library(dplyr)
library(plotly)
library(palmerpenguins)
p <- plot_ly(data = penguins, type = "scatter", mode = "markers",
x = ~flipper_length_mm, y = ~body_mass_g)
p6 - Gráficos interactivos con plotly: nivel avanzado
¿Qué vamos a hacer?
En el capítulo anterior realizamos nuestras primeras visualizaciones de datos interactivas con plotly. En este, veremos funcionalidades más avanzadas: controles y animaciones.
Barra de herramientas
La barra de herramientas (modebar) de plotly es el conjunto de botones que aparece arriba a la derecha con los gráficos que creamos.
Por ejemplo:
Por defecto aparece con estos controles:
toImage: descarga como imagen estática (png) el gráfico.zoom2d: hace zoom en la zona seleccionada.pan2d: cambia el control por un drag (pinchar y arrastrar) para desplazar la zona visible del gráfico.select2d: selecciona una zona con un cuadrado.lasso2d: selecciona una zona con un lazo libre.zoomIn2d: aumenta el zoom.zoomOut2d: disminuye el zoom.autoScale2d: establece automáticamente el zoom y la posición para que se visualicen todos los datos.resetScale2d: resetea los parámetros de zoom a su estado original.toggleSpikelines: muestra u oculta las guías que van desde los ejes hasta su valor en el gráfico.hoverClosestCartesian: muestra el tooltip al pasar el ratón por encima, en donde se encuentra su valor.hoverCompareCartesian: muestra el tooltip continuamente, con el valor sobre el punto y el eje. Si hay varias trazas, lo muestra sobre todas ellas.- Y el logo de plotly
Interactúa con estos controles en el gráfico que acabas de representar.
Puedes ver (está en javascript, pero es posible interpretarlo) todas las posibles opciones de la barra de herramientas aquí.
Esta barra de herramientas se puede personalizar con la functión config(). Es muy recomendable hacerlo, según el uso que creamos que debe darle el usuario de esta visualización. Y aplicar la misma configuración a todos los gráficos del cuadro de mando.
Para eliminarla completamente, ponemos a FALSE la opción displayModeBar.
p %>%
config(displayModeBar = FALSE)Para eliminar el logo de plotly:
p %>%
config(displaylogo = FALSE)Para eliminar una serie de botones:
p %>%
config(modeBarButtonsToRemove = c("zoom2d", "zoomIn2d", "zoomOut2d", "autoScale2d"))Controles interactivos
Los controles son elementos que ponemos a disposición del usuario y que alteran de alguna manera la visualización.
Estos controles los definimos mediante la propiedad updatemenu de layout(). Dependiendo de la acción que realizará la interacción con el control, debemos establecer el parámetro method:
restyle: modifica los datos o sus atributos.relayout: modifica los atributos del layout.update: modifica los datos y/o el layout.animate: comienza o pausa la animación.
Botones
Para crear un botón, añadiremos un updatemenu con type="buttons" y un parámetro buttons con el nombre (label) y el efecto que provoca (method y args).
Veamos un ejemplo con el que cambiar el color de los puntos. Usaremos el método de restyle:
plot_ly(data = penguins, type = "scatter", mode = "markers",
x = ~flipper_length_mm, y = ~body_mass_g, color = I("blue")) %>%
layout(updatemenus = list(
list(
type = "buttons",
buttons = list(
list(label = "Azul",
method = "restyle",
args = list("marker.color", "blue")),
list(label = "Rojo",
method = "restyle",
args = list("marker.color", "red")))
)))Cuidado con los niveles de anidamiento de las listas, es fácil confundirse y poner alguno de menos.
Si el parámetro que queremos modificar con el botón se encuentra dentro de layout(), utilizaremos el método de relayout.
Veamos un caso en el que queremos mostrar u ocultar la leyenda en base al click sobre el botón.
plot_ly(data = penguins, type = "scatter", mode = "markers",
x = ~flipper_length_mm, y = ~body_mass_g, color = ~species, colors = "Set1") %>%
layout(
updatemenus = list(
list(
type = "buttons",
buttons = list(
list(label = "Mostrar",
method = "relayout",
args = list("showlegend", TRUE)),
list(label = "Ocultar",
method = "relayout",
args = list("showlegend", FALSE)))
)))Cuando necesitamos actualizar tanto los datos como el layout, utilizamos el método de update. Su parámetro args será una lista de dos elementos: el primero, el que modifica los datos o sus atributos; el segundo, el que modifica el layout.
Un caso de uso habitual es para mostrar diferentes series en un gráfico.
