Visualitzar amb ggplot2

Marc de dades

La primera capa simplement el marc de dades. Podem introduir prèviament transformacions amb funcions de dplyr abans de cridar la funció ggplot().

gapminder %>% #capa 1: marc de dades
  filter(country == "Germany") %>% #transformació prèvia amb dplyr
  ggplot(aes(x = year, y = lifeExp)) + #capa 2: estètics
  geom_line() #capa 3: geometria

Estètics

La segona capa són els estètics, que cridarem a dins de la funció ggplot() amb la funció aes(). Cada estètic és una variable representada al gràfic. Normalment hi introduïrem els dos eixos cartesians X i Y i altres estètics com el color. El següent gràfic hi ha quatre variables representades:

• L’eix de les X representa el PIB per càpita.
• L’eix de les Y representa l’esperança de vida.
• El color de la geometria representa un continent diferent.
• La mida de la geometria representa la població.

gapminder %>% #capa 1: marc de dades
 ggplot(aes(x = gdpPercap, y = lifeExp, color = continent, size = pop)) + #capa 2: amb 4 estètics
 geom_point() #capa 3: geometria

Geometria

La geometria és la forma en què les variables estaran representades al gràfic. N’hi ha vàries, per exemple:

• Punts: geom_point()
• Línies: geom_line() o geom_smooth()
• Columnes: geom_bar() o geom_col()
• Totes les geometries comencen per geom_. N’hi ha vàries desenes.

A dins la funció de la geometria indicarem els seus atributs: de quin color la volem, quina forma, quin nivell de transparència, etc.

gapminder %>% #capa 1: marc de dades
 ggplot(aes(x = gdpPercap, y = lifeExp, fill = continent)) + #capa 2: amb 3 estètics
 geom_point(color = "darkslateblue", #capa 3: geometria amb 4 atributs
            size = 1.5, 
            shape = 22, 
            alpha = 0.5) 

Podem incloure vàries geometries en un mateix gràfic. En el següent exemple combinem un diagrama de dispersió i una línia:

• A més, volem que el color dels punts varïi en funció del continent. Quan un aspecte de la geometria varia en funció d’una variable, és un estètic. Indicarem a dins de la funció geom_point(), també amb aes(), que el color varïi segons el continent.
• En canvi, no volem que la transparència (alpha) varïi en funció de cap variable. Volem que tots els punts tinguin la mateixa transparència. En aquest cas, alpha és un atribut de la geometria i estarà a fora de la transparència.
• Finalment, introduïm una línia suavitzada geom_smooth(). Aquesta línia comparteix dos estètics amb geom_point(): l’eix de les X i l’eix de les Y. Però en canvi, no volem representar una línia per a cada continent. És per això que no hem inclòs col = continent a la capa 2, sinó que la incloem a dins de geom_point() perquè sigui només un estètic d’aquesta geometria però no de les altres que vulguem representar.

gapminder %>%
 ggplot(aes(x = log(gdpPercap), y = lifeExp)) +
 geom_point(aes(col = continent), alpha = 0.4) +
 geom_smooth(col = "dodgerblue4")

Altres capes

La capa facet ens crea diversos gràfics en funció d’una o dues variables categòriques.

gapminder %>%
 ggplot(aes(x = gdpPercap, y = lifeExp)) +
 geom_point(aes(col = continent), alpha = 0.5, show.legend = FALSE) +
 geom_smooth(col = "firebrick4") +
 facet_wrap(. ~ continent, scales = "free")

gapminder %>%
 filter(year %in% c(1997, 2002)) %>%
 ggplot(aes(x = gdpPercap, y = lifeExp)) +
 geom_point(aes(col = continent), alpha = 0.4, show.legend = FALSE) +
 geom_smooth(col = "firebrick4") +
 facet_grid(year ~ continent)

Les escales indiquem com les dades es visualitzaran a través dels diferents estètics. Podem posar els títols d’eix, els límits del gràfic. etc.

gapminder %>%
  ggplot(aes(x = gdpPercap, y = lifeExp)) +
  geom_point(aes(col = continent), alpha = 0.4) +
  geom_smooth(col = "firebrick4", se = FALSE) +
  scale_x_continuous(name = "PIB per càpita",
                     expand = c(0,0)) +
  scale_y_continuous(name = "Esperança de vida",
                     limits = c(20, 80),
                     breaks = c(20, 40, 60, 80),
                     label = c("Joves", "Adults",
                               "Grans", "Vells")) +
  ggtitle("PIB per càpita i esperança de vida")

Normalment sempre utilitzarem coordenades cartesianes, però també podem utilitzar la capa de coordenades per convertir el gràfic a altres tipus de coordenades, com les polars.

gapminder %>%
  filter(year == 2002) %>%
  group_by(continent) %>%
  summarize(population = sum(pop, rm.na = TRUE)) %>%
  ggplot(aes(x = 1, y = population, fill = continent)) +
  geom_col() +
  coord_polar(theta = "y")

A la capa tema és on podem adonar el nostre gràfic. Aquí podem canviar el color de fons, el tipus de lletra de cada element, la mida de les lletres o qualsevol altre element del gràfic.

• Per defecte, R sempre us mostrarà theme_gray().
• Podeu canviar-lo si afegiu un nova capa a la funció ggplot(), per exemple, theme_classic(), theme_bw(), o theme_dark().
• També podeu personalitzar fins l’últim detall el vostre gràfic amb la funció theme(). En aquest enllaç teniu un resum.
• En el següent exemple hem utilitzat theme_minimal().

gapminder %>%
  filter(country != "Kuwait", 
         year %in% c(1962, 1977, 1987, 2002)) %>% 
  ggplot(aes(x = gdpPercap, y = lifeExp, col = continent, size = pop)) + 
  geom_point() +
  scale_x_log10() +
  facet_wrap(~ year) +
  labs(x = "PIB per càpita", y = "Esperança de vida", col = "Continent", size = "Població") +
  ggtitle("Evolució del PIB per càpita i l'esperança de vida (1962-2002)") + 
  theme_minimal()

Podeu baixar-vos nous temes com el que utilitzen The Economist o The Wall Street Journal mitjançant el paquet ggthemes carregant el paquet library(ggthemes).

Més informació

Molt important per dominar ggplot2:

• Ajudeu-vos del Cheat Sheet de ggplot2.
• Utilitzeu la pàgina web del paquet i feu clic en cada una de les funcions per obtenir més informació del seu ús.
• Ajudeu-vos d’altres manuals. Un de molt interessant és del de R Para Ciencia de Datos (Grolemund and Wickham 2020).
• En aquest enllaç podeu accedir a varis vídeos per conèixer més a fons ggplot2.