En el capítulo anterior vimos unos conceptos básicos sobre visualización de datos. Además, creamos nuestros primeros gráficos utilizando ggplot en R.
En este nuevo capítulo vamos a profundizar sobre algunos elementos de los gráficos: las escalas, sus ejes, los sistemas de coordenadas y las transformaciones estadísticas innatas en algunos tipos de gráficos.
Al terminarlo, seremos capaces de representar en ggplot la gran mayoría de gráficos que necesitemos durante un análisis exploratorio.
En el anterior capítulo vimos una actividad que consistía en pintar la evolución del número de votos de los dos principales partidos de EEUU (republicanos y demócratas) a lo largo del tiempo. Pongamos que, además, queremos pintar también la evolución de los dos siguientes partidos: el partido libertario y los verdes.
Podríamos hacer algo así:
library(ggplot2)
library(dplyr)
usa_president <- read.csv("dat/usa_president.csv")
usa_president_by_year <- usa_president %>%
filter(party %in% c("democrat", "republican", "libertarian", "green"),
writein == FALSE) %>%
group_by(year, party) %>%
summarise(candidatevotes = sum(candidatevotes)) %>%
arrange(desc(candidatevotes))
ggplot(usa_president_by_year, aes(x = year, y = candidatevotes, color = party)) +
geom_line()
¿Qué le pasa a este gráfico? Como hay mucha diferencia en número de votos entre los primeros dos partidos y los dos siguientes, no podemos apreciar apenas la evolución en número de votos del tercero y cuarto partidos.
Podemos arreglar esto mediante el uso de logaritmos. Por ejemplo, así:
ggplot(usa_president_by_year, aes(x = year, y = log10(candidatevotes), color = party)) +
geom_line()
Ya vemos mejor la evolución temporal de libertarios y verdes. Pero sigue sin estar bien del todo. Para hacer la transformación en número de votos año a año, tenemos que hacer la cuenta mentalmente mirando el eje y. Donde pone 5, como es el logaritmo con base 10, el dato original es 10^5, es decir, 100.000; 10^6 será 1 millón. Y así…
Sería más útil tener directamente la unidad transformada en los ejes. Para hacer esto, podemos utilizar las funciones scale_xxx de ggplot. En este caso, necesitamos transformar la escala de y con log10. La función que lo realiza es scale_y_log10. De esta forma:
ggplot(usa_president_by_year, aes(x = year, y = candidatevotes, color = party)) +
geom_line() +
scale_y_log10()
Prueba el autocompletado para listar todos los tipos de modificaciones que podemos aplicar a nivel escala, escribiendo en la consola
scale_y luego pulsando el tabulador.
Y si queremos rematar la forma de mostrar el eje y: en el gráfico anterior, las etiquetas se muestran utlizando la notación científica: 1e+05, 1e+06, … que, aunque breve, no es muy amigable para la mayoría de los usuarios. Podemos personalizar esto último y mostrar los números completos especificando el formateo de las etiquetas del eje y. Para esto y más cosas, nos servirá tener instalado el paquete scales.
# Instala el paquete scales si aún no lo tienes
install.packages("scales")Y ya podemos especificar que utilice la notación “separación por comas” en lugar de la científica.
ggplot(usa_president_by_year, aes(x = year, y = candidatevotes, color = party)) +
geom_line() +
scale_y_log10(labels = scales::comma)
Fíjate aquí cómo hemos utilizado el objeto
commadentro del paquetescales. En R podemos utilizar objetos y funciones de otros paquetes de dos formas diferentes: o cargando el paquete en el entorno mediantelibrary(scales)y luego utilizando el objetocomma, o sin tener que cargar el paquete pero prefijando su nombre y dos puntos, como acabamos de hacer conscales::comma.
