Módulo 3: Visualización de datos con ggplot2

Mauricio Moreno, PhD

Introducción

  • En esta sesión aprenderemos a hacer uso del paquete ggplot2 del tidyverse.

  • A la par, veremos estrategias de llevar a cabo analisis exploratorio de datos (AED) ya que este depende mayoritariamente de ayudas visuales.

  • Usaremos además los datos del paquete palmerpenguins así también como los datos del archivo de Excel “rotaXLS.xlsx”.

  • Paquetes adicionales: viridis, ggsci, patchwork, finalfit, GGally: install.packages("viridis", "ggsci", "patchwork", "finalfit", "GGally")

  • Aprenderemos entonces, paso a paso cómo funciona ggplot2 dando un vistazo a sus funciones y objetos.

Introducción a ggplot2

ggplot2

  • ggplot2 es un paquete de gráficos creada por Hadley Wickham en 2005 como una opción alternativa a los gráficos base de R (es de hecho este paquete el que inició el tidyverse).

  • Se basa en añadir elementos a un gráfico capa por capa.

  • Tanto tablas anchas como largas pueden suministrarse a ggplot2. Sin embargo, en la mayoría de los casos, se explotan más sus capacidades al utilizar tablas largas.

  • Presenta varias ventajas, entre ellas:

    • Mayor versatilidad al integrar funciones predeterminadas que permiten cambiar entre tipos de gráficos fácil y rápidamente.

    • Amplia variedad de paletas de color y estilos (útiles para crear gráficos profesionales y listos para publicación).

    • Basta cantidad de librerías accesorias para gráficos especializados.

  • Su funcionamiento se basa principalmente en:

    • El argumento de mapeo (mapping)

    • y, Geometrías (geom_).

Función de inicio ggplot

  • Constituye la primera capa o la base para llevar a cabo un gráfico.

  • Posee dos argumentos principales:

    • data para indicar la tabla de datos a usarse

    • mapping para indicar las variables que gobernarán los ejes coordenados del gráfico

Función de inicio ggplot

library(palmerpenguins)
library(ggplot2)

ggplot(data = penguins,
       mapping = aes(x = bill_length_mm, 
                     y = bill_depth_mm))

Geometrías

  • Las geometrías son objetos que serán superpuestos en la base creada por la función de inicio.

  • En general, están nombradas con la preposición geom_ seguida de su clase.

  • Existen una variedad amplia de geometrías:

    • geom_bar para gráficos de barras

    • geom_line para gráficos de lineas

    • geom_boxplot para gráficos de caja y bigote

    • geom_histogram para histogramas

    • geom_density para densidades

    • entre otras

  • Para añadir geometrías y otras opciones a nuestro gráfico base usamos los operadores:

    • +, ó

    • %+%. Este último no es tan común, ya que sobre-escribe los datos originales.

Geometrías

ggplot(data = penguins,
       mapping = aes(x = bill_length_mm, 
                     y = bill_depth_mm)) +
  geom_point()

Estéticas de las geometrías (aesthetics)

  • Las geometrías tienen argumentos en común independientemente de sus específicos usos.

  • Entre estas están:

    • alpha determina el nivel de transparencia (entre 0 y 1).

    • fill determina el color de relleno de una geometría. Puede ser agregado de manera manual o en función de otra variable.

    • color o colour determina el color del contorno de una geometría. Puede ser agregado de manera manual o en función de otra variable.

  • Existen aesthetics más específicos que funcionarán únicamente con ciertas geometrías, tales como:

    • size, determina el tamaño de los puntos en la geometría de puntos (geom_point)

    • linetype, con 6 posibles valores permite seleccionar el estilo de línea.

    • linewidth determina el grosor de una línea.

    • lineend determina el estilo de los extremos de una línea.

    • shape determina el estilo de los puntos a mostrarse (25 posibles estilos)

Estéticas de las geometrías (aesthetics)

ggplot(data = penguins,
       mapping = aes(x = bill_length_mm, 
                     y = bill_depth_mm)) +
  geom_point(alpha = 0.25, color = "red", size = 5)

Formato básico de figuras en ggplot2

Agrupaciones

  • Se pueden asignar estéticas dependiendo de los grupos presentes en los datos.

