Wprowadzenie do ggplot2

ggplot2 jest jednym z najczęściej wykorzystywanych pakietów do tworzenia grafiki w R. Pozwala tworzyć w łatwy sposób dość skomplikowane wykresy, posiada również dość rozsądne ustawienia standardowe, dzieki którym możemy uzyskać estetycznie wyglądające ilustracje małym nakładem pracy.

Nie jest on dołączy do podstawowej dystrybucji R i należy zainstalować go za pomocą polecenia install.packages.

# install.packages('ggplot2') # instalacja ggplot2
library(ggplot2)

Praca z ggplot2 różni się od pracy z grafiką w standardowym R. Podstawowe różnice to:

Preferowana jest praca z ramkami danych, raczej nie zajdziemy za daleko pracując na pojedynczych wektorach.
Przestaje obowiązywać metafora płótna. Rysując w standardowym R mogliśmy podchodzić do tego jak do nakładania kolejnych linii, punktów, segmentów itp. za pomocą funkcji niskiego poziomu. W przypadku ggplot2 raczej definiujemy wykres, nie przejmujemy się najczęściej niskopoziomowymi szczegółami.
Opiera się na teoretycznej koncepcji grammar of graphics i stara się ją implementować.
Wykresy tworzymy dodając (+ - ggplot2 przeciąża operator dodawania) do siebie obiekty reprezentujące “warstwy” albo “mapowania” w specyficznej “gramatyce grafiki” implementowanej przez ggplot2.
Inaczej zapisujemy grafikę - używamy funkcji ggsave.

Co będziemy omawiać:

Zarys możliwości pakietu.
Tworzenie prostych wykresów oraz podstawy gramatyki grafiki (mapowanie).
Różne rodzaje wykresów dla jednej lub dwóch zmiennych nominalnych i liczbowych.
Kilkupanelowe wykresy.

Co nie będzie omawiane, ale jest ważną czescią pakietu ggplot2:

Funkcje niskiego poziomu do rysowania kształtów.
Osie, skale.
Podpisy, napisy, przypisy (elementy tekstowe).
Drobnoziarnistwa kontrola.

Innymi słowy - w ggplot2 możemy zmieniać detale tworzonych przez nas wykresów, ale nie będziemy omawiać każdej służącej do tego funkcji i jej argumentu. Informacje można łatwo znaleźć w Internecie, dokumentacja rozmaitych funkcji bogata jest też w przykłady.

Kilka prostych wykresów w ggplot2

Zacznijmy od kilku prostych wykresów. Przypomnijmy sobie jak wyglądały dane ze zbioru beaver1 — będziemy na nich pracować.

head(beaver1)

  day time  temp activ
1 346  840 36.33     0
2 346  850 36.34     0
3 346  900 36.35     0
4 346  910 36.42     0
5 346  920 36.55     0
6 346  930 36.69     0

Na początek narysujemy histogram temperatury. Funkcja ggplot wskazuje dane, w aes ustalamy mapowanie, a geom_histogram określa rodzaj wykresu. Zmienne przekazujemy bez cudzysłowiów i są nimi nazwy kolumn w naszej ramce danych. Za chwilę przyjrzymy się dokładniej każdej z tych części.

ggplot(data = beaver1, aes(x = temp)) +
  geom_histogram()

`stat_bin()` using `bins = 30`. Pick better value `binwidth`.

Dla dwóch zmiennych — x oraz y — możemy narysować wykres punktowy (scatterplot).

ggplot(data = beaver1[beaver1$day == 346,], aes(x = time, y = temp)) +
  geom_point()

Mapując kolumnę z wektorem typu factor na color, możemy ustalić inne kolory ze względu na wartość tej kolumny. W poniższym przypadku punkty dotyczące obserwacji w obu dniach oznaczone są innymi kolorami. Warto zauważyć, że ggplot2 automatycznie stworzył legendę (czego nie robią funkcje wbudowane w R!).

beaver1$dzien <- as.factor(beaver1$day)
ggplot(data = beaver1, aes(x = time, y = temp, color = dzien)) +
  geom_point()