# Leemos los datos de las elecciones presidenciales de EEUU
usa_president <- read.csv("dat/usa_president.csv")
# Nos quedamos solo con los resultados de demócratas y republicanos
# y agrupamos para conocer el número de votos de cada partido por año
# Atención: normalmente no es necesario hacer el ungroup explícito de
# un dataframe con dplyr, pero en este caso, si no lo haces, no se pintan
# correctamente las líneas con plotly
usa_president_by_year <- usa_president %>%
filter(party %in% c("democrat", "republican"),
writein == FALSE) %>%
group_by(year, party) %>%
summarise(candidatevotes = sum(candidatevotes)) %>%
arrange(year) %>%
ungroup()
# Separamos en dos dataframes los votos de unos y de otros
usa_democrat <- usa_president_by_year %>%
filter(party == "democrat")
usa_republican <- usa_president_by_year %>%
filter(party == "republican")
# Creamos un gráfico en el que el usuario puede elegir si ver la evolución
# del voto demócrata, republicano o ambas
plot_ly(type = "scatter", mode = "lines", x = ~year, y = ~candidatevotes,
data = usa_democrat, name = "Demócratas", color = I("blue")) %>%
add_lines(data = usa_republican, name = "Republicanos", color = I("red")) %>%
layout(
updatemenus = list(
list(
type = "buttons",
buttons = list(
list(label = "Ambos",
method = "update",
args = list(
list(visible = c(TRUE, TRUE)),
list(title = "Evolución del voto demócrata y republicano")
)),
list(label = "Demócrata",
method = "update",
args = list(
list(visible = c(TRUE, FALSE)),
list(title = "Evolución del voto demócrata")
)),
list(label = "Republicano",
method = "update",
args = list(
list(visible = c(FALSE, TRUE)),
list(title = "Evolución del voto republicano")
))
))))Selectores
Los selectores (dropdowns) se configuran de forma equivalente a los botones. La diferencia entre unos y otros es visual: mientras que los botones se muestran todos al mismo tiempo, el selector es un menú desplegable en el que solo se ve una opción activa.
Vamos a reproducir el ejemplo previo con un dropdown. Basta con eliminar type = "buttons" dentro de la especificación de updatemenus.
# Creamos un gráfico en el que el usuario puede elegir si ver la evolución
# del voto demócrata, republicano o ambas
plot_ly(type = "scatter", mode = "lines", x = ~year, y = ~candidatevotes,
data = usa_democrat, name = "Demócratas", color = I("blue")) %>%
add_lines(data = usa_republican, name = "Republicanos", color = I("red")) %>%
layout(
updatemenus = list(
list(
buttons = list(
list(label = "Ambos",
method = "update",
args = list(
list(visible = c(TRUE, TRUE)),
list(title = "Evolución del voto demócrata y republicano")
)),
list(label = "Demócrata",
method = "update",
args = list(
list(visible = c(TRUE, FALSE)),
list(title = "Evolución del voto demócrata")
)),
list(label = "Republicano",
method = "update",
args = list(
list(visible = c(FALSE, TRUE)),
list(title = "Evolución del voto republicano")
))
))))Selectores de rango
Los selectores de rango sirven para hacer zoom sobre un área concreta del gráfico. Se utiliza a menudo en las series temporales, inicializado a los datos más recientes, pero con posibilidad de visualizar mayor histórico.
# Lectura de los datos
defunciones <- read.csv("dat/defunciones_espana.csv")
# Conversión de la fecha de tipo character a Date
defunciones <- defunciones %>%
mutate(fecha_defuncion = as.Date(fecha_defuncion))
# Pintamos la mortalidad observada y la estimada junto con su intervalo de confianza
plot_ly(defunciones, type = "scatter", mode = "lines") %>%
add_trace(x = ~fecha_defuncion, y = ~defunciones_observadas, name = "Observadas",
line = list(color = "black")) %>%
add_trace(x = ~fecha_defuncion, y = ~defunciones_esperadas, name = "Esperadas",
line = list(color = "rgb(22, 96, 167)")) %>%
add_trace(x = ~fecha_defuncion, y = ~defunciones_esperadas_q99, name = "Esperadas lim. sup.",
line = list(color = "gray", width = 0.5, dash = "dash")) %>%
add_trace(x = ~fecha_defuncion, y = ~defunciones_esperadas_q01, name = "Esperadas lim. inf.",
fill = "tonexty", fillcolor="rgba(22, 96, 167, 0.3)",
line = list(color = "gray", width = 0.5, dash = "dash")) %>%
layout(title = "Mortalidad en España",
xaxis = list(
title = "Fecha",
rangeselector = list(
buttons = list(
list(
count = 3,
label = "3 meses",
step = "month",
stepmode = "backward"),
list(
count = 6,
label = "6 meses",
step = "month",
stepmode = "backward"),
list(
label = "todo",
step = "all")
)),
rangeslider = list(type = "date")),
yaxis = list(title = "Defunciones")
)Animaciones
En plot_ly contamos con una propiedad estética para animar los gráficos: frame. También soporta un parámetro ids para suavizar las transiciones con el mismo identificador.