  • Podemos definirlo en la función de mapeo.

ggplot(data = penguins,
       mapping = aes(x = bill_length_mm, 
                     y = bill_depth_mm,
                     color = species)) +
  geom_point(alpha = 0.25, size = 5)

Escalas

ggplot(data = penguins,
       mapping = aes(x = bill_length_mm, 
                     y = bill_depth_mm,
                     color = species)) +
  geom_point(alpha = 0.25, size = 5) +
  scale_x_continuous(breaks = seq(30, 60, 5)) +
  scale_y_continuous(breaks = seq(10, 24, 2))

Paletas de color

  • Una de las razones por las cuales ggplot2 es tan popular, es la relativa sencillez de usar distintas paletas de color.

  • Al no ser un curso dedicado a visualización de datos, nos limitaremos a explorar la oferta de mis dos librerías preferidas para paletas de color con ggplot2.

  • viridis ofrece 8 paletas de color basadas en secuencias de azul y amarillo que evitan en la medida de lo posible el color rojo. Es recomendada por ciertos Journals al ser amigable con personas daltónicas.

  • ggsci ofrece varias paletas de color inspiradas en los colores usados por distintos journals (por ejemplo: Nature, Lancet entre otros), además de paletas inspiradas en series de televisión (por ejemplo: Futurama, Rick & Morty entre otros).

Paletas de color

library(viridis)
ggplot(data = penguins,
       mapping = aes(x = bill_length_mm, 
                     y = bill_depth_mm,
                     color = species)) +
  geom_point(alpha = 0.25, size = 5) +
  scale_x_continuous(breaks = seq(30, 60, 5)) +
  scale_y_continuous(breaks = seq(10, 24, 2)) +
  scale_color_viridis(discrete = T)

Paletas de color

library(ggsci)
ggplot(data = penguins,
       mapping = aes(x = bill_length_mm, 
                     y = bill_depth_mm,
                     color = species)) +
  geom_point(alpha = 0.25, size = 5) +
  scale_x_continuous(breaks = seq(30, 60, 5)) +
  scale_y_continuous(breaks = seq(10, 24, 2)) +
  scale_color_futurama()

Facetas

ggplot(data = penguins,
       mapping = aes(x = bill_length_mm, 
                     y = bill_depth_mm,
                     color = species)) +
  geom_point(alpha = 0.25, size = 5) +
  scale_x_continuous(breaks = seq(30, 60, 5)) +
  scale_y_continuous(breaks = seq(10, 24, 2)) +
  scale_color_futurama() +
  facet_wrap(~island)

Etiquetas

ggplot(data = penguins,
       mapping = aes(x = bill_length_mm, 
                     y = bill_depth_mm,
                     color = species)) +
  geom_point(alpha = 0.25, size = 5) +
  scale_x_continuous(breaks = seq(30, 60, 5)) +
  scale_y_continuous(breaks = seq(10, 24, 2)) +
  scale_color_futurama() +
  facet_wrap(~island) +
  labs(title = "Largo de pico vs. Profundidad de pico",
       subtitle = "Pingüinos de Palmer",
       caption = "Gráfica propia",
       x = "Largo del pico",
       y = "Profundidad del pico",
       color = "Especie")

Estilos

ggplot(data = penguins,
       mapping = aes(x = bill_length_mm, 
                     y = bill_depth_mm,
                     color = species)) +
  geom_point(alpha = 0.25, size = 5) +
  scale_x_continuous(breaks = seq(30, 60, 5)) +
  scale_y_continuous(breaks = seq(10, 24, 2)) +
  scale_color_futurama() +
  facet_wrap(~island) +
  labs(title = "Largo de pico vs. Profundidad de pico",
       subtitle = "Pingüinos de Palmer",
       caption = "Gráfica propia",
       x = "Largo del pico",
       y = "Profundidad del pico",
       color = "Especie") +
  theme_bw()