Zmieniając geom, możemy zmienić typ wykresu. Listę wszystkich możliwości z łatwością znajdą Państwo w internecie. Pokażemy sobie jednak kilka z nich. Za pomocą geom_line możemy stworzyć wykres liniowy.

ggplot(data = beaver1[beaver1$day == 346,], aes(x = time, y = temp)) +
  geom_line()

geom_step stworzy wykres schodkowy.

ggplot(data = beaver1[beaver1$day == 346,], aes(x = time, y = temp)) +
  geom_step()

Jeśli jedna ze zmiennych jest kategorialna (factor), możemy narysować na przykład wykres pudełkowy. Jak jednak widzimy, mapowanie color nie zadziałało tak, jak byśmy chcieli — pokolorowało tylko linie na wykresie.

ggplot(data = beaver1, aes(x = dzien, y = temp, color = dzien)) +
  geom_boxplot()

Jeżeli chcielibyśmy pokolorować również wypełnienie, musielibyśmy użyć fill. Pokażemy to na wykresie skrzypcowym.

ggplot(data = beaver1, aes(x = dzien, y = temp, fill = dzien)) +
  geom_violin()

Tworzenie wykresów w języku grafiki `ggplot2`

Widzieliśmy już kilka gotowych wykresów. Spróbujmy teraz zbudować wykres krok po kroku i zobaczyć, za co odpowiadają jego poszczególne części.

Jedna zmienna (lub dwie zmienne i jedna dyskretna)

Spróbujmy na początku stworzyć obiekt reprezentujący nasz wykres. Robimy to za pomocą funkcji ggplot.

ggplot(data = beaver1)

Otrzymaliśmy puste płótno. Dlaczego? Oczywiście nie ustaliliśmy co ma być na osi rzędnych, co na odciętych. Stwórzmy więc obiekt, w którym przekażemy nasze mapowanie. Odpowiada za to argument mapping (będziemy go dalej pomijać i przekazywać wartości pozycyjnie), w którym przekazujemy obiekt stworzomy za pomocą funkcji aes.

ggplot(data = beaver1, mapping = aes(x = temp))

Mamy już wykres, mamy już mapowanie - nawet dostaliśmy odpowiednie oznaczenia na osi. Nie mamy jednak na nim żadnego kształtu! Spróbujmy dodać do naszego wykresu jakiś kształt. Robimy to za pomocą funkcji geom_rodzaj_kształtu, którą “dodajemy” do już istniejącego obiektu.

ggplot(data = beaver1, aes(x = temp)) + 
  geom_histogram()

`stat_bin()` using `bins = 30`. Pick better value `binwidth`.

Stworzyliśmy histogram! Jak Państwo widzą wygląda chyba troszkę ładniej niż standardowy histogram w R.

No dobrze, ale czy możemy dodać jakiś inny kształt? Spróbujmy dodać małe kreseczki reprezentujące poszczególne obserwacje za pomocą geom_rug.

ggplot(data = beaver1, aes(x = temp)) + 
  geom_histogram() + 
  geom_rug()

`stat_bin()` using `bins = 30`. Pick better value `binwidth`.

Wygląda to całkiem nieźle!

Mogą się Państwo zastanawiać skąd ggplot2 wie, co i gdzie powinien narysować wówczas, gdy “dodajemy” kolejne kształty? ggplot2 uwzględnia dorysowując do wykresu kolejne kształte mapowanie (aes) odziedziczone z głównego wykresu (= obiektu stworzonego przez funckję ggplot). Dlatego właśnie możemy po prostu dodawać kolejne kształty.

Nie musimy godzić się na mapowanie “odziedziczone” z głównego wykresu. Dla każdego kształtu (geoma) możemy mapowanie zmienić lub uzupełnić o dodatkowe elementy. W tym celu używamy funkcji aes. W poniższym przykładzie użyliśmy after_stat(density), żeby na osi y pokazać gęstość zamiast liczby obserwacji.

ggplot(data = beaver1, aes(x = temp)) + 
  geom_histogram(aes(y = after_stat(density))) + 
  geom_rug()

`stat_bin()` using `bins = 30`. Pick better value `binwidth`.