Revisa cómo hemos especificado la escala que modifica el eje y: la función ha sido scale_y_log10. En ggplot, tenemos disponibles una serie de funciones cuyo nombre sigue este patrón: scale_<atributo>_<tipo_escala>. ggplot usa una escala por defecto para cada atributo dependiendo del tipo de dato que le pasemos. Repasemos el gráfico original:
ggplot(usa_president_by_year, aes(x = year, y = candidatevotes, color = party)) +
geom_line()
Tenemos 3 propiedades, y a cada una ggplot le ha asignado una escala por defecto:
x: sobre los valores de los años. Como son un valor numérico, ggplot le asigna una escala continua.y: sobre los valores de votos. De igual manera, como son valor numérico, por defecto tiene una escala continua.color: el color de la línea, sobre los diferentes valores de partidos. Como son un valor de cadena de caracteres (o también podría ser un factor), tiene una escala de colores cualitativa (en ggplot, se les llama discretas).Si quieres recordar los principales tipos de escalas de colores que existen, repasa el capítulo 1.
Una forma de probar si hemos acertado en las escalas que creemos que se usan por defecto es especificarlas y comprobar si el gráfico resultante es el mismo. En este caso:
ggplot(usa_president_by_year, aes(x = year, y = candidatevotes, color = party)) +
geom_line() +
scale_x_continuous() +
scale_y_continuous() +
scale_color_discrete()
Vamos a profundizar más en las escalas de colores. En la actividad 3 del capítulo 1 comprobaste que ggplot utiliza diferentes escalas de colores por defecto dependiendo del tipo de dato. Aunque en general este comportamiento por defecto suele producir un resultado satisfactorio, podemos sobrescribirlo si lo necesitamos para nuestro caso concreto.
Por ejemplo, en el caso de la evolución del número de votos por partido en EEUU: estamos acostumbrados a identificar cada partido a un color concreto:
Para hacerlo, podemos definir una paleta de colores manual, en la que nosotros especificamos qué valor corresponde a qué color:
# Para definir el color que debe tomar cada valor, podemos crear
# un valor con nombres que utilizaremos en la paleta.
# Los valores pueden ser los nombres del color o su valor hexadecimal
parties_palette <- c("democrat" = "blue", "republican" = "red", "libertarian" = "gold", "green" = "darkgreen")
ggplot(usa_president_by_year, aes(x = year, y = candidatevotes, color = party)) +
geom_line() +
scale_y_log10(labels = scales::comma) +
scale_color_manual(values = parties_palette)
Ejercicio: prueba a sustituir la escala manual en los partidos por una cualitativa de tu elección de colorbrewer. Para ello, puedes utilizar la función
scale_color_brewer(palette = "nombre_de_la_paleta").
Es muy habitual representar la evolución de una serie de valores a lo largo del tiempo. Para ello, ggplot dispone de las escalas date (para fechas) y datetime (para fechas con información de horas, minutos, segundos, …).
Si tenemos las columnas de nuestro dataset correctamente tipadas (las fechas como Date, las fechas con información horaria como POSIXct), ggplot utilizará la escala correspondiente por defecto. Pero es muy útil saber la que está usando por si queremos sobrescribirla o alterar alguno de sus parámetros.
En dat/defunciones_espana.csv tenemos la serie temporal de las defunciones ocurridas en España del 1 de agosto de 2019 hasta el 1 de agosto de 2020, según el sistema de vigilancia de la mortalidad MoMo (más información sobre los datos aquí).
Vamos a leer el CSV y pintar la evolución de la mortalidad en ese periodo.
defunciones <- read.csv("dat/defunciones_espana.csv")
head(defunciones) fecha_defuncion defunciones_observadas defunciones_observadas_lim_inf
1 2019-08-01 999 999
2 2019-08-02 1002 1002
3 2019-08-03 942 942
4 2019-08-04 904 904
5 2019-08-05 909 909
6 2019-08-06 984 984
defunciones_observadas_lim_sup defunciones_esperadas
1 999 1016
2 1002 1011
3 942 1026
4 904 1028
5 909 1027
6 984 1011
defunciones_esperadas_q01 defunciones_esperadas_q99
1 908.24 1117.62
2 918.92 1152.18
3 908.24 1171.54
4 908.24 1192.38
5 905.86 1192.38
6 905.86 1192.38Intentamos pintar la evolución con:
ggplot(defunciones, aes(x = fecha_defuncion, y = defunciones_observadas)) +
geom_line()
Algo no está funcionando bien. ¿Qué ha pasado? Podríamos intentar hacer debug de nuestro gráfico utilizando geom_point en lugar de geom_line, y solo el head() de los datos en lugar de todas las filas.