Gráficos como objetos

grafico1 <- ggplot(data = penguins,
       mapping = aes(x = bill_length_mm, 
                     y = bill_depth_mm,
                     color = species)) +
  geom_point(alpha = 0.25, size = 5) +
  scale_x_continuous(breaks = seq(30, 60, 5)) +
  scale_y_continuous(breaks = seq(10, 24, 2)) +
  scale_color_futurama() +
  facet_wrap(~island) +
  labs(title = "Largo de pico vs. Profundidad de pico",
       subtitle = "Pingüinos de Palmer",
       caption = "Gráfica propia",
       x = "Largo del pico",
       y = "Profundidad del pico",
       color = "Especie") +
  theme_bw()

grafico2 <- grafico1 + theme_classic()
grafico2

Geometrías estadísticas

  • Otra funcionalidad importante son las geometrías estadísticas. Entre ellas:

  • geom_smooth: grafica regresiones sobre nubes de puntos

  • geom_errorbar y geom_errorbarh: grafican lineas de error verticales y horizontales respectivamente.

  • geom_ribbon: grafica nubes sombreadas que pueden representar varios estadísticos como errores estándar, intervalos de confianza, etc.

Geometrías estadísticas

ggplot(data = penguins,
       mapping = aes(x = bill_length_mm, 
                     y = bill_depth_mm,
                     color = species)) +
  geom_point(alpha = 0.25, size = 5) +
  scale_x_continuous(breaks = seq(30, 60, 5)) +
  scale_y_continuous(breaks = seq(10, 24, 2)) +
  scale_color_futurama() +
  facet_wrap(~island) +
  geom_smooth(method = "lm") +
  labs(title = "Largo de pico vs. Profundidad de pico",
       subtitle = "Pingüinos de Palmer",
       caption = "Gráfica propia",
       x = "Largo del pico",
       y = "Profundidad del pico",
       color = "Especie") +
  theme_bw()

Autoevaluación # 7

  1. theme_light produce gráficos como

  1. El siguiente gráfico

Es producido por el(los) código(s):

ggplot(iris, aes(y=Petal.Width)) + 
  geom_boxplot(aes(fill=Species))
ggplot(iris, aes(y=Petal.Width, color=Species)) + 
  geom_boxplot()
ggplot(iris, aes(y=Petal.Width, fill=Species)) + 
  geom_boxplot()
  1. Para obtener el siguiente gráfico:

Debo modificar la última línea del código:

ggplot(data = penguins,
       mapping = aes(x = bill_length_mm, 
                     y = bill_depth_mm,
                     color = species)) +
  geom_point(alpha = 0.25, size = 5) +
  scale_color_viridis()

por:

  1. scale_color_viridis(option = "G")

  2. scale_color_viridis(discrete = T, option = "G")

  3. scale_color_viridis(discrete = T, option = "H")

Principios de Análisis Exploratorio de Datos (AED)

Datos perdidos

  • La perdida de datos es común en casi todo experimento, sobre todo en aquellos de naturaleza observacional.

  • El primer paso que recomiendo en un análisis exploratorio, es checar si existen o no datos perdidos.

  • Esto por cuanto así se prevee si los métodos de inferencia a usarse necesitan o no ser corregidos.

  • Únicamente cuando la severidad de la pérdida de datos es muy grande aconsejo a recurrir a estas dos opciones (en orden de complejidad estadística de menor a mayor)

    • Repetir el experimento

    • Llevar a cabo imputación de datos

  • En este curso vamos a limitarnos a usar métodos de análisis corregidos cuando estemos ante la presencia de datos perdidos ya que la imputación de datos requiere de conocimientos teóricos extensos acerca de los tipos de mecanismos de pérdida de datos.

  • EVITAR el reemplazar los valores perdidos por ceros. Esta suele ser una práctica más o menos común pero que introduce mayores problemas que los que “soluciona”.

  • En resumen, no hay que temer el contar con datos perdidos, siempre y cuando estos no sean masivos.