Para visualizar los siguientes ejemplos, necesitarás tener instalado el paquete gapminder, que contiene datos de esperanza de vida, PIB per cápita y población por país y año.
# Ejecuta la siguiente línea en el caso de que no lo tengas instalado
install.packages("gapminder")# Cargamos los datos de gapminder
data(gapminder, package = "gapminder")
# Este es el gráfico base, sin animar
p <- gapminder %>%
plot_ly(x = ~gdpPercap, y = ~lifeExp, size = ~pop,
text = ~country, color = ~continent, hoverinfo = "text") %>%
layout(xaxis = list(type = "log"))
pPara animarlo, añadimos la capa a animar, especificando frame y, opcionalmente, ids (solo es necesario si queremos suavizar las transiciones entre objetos). También debemos aplicar la función animation_opts. Alguno de sus argumentos son:
frame: los milisegundos que dura cada unidad de frame.transition: los milisegundos que dura la transición (por defecto toma el mismo valor queframe).easing: el tipo de transición (aquí tienes todas). Algunas son:linear,quad,cubic,sin,elastic,bounce, …
p %>%
add_markers(frame = ~year, ids = ~country) %>%
animation_opts(frame = 1000, easing = "linear", redraw = FALSE)Prueba a cambiar el tipo de transición (
easing) por otro y observa el efecto.
Podemos personalizar la posición del botón de animación.
p %>%
add_markers(frame = ~year, ids = ~country) %>%
animation_opts(frame = 1000, easing = "linear", redraw = FALSE) %>%
animation_button(x = 1, xanchor = "right", y = 0, yanchor = "bottom")Y también podemos personalizar el slider de animación.
# Para animarlo:
# 1. Añadimos la capa a animar, especificando frame y, opcionalmente, ids
# 2. Configramos la animación mediante animation_opts, _button y _slider
p %>%
add_markers(frame = ~year, ids = ~country) %>%
animation_opts(frame = 1000, easing = "linear", redraw = FALSE) %>%
animation_button(x = 1, xanchor = "right", y = 0, yanchor = "bottom") %>%
animation_slider(currentvalue = list(prefix = "Año "))Consulta la documentación de
animation_opts,animation_buttonyanimation_slider.
Profundiza
Para saber más sobre los conceptos que hemos visto, puedes consultar alguna de estas referencias:
- Chuleta de plotly: sintetiza las funciones más habituales para plotly. Muy útil para tener a mano a la hora de utilizar la librería.
- Referencia completa de atributos de plotly: documenta todos los posibles atributos que se pueden establecer por cada tipo de gráfico.
- Más opciones en la barra de herramientas de plotly: consúltalo para crear botones personalizados o controlar la forma en la que se descarga un gráfico como imagen.
- Controles de plotly: documentación completa sobre los controles de interacciones de plotly.
- Animaciones acumuladas: documenta cómo realizar animaciones acumuladas (por ejemplo, el efecto de una línea que va avanzando poco a poco)
- Más sobre animaciones en plotly: hay varios ejemplos completos de animaciones con plotly.
Conclusiones
Nos podemos quedar con las siguientes ideas como resumen de este tema:
- Los gráficos en plotly traen una barra de acciones con bastantes opciones por defecto. Conviene personalizarla según las opciones que realmente vaya a necesitar el usuario.
- Podemos añadir botones y selectores a los gráficos de plotly para disparar acciones que alteran la visualización.
- Las animaciones cuentan con un estético a mapear nuevo:
frame. Opcionalmente usaremosidssi necesitamos suavizar las transiciones entre un mismo objeto.
Actividades
Actividad 1
Utilizando los datos del dataset de penguins, pinta un gráfico de puntos que muestre la relación entre longitud y profunidad del pico. Añade un selector (dropdown) que permita al usuario elegir si quiere ver los datos de los machos, las hembras o ambos.
Actividad 2
Lee los datos de evolución de la población en España (dat/poblacion_espana.csv). Crea una animación que muestre un gráfico de líneas, donde el eje x muestra la edad de inicio del rango (edad_desde), y el eje y muestra la población en ese rango. Anima el gráfico para que vaya mostrando la evolución año a año.