Franklin Santos: Visualización de datos con ggplot2

Franklin Santos

Comprender los tipos de gráficos y los principios básicos de la gramática de los gráficos. Cree sus primeras visualizaciones con el paquete ggplot2 que incluye diagramas de dispersión, gráficos de líneas y gráficos de barras.

Por qué es importante la visualización de datos

La visualización de datos no solo es importante para comunicar los resultados, sino también una técnica poderosa para el análisis exploratorio de datos. Cada tipo de diagrama, como diagramas de dispersión, gráficos de líneas, gráficos de barras e histogramas, tiene su propio propósito y se puede aprovechar de una manera poderosa utilizando el paquete ggplot2.

Introducción a la visualización de datos

La visualización de datos es la técnica más rápida y poderosa para comprender información nueva y existente. Durante una fase de exploración inicial, los científicos de datos intentan revelar las características subyacentes de un conjunto de datos, como diferentes distribuciones, correlaciones u otros patrones visibles. Este proceso también se denomina análisis exploratorio de datos (EDA) y marca el punto de partida de cada proyecto de ciencia de datos.

Los gráficos producidos durante la EDA muestran al científico de datos las direcciones del viaje por delante. Los patrones revelados pueden inspirar hipótesis sobre los procesos subyacentes, las características del conjunto de datos que se extraerán o las técnicas de modelado que se probarán. Por último, pero no menos importante, las visualizaciones descubren valores atípicos y errores de datos de los que el científico de datos debe ocuparse.

El papel más importante de la visualización de datos es la comunicación de los hallazgos de la ciencia de datos a colegas y clientes a través de presentaciones, informes o paneles. El esfuerzo utilizado para la EDA y las visualizaciones es un tiempo bien invertido, ya que los resultados se pueden utilizar directamente para comunicar los hallazgos.

Tipos de gráficas disponibles

Hay muchos tipos de gráficos disponibles que ayudan a comprender las diferentes características y relaciones en el conjunto de datos.

Durante la fase de análisis de datos exploratorios, normalmente queremos detectar los patrones más obvios observando cada variable de forma aislada o detectando relaciones de variables con otras. El tipo de gráfico utilizado también está determinado por el tipo de datos de las variables de entrada, como numéricas o categóricas.

Gráfico de dispersión

Los gráficos de dispersión se utilizan para visualizar la relación entre dos variables numéricas. La posición de cada punto representa el valor de las variables en los ejes x e y.

Gráficos lineales

Los gráficos de líneas se utilizan para visualizar la trayectoria de una variable numérica contra otra que están conectadas a través de líneas. Son muy adecuados si los valores solo cambian continuamente, como la temperatura con el tiempo.

Gráficos de barras e histogramas

Los gráficos de barras visualizan valores numéricos agrupados por categorías. Cada categoría está representada por una barra con una altura definida por cada valor numérico. Los histogramas son gráficos de barras específicos para resumir el número de apariciones de valores numéricos en un conjunto de rangos de valores (o bins). Suelen utilizarse para determinar la distribución de valores numéricos.

Otros

Presentamos: ggplot2

Debido a la importancia de la visualización para la ciencia de datos y las estadísticas, R ofrece un amplio conjunto de herramientas y paquetes. El lenguaje R básico ya proporciona un rico conjunto de funciones de trazado y tipos de trazado. Estas funciones de trazado requieren que los usuarios especifiquen cómo trazar cada elemento en el lienzo paso a paso. Por el contrario, el paquete ggplot2 permite la especificación de trazados a través de un conjunto de capas de trazado. Esto requiere que el paquete averigüe los pasos necesarios para producir el gráfico.

A través del conjunto predefinido de capas geométricas, facetas y temas, ggplot2 permite a los usuarios crear hermosos gráficos en muy poco tiempo. ggplot2 es también la biblioteca de trazado más adoptada en la comunidad R.

Crea un diagrama de dispersión con ggplot

Realice sus primeros pasos con el paquete ggplot2 para crear un diagrama de dispersión. Utilice la gramática de los gráficos para asignar los atributos del conjunto de datos a su gráfico y conectar diferentes capas con el operador +.

library(ggplot2)
ggplot(___) + 
  geom_point(
    mapping = aes(x = ___, y = ___)
  )

Introducción a los gráficos de dispersión

Los diagramas de dispersión utilizan puntos para visualizar la relación entre dos variables numéricas. La posición de cada punto representa el valor de las variables en los ejes X e Y. Veamos un ejemplo de un diagrama de dispersión para comprender la relación entre la speed y la distancia de frenado de los automóviles:

Cada punto representa un automóvil. Cada automóvil comienza a frenar a una velocidad dada en el eje-y y recorre la distancia que se muestra en el eje-x hasta detenerse por completo. Si echamos un vistazo a todos los puntos de la trama, podemos ver claramente que los coches más rápidos necesitan más distancia para detenerse por completo.