Datos perdidos

library(finalfit)
ff_glimpse(penguins)

Datos perdidos

library(finalfit)
ff_glimpse(penguins)
$Continuous
                              label var_type   n missing_n missing_percent
bill_length_mm       bill_length_mm    <dbl> 342         2             0.6
bill_depth_mm         bill_depth_mm    <dbl> 342         2             0.6
flipper_length_mm flipper_length_mm    <int> 342         2             0.6
body_mass_g             body_mass_g    <int> 342         2             0.6
year                           year    <int> 344         0             0.0
                    mean    sd    min quartile_25 median quartile_75    max
bill_length_mm      43.9   5.5   32.1        39.2   44.5        48.5   59.6
bill_depth_mm       17.2   2.0   13.1        15.6   17.3        18.7   21.5
flipper_length_mm  200.9  14.1  172.0       190.0  197.0       213.0  231.0
body_mass_g       4201.8 802.0 2700.0      3550.0 4050.0      4750.0 6300.0
year              2008.0   0.8 2007.0      2007.0 2008.0      2009.0 2009.0

$Categorical
          label var_type   n missing_n missing_percent levels_n
species species    <fct> 344         0             0.0        3
island   island    <fct> 344         0             0.0        3
sex         sex    <fct> 333        11             3.2        2
                                 levels levels_count   levels_percent
species "Adelie", "Chinstrap", "Gentoo" 152, 68, 124       44, 20, 36
island   "Biscoe", "Dream", "Torgersen" 168, 124, 52       49, 36, 15
sex       "female", "male", "(Missing)" 165, 168, 11 48.0, 48.8,  3.2

Datos perdidos

library(finalfit)
ff_glimpse(penguins)
missing_plot(penguins)

Datos perdidos

missing_plot(penguins)

Datos perdidos

sub_penguins <- na.omit(penguins)
ggplot(sub_penguins,
       aes(x = flipper_length_mm, y = body_mass_g, colour = species)) +
  geom_point(alpha = 0.7,
             size = 3) +
  geom_smooth(method = "lm") + 
  scale_x_continuous(breaks = seq(150, 250, 10)) +
  scale_y_continuous(breaks = seq(2500, 7000, 500)) +
  scale_color_viridis(discrete = T) +
  facet_wrap(~sex) +
  labs(title = "Largo de aleta vs. peso",
       subtitle = "Pingüinos de Palmer",
       caption = "Gráfica propia",
       x = "Largo de aleta",
       y = "Peso",
       color = "Especie") +
  theme_bw()

Observaciones anormales (outliers)

  • Un outlier puede definirse como aquella observación que dista considerablemente de la mediana de una población.

  • Pueden deberse a errores en la toma de mediciones o valores que realmente existen.

  • En estadística, una entre varias definiciones de outlier es dada de acuerdo al criterio del Rango Intercuartílico (RIC o IQR en inglés).

  • Este criterio establece que toda observación por encima del tercer cuartil + 1.5 veces el RIC o por debajo del primer cuartil - 1.5 veces el RIC es considerada como outlier.

\[ I=\left[C_{0.25}-1.5 \times RIC ,\,C_{0.75}+1.5 \times RIC \right] \]

  • Donde el RIC es sencillamente la diferencia entre el primer y el tercer cuartil de una muestra.

  • Este método es precisamente la base para los gráficos de caja y bigote.

Gráficos de caja y bigote

  • Un gráfico de caja y bigote es el resumen de 5 cantidades de importancia para explorar una distribución: la mediana, los cuantiles 1 y 3 y los valores mínimo y máximo de una distribución en función del RIC

Imagen de autoría de Michael Galarnyk

Gráficos de caja y bigote en R base

par(mfrow = c(2, 2))
plot(bill_depth_mm ~ island, data = penguins)
plot(bill_depth_mm ~ sex, data = penguins)
plot(bill_depth_mm ~ species, data = penguins)
plot.new()
par(mfrow = c(1, 1))

Gráficos de caja y bigote en R base

  • Los gráficos base de R son de rápida implementación.

  • Generalmente sirven para dar vistazos rápidos a los datos.

  • Pueden por supuesto ser usados para productos finales de publicación, pero la sintaxis para dar formato y exportarlos es un tanto confusa (a mi parecer).

  • Tienen sus limitaciones, ¿qué tal si en este caso me hubiese gustado realizar un gráfico por facetas para ver más variables categóricas al mismo tiempo?

Gráficos de caja y bigote en ggplot2

sub_penguins <- na.omit(penguins)
ggplot(sub_penguins,
       aes(y = bill_depth_mm, x = species, fill = species)) +
  geom_boxplot(outlier.fill = "red",
               outlier.shape = 23) +
  facet_grid(~sex~island) + 
  theme(legend.position = "none")

Y ahora, ¿qué hago con los outliers?