Chociaż kolejne geomy dziedziczą mapowanie po pierwszym obiekcie, to możemy je oczywiście nadpisać. W tym przypadku podobnie jak w poprzednich dodaliśmy do naszego histogramu kreseczki za pomocą geom_rug, tym razem jednak dodaliśmy dodatkowe mapowanie - zmienna dzien ma być mapowana na kolor kreseczek.

ggplot(data = beaver1, aes(x = temp)) + 
  geom_histogram(aes(y = after_stat(density))) + 
  geom_rug(aes(color = dzien))

`stat_bin()` using `bins = 30`. Pick better value `binwidth`.

Bez trudu możemy dodać jądrowy estymator gęstości dodając po prostu kolejny geom - tym razem geom_density. Proszę zwrócić uwagę, że zmieniliśmy jeszcze mapowanie kreseczek w geom_rug. time jest zmienną ciągłą (w miarę), więc ggplot2 automatycznie dobrał ciągłą skalę kolorów i stworzył odpowiednią legendę.

ggplot(data = beaver1, aes(x = temp)) + 
  geom_histogram(aes(y = after_stat(density))) + 
  geom_rug(aes(color = time)) + 
  geom_density()

`stat_bin()` using `bins = 30`. Pick better value `binwidth`.

ggplot2 udostępnia oczywiście również rodzaje geomów bardziej wymyślne niż zwykłe histogramy. Na poniższym wykresie mają Państwo inny geom - geom_dotplot, który zamiast prostokątów rysuje kropki.

ggplot(data = beaver1, aes(x = temp)) + 
  geom_dotplot() + 
  geom_rug()

Bin width defaults to 1/30 of the range of the data. Pick better value with
`binwidth`.

Zwróćmy teraz uwagę na to, że w naszym zbiorze danych mamy dane z okresów aktywności i braku aktywności. Chcielibyśmy je rozdzielić, żeby lepiej zobrazować różnicę między nimi. Użyjemy do tego funkcji facet_grid, która w sposób automatyczny dzieli nasz wykres na panele według zadanego czynnika.

beaver1['aktywnosc'] <- as.factor(beaver1$'activ')
ggplot(data = beaver1, aes(x = temp, fill = aktywnosc)) + 
  geom_dotplot() + 
  geom_rug() +
  facet_grid(.~aktywnosc) # możemy wybrać dwie zmienne, składnia to `zmienna1 ~ zmienna2`

Bin width defaults to 1/30 of the range of the data. Pick better value with
`binwidth`.

Możemy próbować uatrakcyjnić nasz wykres. Proszę zauważyć, że każdy geom ma tutaj inne mapowanie - wysokosc słupków kropek reprezentuje liczbe zliczeń w danym “koszyku” hisgoramu, kolor kropek - aktywność bobra, kreseczki - dokładna wartość każdej obserwacji. Z kolei kolor kreseczek reprezentuje dzień, w którym ich dokonywaliśmy. Każda z tych rzeczy była osobną “warstwą”, którą definiowaliśmy w gramatyce grafiki ggplot2.

ggplot(data = beaver1, aes(x = temp)) + 
  geom_dotplot(aes(fill = aktywnosc, color = aktywnosc), 
               binpositions="all", stackgroups = TRUE) + 
  geom_rug(aes(color=dzien))

Bin width defaults to 1/30 of the range of the data. Pick better value with
`binwidth`.

Jeżeli chodzi o inne geomy w stylu histogramów to mamy jeszcze geom_freqpoly.

ggplot(data = beaver1, aes(x = temp, fill = dzien, color = dzien)) + 
  geom_freqpoly()

`stat_bin()` using `bins = 30`. Pick better value `binwidth`.

Oraz geom_area (ten jest szczególnie efektowny).

ggplot(data = beaver1, aes(x = temp, fill = dzien, color = dzien)) + 
  geom_area(stat='bin')

`stat_bin()` using `bins = 30`. Pick better value `binwidth`.