Lo que ocurre es que fecha_defuncion es una cadena de texto (o factor).
sapply(defunciones, class) fecha_defuncion defunciones_observadas
"character" "integer"
defunciones_observadas_lim_inf defunciones_observadas_lim_sup
"numeric" "numeric"
defunciones_esperadas defunciones_esperadas_q01
"numeric" "numeric"
defunciones_esperadas_q99
"numeric" Si queremos que se pinte una línea continua, y que el eje x se muestre correctamente, debemos tipar a Date la columna.
# Convertimos la cadena de caracteres a fecha.
# Como está en formato yyyy-mm-dd (ISO), la conversión con as.Date(...) es directa
defunciones <- defunciones %>%
mutate(fecha_defuncion = as.Date(fecha_defuncion))
# Comprobamos que los tipos sean los correctos ahora
sapply(defunciones, class) fecha_defuncion defunciones_observadas
"Date" "integer"
defunciones_observadas_lim_inf defunciones_observadas_lim_sup
"numeric" "numeric"
defunciones_esperadas defunciones_esperadas_q01
"numeric" "numeric"
defunciones_esperadas_q99
"numeric" Y volvemos a probar a pintar el mismo gráfico.
ggplot(defunciones, aes(x = fecha_defuncion, y = defunciones_observadas)) +
geom_line()
Si miramos en el panel de MoMo, además de la mortalidad observada, muestran la esperada con un intervalo de confianza alrededor. Además, los ticks en el eje x son más frecuente y con otro formato. Vamos a intentar reproducir estas dos características en nuestro gráfico.
ggplot nos permite añadir tantas formas geométricas como necesitemos sobre un gráfico. Nos faltaría:
Continuamente nos encontraremos con problemas que no sabemos resolver. En este punto, puede que no sepas de primeras cómo pintar una banda para un intervalo de confianza con ggplot. Poco a poco sabrás cómo formular preguntas en google para encontrar rápidamente la solución, consultando en foros como stackoverflow o documentación oficial del paquete en cuestión. Si buscas “ggplot confidence interval band” encontarás fácilmente que la forma geométrica que necesitas es
geom_ribbon. Consulta su ayuda para utilizarla correctamente.
Por lo tanto, para añadir estos dos elementos, incluimos un geom_line para las defunciones esperadas y un geom_ribbon para el intervalo de confianza (cuantil 0.01 a cuantil 0.99).
ggplot(defunciones, aes(x = fecha_defuncion)) +
geom_line(aes(y = defunciones_observadas)) +
geom_line(aes(y = defunciones_esperadas)) +
geom_ribbon(aes(ymin = defunciones_esperadas_q01, ymax = defunciones_esperadas_q99))
¿Qué problema vemos ahora? Tenemos todo en negro: las defunciones observadas, las esperadas y su intervalo de confianza. Así no podemos distinguir correctamente las series. Vamos a arreglarlo de la siguiente forma:
ggplot(defunciones, aes(x = fecha_defuncion)) +
geom_ribbon(aes(ymin = defunciones_esperadas_q01, ymax = defunciones_esperadas_q99),
fill = "blue", alpha = 0.3) +
geom_line(aes(y = defunciones_observadas), color = "black") +
geom_line(aes(y = defunciones_esperadas), color = "blue")
Vamos a fijarnos en varios detalles de este gráfico:
Hemos movido el aes(...) de la parte superior (argumento de ggplot) a su geometría (argumento de geom_xxxx). El mapeo de estéticos funciona como una jerarquía: lo definido en el padre (argumentos de ggplot) lo heredan las geometrías. Por eso todas utilizan y = fecha_defuncion. Pero cada una puede sobrescribir el valor que necesite, como en este caso. Lo habitual es poner lo común a todas las geometrías como argumento de ggplot y lo específico de cada geometría en su geom_xxxx concreto.