Y ahora, ¿qué hago con los outliers?

  • El remover outliers no se aconseja antes de llevar a cabo análisis de inferencia estadística.

  • Para remover outliers antes de analizar propiamente los datos, se necesita tener certeza de las razones por las cuales estos fueron registrados:

    • Fallas comprobadas en el equipo de medición

    • Errores al escribir las mediciones en el medio de registro (libro de laboratorio, base de datos)

    • Falencias en las técnicas, metodologías o materiales que ayudaron en la toma de las observaciones (reactivos expirados, protocolos mal interpretados o descontinuados)

    • Si las anteriores no se cumplen, tener respaldo bibliográfico o experiencia de que el valor del outlier es improbable en la población sujeto de estudio.

  • Muchas veces, los aparentes outliers no tienen mayor efecto en las inferencias que se realicen. Y en los casos extremos de considerar su remoción, se puede recurrir a transformaciones de los datos. En otras palabras, el último recurso es removerlos.

  • Cuando llegado el caso, no existe otra opción, debería ser una obligación el reportar las razones para no considerarlos en el análisis (integridad científica).

¿Cómo remuevo outliers?

  • La respuesta más simple: borrarlos de la base de datos antes de cargarla en R.

  • Sin embargo, a veces trabajamos con tablas de datos extensas, y la remoción manual puede ser larga, tediosa y sujeta a errores que podrían empeorar la situación.

  • Para ilustrar cómo hacerlo en R, vamos a recurrir a un ejemplo más sencillo donde solo lidiemos con una variable categórica a la vez. Así, veamos únicamente al caso de las variables bill_length_mm y species

boxplot(bill_length_mm ~ species, data = penguins)

¿Cómo remuevo outliers?

outliers <- boxplot(bill_length_mm ~ species, data = sub_penguins, plot = F)$out
x <- sub_penguins
x <- x[-which(x$bill_length_mm %in% outliers), ]

¿Cómo remuevo outliers?

outliers <- boxplot(bill_length_mm ~ species, data = sub_penguins, plot = F)$out
x <- sub_penguins
x <- x[-which(x$bill_length_mm %in% outliers), ]
boxplot(bill_length_mm ~ species, data = x)

Autoevaluación # 8

Los datos del archivo de excel “rotXLS.xlsx” que mencionamos brevemente en el segundo módulo contiene información sobre el conteo de casos de rotavirus en Berlín desde el año 2001 hasta el 2020. Las variables de esta tabla de datos son:

  • date: fecha de cierre de la toma de datos

  • cases: número de casos de rotavirus en la semana

  • week: semana epidemiológica

  • incidence: número de casos/100000 habitantes

  • FM: media diaria de velocidad del viento (m/s)

  • RSK: media diaria de lluvia (mm)

  • SHK_TAG: media diaria de nieve (cm)

  • PM: media diaria de presión atmosférica (hPa)

  • TMK: media diaria de temperatura (°C)

  • TXK: media diaria de temperatura máxima (°C)

  • TNK: media diaria de temperatura mínima (°C)

  • UPM: media diaria de humedad relativa (%)

Una vez que hayamos especificado el directorio de trabajo, podemos importar esta tabla con el siguiente código:

library(readxl)                           
rot_berlin <- read_excel("rotXLS.xlsx")
  1. Ignorando por un momento la naturaleza longitudinal de estos datos, podemos crear un gráfico de múltiples cajas de bigotes por semana epidemiológica para el número de casos, que se vería de esta manera:

Con el siguiente código:

ggplot(rot_berlin, aes(x = week, y = cases)) +
  geom_boxplot()
ggplot(rot_berlin, aes(x = factor(week), y = cases)) +
  geom_boxplot()
ggplot(rot_berlin, aes(x = week, y = cases, group = week)) +
  geom_boxplot()
  1. Con lo que hemos aprendido hasta el momento, si quisiéramos identificar y remover posibles outliers, podríamos usar el siguiente código:
out_rot <- boxplot(cases ~ factor(week), data = rot_berlin, plot = F)$out
sub_rot <- rot_berlin
sub_rot <- sub_rot[-which(sub_rot$cases %in% out_rot), ]