Especificar un conjunto de datos

Para crear gráficos con ggplot2, primero debe cargar el paquete usando la library(ggplot2).

Una vez que se haya cargado el paquete, especifique el conjunto de datos que se utilizará como argumento de la función ggplot(). Por ejemplo, para especificar una gráfica usando el conjunto de datos de cars, puede usar:

library(ggplot2)
library(gapminder)
ggplot(cars)

Tenga en cuenta que este comando no traza nada más que un lienzo gris todavía. Simplemente define el conjunto de datos para el gráfico y crea una base vacía sobre la cual podemos agregar capas adicionales.

Especificando una capa geométrica

Podemos usar las capas geométricas de ggplot (o geoms) para definir cómo queremos visualizar nuestro conjunto de datos. Las geoms utilizan objetos geométricos para visualizar las variables de un conjunto de datos. Los objetos pueden tener múltiples formas como puntos, líneas y barras y se especifican mediante las funciones correspondientes geom_point(), geom_line() y geom_col():

Creando mapeos estéticos

ggplot2 utiliza el concepto de estética, que asigna los atributos del conjunto de datos a las características visuales de la gráfica. Cada capa geométrica requiere un conjunto diferente de asignaciones estéticas, p. Ej. la función geom_point() usa la estética x e y para determinar las coordenadas de los ejes x e y de los puntos a graficar. La estética se asigna dentro de la función aes() para construir las asignaciones finales.

Para especificar una capa de puntos que traza la velocidad variable en el eje-x y la distancia dist en el eje-y, podemos escribir:

geom_point(
  mapping = aes(x=speed, y=dist)
)

La expresión anterior construye una capa geométrica. Sin embargo, esta capa actualmente no está vinculada a un conjunto de datos y no produce una gráfica. Para vincular la capa con un objeto ggplot que especifica el conjunto de datos de cars, necesitamos conectar el objeto ggplot(cars) con la capa geom_point() usando el operador +:

ggplot(cars) + 
  geom_point(
    mapping = aes(x=speed, y=dist)
  )

A través del enlace, ggplot() sabe que las variables de speed y dist asignadas se toman del conjunto de datos de cars. geom_point() instruye a ggplot para trazar las variables mapeadas como puntos.

Los pasos necesarios para crear un diagrama de dispersión con ggplot se pueden resumir de la siguiente manera:

Especificar estética adicional para puntos

ggplot2 implementa la gramática de gráficos para mapear atributos de un conjunto de datos para trazar características a través de la estética. Este marco se puede utilizar para ajustar el tamaño de punto, el color y la transparencia alpha de los puntos en un diagrama de dispersión.

ggplot(___) + 
  geom_point(
    mapping = aes(x = ___, y = ___, 
                  color = ___, 
                  size  = ___),
    alpha  = ___
  )

Añadiendo más estética a la trama

En su forma más básica, los diagramas de dispersión solo pueden visualizar conjuntos de datos en dos dimensiones a través de la estética x e y de la capa geom_point(). Sin embargo, la mayoría de los conjuntos de datos tienen más de dos variables y, por lo tanto, pueden requerir dimensiones de trazado adicionales. ggplot() hace que sea muy fácil mapear variables adicionales a diferentes estéticas de trazado como size, transparencia alpha y color.

Consideremos el conjunto de datos gapminder_2007 que contiene las variables PIB per cápita gdpPercap y esperanza de vida lifeExp para 142 países en el año 2007:

library(tidyverse)
library(gapminder)
## select data
gapminder_2007 <- gapminder%>%
  filter(year == 2007)

ggplot(gapminder_2007) + 
  geom_point(aes(x = gdpPercap, y = lifeExp))

Al mapear la variable continent a través de la estética del color del punto y la población pop (en millones) a través del tamaño del punto size, obtenemos una gráfica mucho más rica que incluye 4 variables diferentes del conjunto de datos:

Ajuste del color del punto

Normalmente, el color del punto se utiliza para introducir una nueva dimensión en un diagrama de dispersión. En ggplot usamos la estética del color para especificar el mapeo de una variable al color de los puntos.

Para el conjunto de datos gapminder_2007 podemos trazar el PIB per cápita gdpPercap frente a la esperanza de vida lifeExp de la siguiente manera:

ggplot(gapminder_2007) + 
  geom_point(aes(x = gdpPercap, y = lifeExp))

Para colorear cada punto en función del continent de cada país podemos utilizar:

ggplot(gapminder_2007) + 
  geom_point(aes(x = gdpPercap, y = lifeExp,
                 color = continent))

Vemos que en la trama resultante cada punto está coloreado de manera diferente según el continent de cada país. ggplot usa el esquema de coloración basado en el tipo de datos categóricos de la variable continent.