Hemos puesto algunos valores estéticos fuera del mapeo de aes. Recuerda que dentro de aes(...) solo van aquellos que se mapean con columnas de nuestros datos. Sacamos fuera aquellos que son constantes (en este caso, las defunciones observadas son siempre en negro, y las esperadas siempre en azul)
Nos puede confundir que a veces se utiliza fill y a veces color para especificar el color. En general, color suele ser para colores cuando solo hay uno posible (geometrías de puntos, de líneas, …). Cuando hay varios posibles (color del borde y color del relleno), color es del borde y fill del relleno. Nos daremos cuenta si utilizamos sin querer color en lugar de fill, puedes probar a cambiarlo en geom_ribbon del gráfico anterior.
Otra cosa que podemos personalizar es la cantidad de etiquetas en los ejes (también llamados ticks o breaks) y su formato. Lo haremos, sobre la función scale_x_date con los argumentos date_breaks y date_labels.
ggplot(defunciones, aes(x = fecha_defuncion)) +
geom_ribbon(aes(ymin = defunciones_esperadas_q01, ymax = defunciones_esperadas_q99),
fill = "blue", alpha = 0.3) +
geom_line(aes(y = defunciones_observadas), color = "black") +
geom_line(aes(y = defunciones_esperadas), color = "blue") +
scale_x_date(date_breaks = "1 month", date_labels = "%b-%y")
Puedes consultar en la ayuda de
?scale_x_datecómo personalizar más la apariencia de la escala.
Algunos gráficos, como los de puntos, no necesitan transformaciones: cada punto es representado en el x e y que indican sus valores originales. En cambio, hay otros gráficos que sí requieren algún tipo de transformación estadística, como: histogramas, boxplots, líneas de tendencia, …
En ggplot, esto se traduce de la siguiente forma: cada forma geométrica geom_xxxx tiene su transformación estadística por defecto stat_xxxx. La estadística que respeta el valor original (es decir, no realiza transformaciones) es stat_identity.
Podemos comprobar la transformación estadística mirando el valor por defecto de su argumento stat:
args(geom_point)function (mapping = NULL, data = NULL, stat = "identity", position = "identity",
..., na.rm = FALSE, show.legend = NA, inherit.aes = TRUE)
NULLargs(geom_histogram)function (mapping = NULL, data = NULL, stat = "bin", position = "stack",
..., binwidth = NULL, bins = NULL, na.rm = FALSE, orientation = NA,
show.legend = NA, inherit.aes = TRUE)
NULLEsto también se puede consultar en la ayuda, p.e. con
?geom_point.
Los histogramas cuentan la cantidad de observaciones en rangos, para poder observar su distribución. La función en ggplot es geom_histogram.
Por ejemplo, si queremos ver la distribución de pingüinos por peso, podemos mostrar un histograma sobre esa columna de la siguiente forma.
library(palmerpenguins)
ggplot(penguins, aes(x = body_mass_g)) +
geom_histogram()
Ejercicio: por defecto, se utilizan 30 barras. Elige otro valor sobrescribiendo
bindwidthobins. ¿Qué es cada uno de estos dos parámetros?
Aunque los gráficos de barras parecen simples, suelen tener una transformación estadística: un conteo de observaciones por grupo. La función en ggplot es geom_bar.
Si queremos ver la cantidad de pingüinos por cada especie que tiene el dataset, podemos hacer:
ggplot(penguins, aes(x = species)) +
geom_bar()
Investiga qué hace
geom_col. Replica el gráfico anterior utilizandogeom_col. Puede que necesites manipular el dataset previamente.
