när enheterna är meningsfulla.

# Set the number of bins
ggplot(mtcars, aes(x = mpg)) +
    geom_histogram(bins = 10, fill = "coral", color = "white") +
    theme_classic()

# Or set the width of each bin instead
ggplot(mtcars, aes(x = mpg)) +
    geom_histogram(binwidth = 4, fill = "coral", color = "white") +
    theme_classic()

Binning är det enskilt viktigaste valet i ett histogram. För få bins döljer verklig struktur, såsom en andra topp; för många gör diagrammet till brus. Testa flera värden innan du bestämmer dig för ett.

Jämföra grupper. Mappa en faktor att fylla och ange positionen så att fördelningarna förblir läsbara:

ggplot(mtcars, aes(x = mpg, fill = factor(cyl))) +
    geom_histogram(bins = 10, position = "identity", alpha = 0.5) +
    theme_classic()

Med position = ”identitet” och reducerad alfa överlappar histogrammen varandra så att du kan jämföra former direkt. Använd position = ”dodge” om du hellre vill se rutorna sida vid sida.

Densitet istället för antal. När grupperna skiljer sig åt i storlek, plotta densiteten så att ytorna är jämförbara och lägg en utjämnad kurva över varandra:

ggplot(mtcars, aes(x = mpg)) +
    geom_histogram(aes(y = after_stat(density)), bins = 10,
        fill = "coral", alpha = 0.6) +
    geom_density(color = "steelblue", linewidth = 1) +
    theme_classic()

Stapeldiagram och histogram i R: Code Hänvisning

Ett stapeldiagram passar för en kategorisk x-axel, där y-axeln antingen är ett antal eller en sammanfattningsstatistik. Tabellen nedan listar ggplot2-anropet för varje variant som behandlas ovan:

ggplot(df, aes(x = factor(x1))) + geom_bar()

ggplot(df, aes(x = factor(x1), fill = factor(x1))) + geom_bar()

ggplot(df, aes(x = factor(x1), fill = factor(x2))) + geom_bar()

ggplot(df, aes(x = factor(x1), fill = factor(x2))) + geom_bar(position = position_dodge())

ggplot(df, aes(x = factor(x1), fill = factor(x2))) + geom_bar(position = "fill")

ggplot(df, aes(x = factor(x1), y = x2)) + geom_bar(stat = "identity")

ggplot(df, aes(x = x1)) + geom_histogram(bins = 30)

Vanliga frågor