Por el contrario, veamos cómo se ve el gráfico si coloreamos los puntos por el pop de población de la variable numeric:

ggplot(gapminder_2007) + 
  geom_point(aes(x = gdpPercap, y = lifeExp,
                 color = pop))

La escala cambia inmediatamente a continua como se puede ver en la leyenda y los puntos celestes son ahora los países con mayor número de población (China e India).

Ajustar el tamaño del punto

Para el conjunto de datos de gapminder_2007 podemos trazar el PIB per cápita gdpPercap frente a la esperanza de vida de la siguiente manera:

ggplot(gapminder_2007) + 
  geom_point(aes(x = gdpPercap, 
                 y = lifeExp))

Para ajustar el tamaño de puntos en función de la población (pop) de cada país, podemos usar:

ggplot(gapminder_2007) + 
  geom_point(aes(x = gdpPercap, y = lifeExp,
                 size = pop))

Vemos que los tamaños de puntos en el gráfico anterior no reflejan claramente las diferencias de población en cada país. Si comparamos el tamaño en puntos que representa una población de 250 millones de personas con el que muestra 750 millones, podemos ver que sus tamaños no son proporcionales. En su lugar, los tamaños en puntos están agrupados de forma predeterminada. Para reflejar las diferencias de población reales por el tamaño de puntos, podemos usar la función scale_size_area() en su lugar. La información de escala se puede agregar como cualquier otro objeto ggplot con el operador +:

ggplot(gapminder_2007) + 
  geom_point(aes(x = gdpPercap, y = lifeExp,
                 color = continent,
                 size = pop)) + 
  scale_size_area(max_size = 10)

Tenga en cuenta que hemos ajustado el tamaño del punto con max_size, lo que da como resultado tamaños de punto más grandes.

Establecer la estética global: transparencia

Trazar muchos puntos con coordenadas X e Y similares en un gráfico puede producir nubes de puntos densas. Muchos puntos en estas nubes están sobretrazados y el número real de observaciones en un área determinada ya no es visible. Como solución, podemos establecer la transparencia de cada punto usando el parámetro ggplot alpha.

Dado que no queremos establecer la transparencia del punto individualmente para cada punto sino globalmente para todos los puntos, no establecemos el parámetro alpha como un mapeo estético (dentro de aes()) sino fuera.

Establecemos la opacidad de cada punto al 50% a través del parámetro alpha outside como parámetro constante:

ggplot(gapminder_2007) + 
  geom_point(aes(x = gdpPercap, y = lifeExp, size = pop), 
             alpha = 0.5)

Ahora podemos ver claramente cuántos puntos se superponen entre sí y la opacidad de cada punto se establece en 0.5.

Crea un gráfico de líneas con ggplot

Use la estética geom_line() para dibujar gráficos de líneas y personalizar su estilo usando el parámetro color. Especifique qué coordenadas usar para cada línea con el parámetro group.

ggplot(___) + 
  geom_line(
    mapping = aes(x = ___, y = ___, 
                  group = ___, 
                  color = ___)
)

Introducción a los gráficos lineales

Los gráficos de líneas se utilizan para visualizar la trayectoria de una variable numérica contra otra. A diferencia de los diagramas de dispersión, las coordenadas x e y no se visualizan a través de puntos, sino que están conectadas a través de líneas. Los gráficos de líneas se utilizan con mayor frecuencia si una variable cambia continuamente contra otra variable numérica, como es el caso de la mayoría de los gráficos de series de tiempo (por ejemplo, precios, clientes, concentración de CO2, temperatura a lo largo del tiempo), funciones continuas (por ejemplo, sinusoidal (x)) u otras relaciones casi continuas (curvas de oferta/demanda del mundo real).

Crear un gráfico lineal simple

Japón se encuentra entre los países con mayor esperanza de vida. Utilizando el conjunto de datos gapminder_japan, determinamos cómo se ha desarrollado la esperanza de vida en Japón a lo largo del tiempo. Necesitamos que:

Tenga en cuenta que la biblioteca ggplot2 debe cargarse primero con library(ggplot2).

library(ggplot2)
gapminder_japan <- gapminder %>%
  filter(country == "Japan")
## gráfica
ggplot(gapminder_japan) + 
  geom_line(
    mapping = aes(x = year, y = lifeExp)
)

Agregar más líneas

Hasta ahora solo nos hemos centrado en líneas simples, pero ¿qué pasa si tenemos varios países en el conjunto de datos y queremos diferenciarlos de alguna manera?