Otra transformación estadística habitual son las líneas de tendencia. Son pequeñso modelos de predicción que intentan explicar la relación entre x e y.
Esta línea de tendencia se calcula y representa mediante geom_smooth.
Por ejemplo, si queremos mostrar mediante una línea la posible relación entre la longitud de la aleta y el peso de los pingüinos de nuestro dataset, podemos hacer:
ggplot(penguins, aes(x = body_mass_g, y = flipper_length_mm)) +
geom_point() +
geom_smooth()
Explora las diferentes opciones que puede tomar el argumento
methodde?geom_smooth. Prueba a cambiarlo en el gráfico anterior por otros valores: lm, …
Una forma habitual de mostrar la distribución de una variable respecto a otras es utilizar boxplots. Si no recuerdas exactamente cómo funcionan los elementos descriptivos de un boxplot, consulta la sección específica del capítulo 1.
Si queremos representar la distribución del peso de un pingüino en función de cada especie observada, podemos utilizar boxplots de la siguiente forma:
ggplot(penguins, aes(x = species, y = body_mass_g)) +
geom_boxplot()
Ejercicio: añade al gráfico anterior el sexo mediante un color para ver la distribución por especie y sexo.
Los boxplots tienen el siguiente problema: no todo el mundo los entiende. Nosotros hemos visto lo que significa cada una de las líneas horizontales (cuartiles), los puntos más alejados (outliers), … pero si no lo sabes, puede resultar confuso.
Una alternativa son los violines, que muestran la distribución por anchuras en lugar de mediante cuartiles, y quizás puedan ser más amigables.
ggplot(penguins, aes(x = species, y = body_mass_g)) +
geom_violin()
Otra alternativa que se usa a veces, sobre todo cuando hay muchas clases diferentes sobre la que mostrar la distribución, son los joyplots. Toman este nombre por la portada del album Unkown pleasures de Joy Division. Puedes ver un ejemplo de uso aquí. Instala el paquete y pinta un joyplot para el ejemplo anterior.
En todos los gráficos que hemos estado pintando, hay un sistema de coordenadas. El de por defecto que usa ggplot es coord_cartesian. Pero podemos alterarlo con diferentes propósitos.
A veces, es más fácil leer e interpretar los gráficos intercambiando los ejes, con coord_flip.
ggplot(penguins, aes(x = species)) +
geom_bar() +
coord_flip()
Y si pintamos mapas, el sistema de coordenadas por defecto deformará las dimensiones:
# Si no tienes maps instalado, hazlo
install.packages("maps")italy <- map_data("italy")
ggplot(italy, aes(x = long, y = lat, group = group)) +
geom_polygon(fill = "white", color = "black")
Fíjate (igual que en el ejemplo de las defunciones) que cuando los valores estéticos son constantes (en este caso, queremos que el color de relleno sea siempre blanco, y el color de la línea sea siempre negro) van fuera del mapeo de aes. Es un error muy habitual ponerlo dentro sin querer. Prueba a ponerlo dentro de aes y observa lo que pasa. ¿Sabrías explicar por qué?
Para respetar una proyección a la que estemos habituados, podemos utilizar coord_map o coord_quickmap.
ggplot(italy, aes(x = long, y = lat, group = group)) +
geom_polygon(fill = "white", color = "black") +
coord_quickmap()
En el siguiente capítulo profundizaremos en la creación de mapas con ggplot, pero puedes consultar la diferencia entre
coord_mapycoord_quickmapen la ayuda.
Y por último, tenemos otros sistemas de coordenadas además del cartesiano, como el polar. Aunque son mucho menos frecuentes de usar.
ggplot(penguins, aes(x = species, fill = species)) +
geom_bar(width = 1) +
coord_polar()
Podemos controlar los límites de los gráficos mediante varias técnicas:
limits de un ejexlim e ylim de las coordenadasControlar los límites (ya sea mediante los ejes o las coordenadas) para hacerlos más pequeños es equivalente a filtrar previamente los datos por las columnas que sea mapean con x y/o y.