Jeżeli chodzi o wykresy słupkowe przedstawiające zliczenia, geom_bar sam policzy obserwacje w poszczególnych grupach. Nie musimy wcześniej przygotowywać tabeli liczebności:

ggplot(data = beaver1, aes(x = dzien, fill = aktywnosc)) + 
  geom_bar()

Domyślnym zachowaniem jest ustawianie słupków na sobie, ale możemy je zmienić tak, by ustawiane były obok siebie.

ggplot(data = beaver1, aes(x = dzien, fill = aktywnosc)) + 
  geom_bar(position= 'dodge')

Czasami jednak nie chcemy reprezentować na wykresie słupkowym liczby zliczeń czegoś, ale np. średnią, odchylenie standardowe, medianę. Wówczas chyba najprościej jest stworzyć sobie nową ramkę danych, w której będą obliczone te wartości i przekazać jako argument stat funkcji geom_bar wartość "identity".

df <- data.frame(sd = tapply(beaver1$temp, beaver1$dzien, sd), dzien = levels(beaver1$dzien))
df

           sd dzien
346 0.2098782   346
347 0.1038336   347

ggplot(data = df, aes(y = sd, x = dzien, fill = dzien)) + 
  geom_bar(stat = 'identity')

Biblioteka ggplot2 daje możliwość łączenia ze sobą kilka rodzajów wykresów. Na poniższym rysunku połączyliśmy wykres punktowy (z jitterm dla większej przejrzystosci) z wykresem skrzypcowym. Dodaliśmy również podpisy pod osiami oraz tytuł wykresu, zmieniliśmy też domyślne kolory (żeby mniej się zlewały).

ggplot(data = beaver1) + 
  geom_violin(aes(x = dzien, y = temp, fill = dzien),
            quantiles = c(0.25, 0.5, 0.75), quantile.linetype = 1) +
  geom_jitter(aes(x = dzien, y = temp, color = aktywnosc)) + 
  scale_fill_brewer(palette='Set1') +
  ggtitle('Wykres skrzypcowy') +
  labs(x='Dzień pomiarów', y='Temperatura')

Dwie zmienne ciągłe.

W przypadku sytuacji, w której mamy dwie zmienne ciągłe postępujemy dokładnie tak samo. Do ilustracji posłużymy się zbiorem iris, który dotyczy kwiatków.

head(iris)

  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

Znów, samo wywołanie funkcji ggplot nic nie daje.

ggplot(data = iris)

Nawet ustawienie mapowania nic nie daje, chociaż ustala nam osie i siatkę.

ggplot(data = iris) +
  aes(x = Petal.Length, y = Petal.Width)

Pierwszy geom jaki omowimy to geom_point odpowiadający znanemu już nam wykresowy punktowemu.

ggplot(data = iris) + 
  geom_point(aes(x = Sepal.Width, y = Sepal.Length))

Kstzałt punktów jest jedną z możliwościa mapowania zmiennej dyskretnej.

ggplot(data = iris) + 
  geom_point(aes(x = Sepal.Width, y = Sepal.Length, shape = Species))

Podobnie jak poprzednio możemy dodać dodatkowe mapowanie, które trzecią zmienną - gatunek - mapuje jako kolor. Dodatkowo zmieniliśmy wygląd całego wykresu dodając jeden z kilku wbudowanych motywów (theme_minimal)

ggplot(data = iris) + 
  geom_point(aes(x = Sepal.Width, y = Sepal.Length, col = Species)) + 
  theme_minimal()

Możemy oczywiście umieścić nasze punkty na trzech osobnych panelach w znany nam już sposób.

ggplot(data = iris) +  
  geom_point(aes(x = Sepal.Width, y = Sepal.Length, col = Species)) + 
  facet_grid(. ~ Species) + 
theme_bw()

Panele możemy umieścić w innej orientacji zmieniając kolejnośc zmiennych w funkcji facet_grid. Warto zwrócić uwagę, że podpisy pod kategoriami są prawidłowo w pozycji poziomej. Pokazuję również inny motyw (theme_dark)

ggplot(data = iris) +  
  geom_point(aes(x = Sepal.Width, y = Sepal.Length, col = Species)) + 
  facet_grid(Species~.) + 
  theme_dark()