El número de outliers detectados es:

  1. 232
  1. 323
  1. 156
  1. 212
  1. Mirando el gráfico de cajas y bigotes de sub_rot, podríamos llevar a cabo sucesivas nuevas identificaciones y remociones de outliers hasta terminar con un gráfico ya sin puntos fuera de los RIC. Teniendo en cuenta esto, cuál(es) de las siguientes afirmaciones es(son) verdadera(s)

  1. No importa cuántas veces repita el proceso, eliminar todo outlier es una buena práctica

  2. Al eliminar un outlier, no hay garantía que otra observación se convierta en uno.

  3. Se aconsejaría remover outliers una sola vez, y continuar con los análisis.

  4. Parecería que el RIC no sería un criterio suficiente para remover outliers.

Relaciones lineales

  • El dar un vistazo a relaciones lineales entre variables continuas también nos puede dar una idea de la presencia de outliers.

  • Adicionalmente, nos permite visualizar arreglos/patrones en los datos que responden a la influencia de variables de agrupación (en el ejemplo de los pingüinos ya vimos que las especies y las islas determinan algún tipo de arreglo).

  • También nos dan una idea de las correlaciones entre las variables. Esto es de mayor importancia en los casos que tenemos en mente llevar a cabo análisis multivariables.

  • Por ejemplo, en análisis de covarianza (cuando una o más variables explanatorias son continuas), no tiene sentido el incluir variables altamente correlacionadas entre sí.

  • Para esto, la forma más sencilla es llevar a cabo gráficos de dispersión para tantos pares posibles de combinaciones de variables continuas tengamos.

  • Esto obviamente sería tedioso y propenso a errores si lo llevamos a cabo de manera manual.

  • Afortunadamente R nos ofrece varias formas de llevar a cabo matrices de gráficos de dispersión

Matrices de dispersión en R base

matriz_penguins <- penguins[,c("bill_length_mm",
                               "bill_depth_mm",
                               "flipper_length_mm",
                               "body_mass_g")]
pairs(matriz_penguins)

Matrices de dispersión en ggplot2

library(GGally)
ggpairs(matriz_penguins)

Histogramas

  • Un histograma es un gráfico estadístico que divide una variable continua en un determinado número de rangos y luego cuenta el número de veces que los datos caen en cada uno de ellos para producir una barra por rango.

  • Sirve como un diagnóstico de la distribución de una muestra.

  • Desde la perspectiva del AED, nos da una idea visual de si las variables se alejan de la normalidad.

    • Esto último podría dar indicaciones de si es necesaria una transformación.

    • ¡Pero!… no es recomendable empezar transformando variables directamente hasta no conducir un análisis formal.

Histogramas en R base y ggplot2

hist(penguins$bill_length_mm)

hist(penguins$bill_length_mm, breaks = 50)

ggplot(penguins, aes(x = bill_length_mm)) +
  geom_histogram()

ggplot(penguins, aes(x = bill_length_mm)) +
  geom_histogram(bins = 50)

Otras geometrías útiles

Gráficos de densidad

ggplot(sub_penguins,
       aes(x = bill_depth_mm, group=species, fill = species)) +
  geom_density(alpha = 0.4)

Gráficos de barras

ggplot(penguins,
       aes(x = species)) +
  geom_bar()

Gráficos de barras apiladas

ggplot(penguins,
       aes(x = island,
           fill = species)) +
  geom_bar(position = "stack")

Mapas de calor en R base

  • Gráfico bidimensional de datos en donde los valores son representados con colores.

  • Las variables de los ejes deben ser categóricas, y la intensidad de los colores en el plano coordenado depende de la magnitud de una variable continua.

mapa_calor_base <- as.matrix(mtcars)
heatmap(mapa_calor_base)

Mapas de calor con heatmaply

  • Gráfico bidimensional de datos en donde los valores son representados con colores.