Un caso de uso habitual para expandir los límites es hacer que varios gráficos con diferentes datos usen el mismo mínimo y máximo en sus ejes para que sean comparables (aunque más adelante veremos el uso de facets para algo similar).
penguins %>%
filter(species == "Adelie") %>%
ggplot(aes(x = body_mass_g, y = flipper_length_mm)) +
geom_point() +
coord_cartesian(xlim = c(2500, 6500), ylim = c(170, 240))
penguins %>%
filter(species == "Gentoo") %>%
ggplot(aes(x = body_mass_g, y = flipper_length_mm)) +
geom_point() +
coord_cartesian(xlim = c(2500, 6500), ylim = c(170, 240))
Fíjate como hemos utilizado
%>%y+aquí. ¿Por qué funciona correctamente?
La otra alternativa sería utilizar limits de cada una de las escalas:
penguins %>%
filter(species == "Adelie") %>%
ggplot(aes(x = body_mass_g, y = flipper_length_mm)) +
geom_point() +
scale_x_continuous(limits = c(2500, 6500))+
scale_y_continuous(limits = c(170, 240))
Para saber más sobre los conceptos que hemos visto, puedes consultar alguna de estas referencias:
Nos podemos quedar con las siguientes ideas como resumen de este tema:
aes(...). Los que deben tomar valores fijos, los sacamos fuera y son argumentos directos de geom_xxxx.scale_xxxx.stat_xxxx de ggplot.geom_boxplot) o gráficos de violín (geom_violin) son útiles para ver la distribución de una variable respecto a otras.Rescata el gráfico que hiciste en el capítulo anterior, pero añadiendo el tercer punto aquí detallado.
x indique CPI, el y HDIx y el eje y)Lee los datos de las elecciones presidenciales de EEUU (dat/usa_president.csv)
Quédate únicamente con los datos de las elecciones de 2016, con los resultados de los partidos demócrata y republicano, y con las filas con writein = FALSE.
Quédate con el número de votos demócratas y republicanos para cada estado.
Pinta un gráfico de barras apiladas. Bonus: ordénalo por total de votos
El resultado final será algo así:
Lee los datos de las elecciones presidenciales de EEUU (dat/usa_president.csv)
Como antes, quédate únicamente con los datos de las elecciones de 2016, con los resultados de los partidos demócrata y republicano, y con las filas con writein = FALSE.
Calcula para cada estado, una columna nueva que se llame rep_preference definida como (votos_republicanos / (votos_republicanos + votos_democratas) - 0.5) * 2 . Esta columna tendrá valores cercanos al 0 para estados donde hubo un resultado cercano al empate, acercándose al 1 si ganaron los republicanos y acercándose al -1 si ganaron los demócratas. Nota: puede que te resulte útil separar los datos en dos datasets (votos republicanos y votos demócratas) y luego unirlos.
Pinta un gráfico de puntos, en el eje y el estado (la abreviatura de dos caracteres) y en el eje x el valor de republican_preference. El color del punto será una escala divergente, en la que a mayor victoria republicana sea más rojo (valor más positivo), mayor victoria demócrata más azul (valor más negativo), y los cercanos al empate sean blancos o amarillos (valor más cercano al cero).
Ordena los estados por rep_preference y centra el 0 en mitad del gráfico.
Centra el cero en mitad del eje x
Centra el cero en el valor neutro de la escala de colores
El resultado final será algo así:
Consulta la ayuda de
?scale_colour_brewer, especialmente para qué sirve la variación_distiller.
Coge algún dataset de tu interés (por ejemplo, alguno de los que hemos usado hasta ahora: diamonds, penguins, … o de otra asignatura) y explóralo mediante gráficos: histogramas, gráficos de puntos, barras, …