Los gráficos de líneas a menudo se amplían y se utilizan para comparar dos o más líneas. Los gráficos de líneas múltiples muestran las diferencias absolutas entre las observaciones, pero también cómo las trayectorias específicas se relacionan entre sí. Por ejemplo, respondamos a la pregunta: ¿Cómo ha cambiado la esperanza de vida en los países Austria y Hungría a lo largo del tiempo?

Primero filtramos el conjunto de datos para ambos países de interés. Luego, establecemos la variable country como argumento de group para el mapeo estético. El argumento de grupo le dice a ggplot qué observaciones pertenecen juntas y deben conectarse a través de líneas. Al especificar la variable country, ggplot crea una línea separada para cada país. Para que las líneas sean más fáciles de distinguir, también asignamos color a country para que cada línea de país tenga un color diferente.

gapminder_comparison <- 
  filter(gapminder, country %in% c("Austria", "Hungary"))

ggplot(data = gapminder_comparison) + 
  geom_line(mapping = aes(x = year, y = lifeExp, 
                          group = country, 
                          color = country)
            )

Tenga en cuenta que ggplot también separa las líneas correctamente si solo se especifica la asignación color (el parámetro group se establece implícitamente).

Crea tu primer gráfico de barras

ggplot(___) + 
  geom_col(
    mapping = aes(x = ___, y = ___, 
                  fill = ___)
 )

Introducción a los gráficos de barras

Los gráficos de barras visualizan valores numéricos agrupados por categorías. Cada categoría está representada por una barra con una altura definida por cada valor numérico.

Los gráficos de barras son adecuados para comparar valores entre diferentes grupos, p. Ej. número de votos por partidos, número de personas en diferentes países o PIB per cápita en diferentes países. Los gráficos de barras son un poco espaciosos y funcionan mejor si el número de grupos a comparar es bastante pequeño.

A continuación, puede encontrar un ejemplo que muestra la cantidad de personas (en millones) en los cinco países más grandes por población en 2007:

Crear un gráfico de barras simple

En ggplot2, los gráficos de barras se crean utilizando la capa geométrica geom_col(). La capa geom_col() requiere el mapeo estético x que define las diferentes barras a trazar. La altura de cada barra está definida por la variable especificada en el mapeo estético y. Ambas asignaciones, x e y, son necesarias para geom_col().

Creemos nuestro primer gráfico de barras con el conjunto de datos gapminder_top5. Contiene datos de población (en millones) y esperanza de vida de los países más grandes por población en 2007.

gapminder_top5 <- gapminder %>%
  filter(year == 2007) %>%
  slice_max(pop, n=5)

ggplot(gapminder_top5) + 
  geom_col(aes(x = country, y = pop))

Vemos que las barras resultantes están ordenadas por los nombres de los países en orden alfabético por defecto.

Llenado de barras de color

Al igual que otras geoms, geom_col() permite a los usuarios asignar variables de conjuntos de datos adicionales al atributo de color de la barra. La estética fill se puede utilizar para llenar de color todas las barras. Una confusión habitual es la estética color que especifica el color de la línea del borde de cada barra en lugar del color fill.

Según el conjunto de datos gapminder_top5, trazamos la población (en millones) de los países más grandes y usamos la variable continent para colorear cada barra:

ggplot(gapminder_top5) + 
  geom_col(aes(x = country, y = pop, fill = continent))

Dado que la variable continent es una variable categórica, las barras tienen un esquema de color claro para cada continente. Veamos qué sucede si usamos una variable numérica como la esperanza de vida lifeExp en su lugar:

ggplot(gapminder_top5) + 
  geom_col(aes(x = country, y = pop, fill = lifeExp))

Los colores de las barras ahora han cambiado según la leyenda continua de la derecha. Vemos que también se pueden utilizar variables numéricas para rellenar barras.

Gráficos de barras apiladas

En algunas circunstancias, puede resultar útil trazar múltiples variables de valores numéricos dentro de cada barra. Los ejemplos son valores numéricos que describen una entidad específica (por ejemplo, clientes) dividida entre varias categorías (segmentos de clientes) de modo que la altura de la barra representa el número total (todos los clientes).

El siguiente gráfico muestra la cantidad de teléfonos (en miles) por continente desde 1956 hasta 1961 como un gráfico de barras apiladas:

## Ordenando la base de dato
world_phones <- WorldPhones %>%
  as.data.frame() %>%
  rownames_to_column("Year") %>%
  pivot_longer(cols=-Year, names_to="region", values_to="phones") %>%
  filter(Year >1955)

ggplot(world_phones) + 
  geom_col(aes(x = Year, y = phones,
               fill = region))

Visualización de datos con ggplot2

Author

Affiliation

Published

Citation