  • Las variables de los ejes deben ser categóricas, y la intensidad de los colores en el plano coordenado depende de la magnitud de una variable continua.

install.packages("heatmaply", dependencies = T)
library(heatmaply)
heatmaply(
  mtcars,
  scale_fill_gradient_fun = ggplot2::scale_fill_gradient2(
    low = "blue", 
    high = "red", 
    midpoint = 200, 
    limits = c(0, 500)
  )
)

Gráficos de líneas

ggplot(rot_berlin,
       aes(x = date,
           y = cases)) +
  geom_line()

Gráficos de líneas con estadísticos descriptivos

library(lubridate)
library(dplyr)

rot_berlin$mes <- month(rot_berlin$date)
rot_berlin$year <- year(rot_berlin$date)
temp_berlin <- rot_berlin %>%
  group_by(mes) %>%
  summarise(n = n(),
            media = mean(TMK),
            desv = sd(TMK),
            s.err = desv/sqrt(n)) 

grafico3 <- ggplot(temp_berlin,
       aes(x = factor(mes),
           y = media,
           group = 1)) +
  geom_point() +
  geom_line() +
  geom_errorbar(aes(ymin = media - s.err,
                    ymax = media + s.err),
                width = .3)
grafico3

Combinando y exportando gráficos de ggplot2

  • Un reto que hemos todos encontrado alguna vez es el de combinar varios gráficos en uno solo.

  • Esto requiere paciencia y el uso de software externo (llámese CorelDraw, Adobe Illustrator, PowerPoint o incluso Paint).

  • La librería complementaria patchwork nos permite combinar gráficos de ggplot2 de una manera sencilla y rápida.

  • Además, gracias a la función ggsave de ggplot2 podemos exportar fácilmente nuestros gráficos sin requerir (ojalá) a la ayuda de software externo para dar retoques finales a estos gráficos.

Combinando gráficos con patchwork

library(patchwork)
graficofinal <- (grafico1 | grafico2) / grafico3
graficofinal + plot_annotation(tag_levels = 'A')

Para más información de las funciones y utilidades de patchwork puedes visitar la página oficial con su documentación y ejemplos.

Exportando gráficos de ggplot

graficofinal_estavezsi <- graficofinal + plot_annotation(tag_levels = 'A')
ggsave("grafico.png", plot = graficofinal_estavezsi)

Antes de terminar…

Anatomía de un ggplot

Imagen tomada de aquí

Más exploración

  • Lo que hemos revisado hasta el momento, son las técnicas más frecuentemente usadas para AED.

  • Sin embargo, existen librerías de R que permiten también hacer AED de una manera automática y más accesible.

  • Como ejemplos, haremos un enfoque en dos librerías que hacen uso de Shiny para brindar esta experiencia al usuario. Estas son explore y dataxray

library(explore)
explore(penguins)

install.packages("devtools")
install.packages("flexdashboard")
devtools::install_github("agstn/dataxray")
library(dataxray)
report_xray(data = penguins, data_name = 'penguins', study = "ggplot2")

Funciones y librerías en esta sesión

Funciones

  • seq genera una secuencia de números.

  • na.omit remueve observaciones perdidas.

  • plot función de ploteo de R base. Produce diversos gráficos, entre ellos: dispersión, líneas y caja y bigotes.

  • par es una función que permite configurar parámetros gráficos de R base. Su uso más común es para setear los cuadrantes del gráfico.

  • plot.new produce un gráfico completamente en blanco en R base. Es útil para rellenar cuadrantes de un gráfico (cuando el número de cuadrantes es par y los gráficos a distribuir por cuadrante es impar).

  • :: operando de localización de objetos. Se lo utiliza para llamar objetos de librerías sin necesidad de cargarlas en la sesión.

Librerías

  • palmerpenguins

  • ggplot2 es un paquete con una basta cantidad de funciones para llevar a cabo gráficos.

    • ggplot es la función que da inicio a todo objeto de ggplot2.

    • geom_ es el prefijo de todas las geometrías de ggplot2.

    • ggsave permite exportar gráficos de ggplot a diferentes formatos como .png, .jpg, .pdf.

  • viridis es un paquete que ofrece 8 paletas de color basadas en secuencias de azul y amarillo (amigable con personas daltónicas).

  • ggsci ofrece paletas de color basadas en journals y series de televisión.

  • finalfit nos permite realizar exploración de los patrones de datos perdidos.

  • GGally es un paquete con funcionalidades extras basadas en ggplot2. Aquí nos enfocamos en su uso para realizar gráficos de matrices de variables.