Bardzo przydatne może być dla Państwa dodawanie linii regresji do wykresu punktowego. Pokazuje więc jak zrobić to za pomocą stat_smooth. Dopasowuje ona model liniowy do danych. Zacienione pole do przedział ufności (domyślnie 95%) dla linii regresji.

ggplot(data = iris) +  
  facet_grid(.~Species) +
  stat_smooth(aes(x = Sepal.Width, y = Sepal.Length, col = Species), method = "lm", fullrange= TRUE)+
  geom_point(aes(x = Sepal.Width, y = Sepal.Length, col = Species))

`geom_smooth()` using formula = 'y ~ x'

Należy jednak pamiętać, że domyślnie dopasowywane jest nie model liniowy, ale ten: https://en.wikipedia.org/wiki/Local_regression Linia jest więc pogięta, podobnie przedziały ufności.

ggplot(data = iris, aes(x = Sepal.Width, y = Sepal.Length, col = Species)) +  
  geom_point() +
  geom_smooth() +
  facet_grid(.~Species)

`geom_smooth()` using method = 'loess' and formula = 'y ~ x'

Oczywiście nic nie stoi na przeszkodzie dodawać znane już nam geomy takie jak geom_rug.

ggplot(data = iris, aes(x = Sepal.Width, y = Sepal.Length, col = Species)) +  
  geom_point() +
  geom_smooth() +
  geom_rug() +
  facet_grid(.~Species)

`geom_smooth()` using method = 'loess' and formula = 'y ~ x'

Zakończenie - bardziej skomplikowany przykład.

W kolejnym przykładzie tworzymy bardziej skomplikowany wykres dotyczący rozmaitych parametrów diamentów. Dane znajdują się w zbiorze diamonds, który wbudowany jest w R.

head(diamonds)

# A tibble: 6 × 10
  carat cut       color clarity depth table price     x     y     z
  <dbl> <ord>     <ord> <ord>   <dbl> <dbl> <int> <dbl> <dbl> <dbl>
1  0.23 Ideal     E     SI2      61.5    55   326  3.95  3.98  2.43
2  0.21 Premium   E     SI1      59.8    61   326  3.89  3.84  2.31
3  0.23 Good      E     VS1      56.9    65   327  4.05  4.07  2.31
4  0.29 Premium   I     VS2      62.4    58   334  4.2   4.23  2.63
5  0.31 Good      J     SI2      63.3    58   335  4.34  4.35  2.75
6  0.24 Very Good J     VVS2     62.8    57   336  3.94  3.96  2.48

ggplot(data = diamonds, aes(y=carat, x = cut, size = price, color = cut)) + 
  geom_jitter()

ggplot(data = diamonds, aes(x=carat, y = price)) +  # podstawowe mapowanie
  geom_point(aes(color = color)) +  # mapowanie dla punktów: kolor diamentów -> kolor punktów
  facet_grid(clarity~cut) + # dzielimy na panele ze względu na przejrzystość i szlif
  stat_smooth(method = 'lm') + # dopasowujemy do danych linię regresji
  ggtitle('Diamenty przyjacielem studenta') +
  theme_minimal()

`geom_smooth()` using formula = 'y ~ x'

Uwagi:

Proszę dobierać rodzaj wykresu do celu - inny będzie w specjalistycznym czasopiśmie, inny na prezentacji, inny na plakacie, inny w artykule prasowym, inny dla siebie do pracy.
Nie wszystkie mapowania są sobie równe - kwestie poznawcze.
Nie należy przesadzać, należy dobrze zaplanować co i dlaczego chcemy pokazać.
Ale nie warto bać się eksperymentowania.

Przydatne linki:

Plotly + ggplot2 = wygryw: https://plot.ly/ggplot2/
Dokumentacja https://ggplot2.tidyverse.org/
Dodatki: https://exts.ggplot2.tidyverse.org/
Galeria grafik wg koncepcji Tufte’a - niektóre z wykorzystaniem ggplot2: http://motioninsocial.com/tufte/