Creando gráficas con calidad para publicación con ggplot2

Hoja de ruta

Leccion: 60 min
Prácticas: 20 min

Preguntas

• ¿Cómo puedo crear gráficas con calidad para publicación en R?

Objetivos

• Ser capaz de utilizar ggplot2 para generar gráficas con calidad para publicación.

• Entender la gramática básica de las gráficas, incluyendo estética y capas geométricas, agregando estadísticas, transformando las escalas y los colores, o dividiendo por grupos.

Graficar nuestros datos es una de las mejores maneras para explorarlos y para observar las relaciones que existen entre las variables.

En R existen tres sistemas principales encargados de hacer gráficos, el sistema base plotting system, el paqute lattice y el paquete ggplot2.

Hoy aprenderemos un poco acerca del paquete ggplot2, este sistema es el más efectivo para crear gráficas con calidad para publicación.

ggplot2 se construyó basándose en la gramática de gráficos, es decir, en la idea de que cualquier gráfico puede expresarse a partir del mismo set de componentes: un set de datos, un sistema coordinado, y un set de geoms – que corresponden a la representación visual de cada dato.

La clave para entender ggplot2 es pensar en una figura como un conjunto de capas. Esta idea podría resultarte familiar si has usado un programa de edición de imágenes como Photoshop, Illustrator, o Inkscape.

Comencemos con un ejemplo:

library("ggplot2")
ggplot(data = gapminder, aes(x = gdpPercap, y = lifeExp)) +
  geom_point()

La primera cosa que hacemos es llamar a la función ggplot. Esta función le dice a R que estamos creando una nueva gráfica, todos los argumentos que le pasemos a la función ggplot serán considerados como opciones globales en nuestra gráfica: lo cual significa que estas opciones son válidas para todas las capas de la gráfica.

En este ejemplo, le hemos pasado dos argumentos a ggplot. Primero, le decimos a ggplot cuáles son los datos que queremos mostrar en nuestra figura, en este ejemplo usaremos los datos de gapminder que cargamos anteriormente. Como segundo argumento, le pasamos la función aes, la cual le dice a ggplot como es que cada una de las variables en los datos se relacionan con las propiedades aesthetic (estéticas) de la figura, en este caso los valores que tomarán x y y. En este ejemplo, le dijimos a ggplot que queremos graficar la columna “gdpPercap” del dataframe gapminder en el eje X, y la columna “lifeExp” en el eje Y. Nota que no necesitamos indicar explícitamente estas columnas en la función aes (e.g. x = gapminder[, "gdpPercap"]), esto es debido a que ggplot es suficientemente listo para buscar esa columna en los datos!

Por sí mismo, llamar a la función ggplot no es suficiente para dibujar una figura:

ggplot(data = gapminder, aes(x = gdpPercap, y = lifeExp))

Necesitamos decirle a ggplot cómo queremos representar visualmente los datos, esto lo hacemos al agregar una nueva capa geom. En nuestro ejemplo, usamos geom_point, la cual le indica a ggplot que queremos representar visualmente la relación entre x y y como un gráfico de dispersión de los puntos (scatterplot) .

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

Desafío 1

Modifica el ejemplo anterior de manera que en la figura se muestre como la esperanza de vida ha cambiado a través del tiempo:

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

Pista: El dataset gapminder tiene una columna llamada “year”, la cual debe aparecer en el eje X.

Solución al desafío 1

Modifica el ejemplo de manera que en la figura se muestre como la esperanza de vida ha cambiado a través del tiempo:

Esta es una posible solución:

ggplot(data = gapminder, aes(x = year, y = lifeExp)) + geom_point()

Desafío 2

En los ejemplos y desafíos anteriores hemos usado la función aes para decirle al geom_point cuáles serán las posiciones x y y para cada punto. Otra propiedad aesthetic que podemos modificar es el color. Modifica el código del desafío anterior para colorear los puntos de acuerdo a la columna “continent”. ¿Qué tendencias observas en los datos? ¿Son lo que esperabas?

Solución al desafío 2

En los ejemplos y desafios anteriores hemos usado la función aes para decirle al geom_point cuáles serán las posiciones x y y para cada punto. Otra propiedad aesthetic que podemos modificar es el color. Modifica el código del desafío anterior para colorear los puntos de acuerdo a la columna “continent”. ¿Qué tendencias observas en los datos? ¿Son lo que esperabas?

ggplot(data = gapminder, aes(x = year, y = lifeExp, color=continent)) +
  geom_point()

Capas

Un gráfico de dispersión probablemente no es la mejor manera de visualizar el cambio a través del tiempo. En vez de eso, vamos a decirle a ggplot que queremos visualizar los datos como un diagrama de línea (line plot):

ggplot(data = gapminder, aes(x=year, y=lifeExp, by=country, color=continent)) +
  geom_line()

En vez de agregar una capa geom_point, hemos agregado una capa geom_line. Además, hemos agregado el aesthetic by, el cual le dice a ggplot que debe dibujar una línea para cada país.

Pero, ¿qué pasa si queremos visualizar ambos, puntos y líneas en la misma gráfica? Simplemente tenemos que agregar otra capa a la gráfica:

ggplot(data = gapminder, aes(x=year, y=lifeExp, by=country, color=continent)) +
  geom_line() + geom_point()

Es importante notar que cada capa se dibuja encima de la capa anterior. En este ejemplo, los puntos se han dibujado sobre las líneas. A continuación observamos una demostración:

ggplot(data = gapminder, aes(x=year, y=lifeExp, by=country)) +
  geom_line(aes(color=continent)) + geom_point()

En este ejemplo, el mapeo aesthetic de color se ha movido de las opciones globales de la gráfica en ggplot a la capa geom_line y, por lo tanto, ya no es válido para los puntos. Ahora podemos ver claramente que los puntos se dibujan sobre las líneas.

Sugerencia: Asignando un aesthetic a un valor en vez de a un mapeo

Hasta ahora,hemos visto como usar un aesthetic (como color) como un mapeo entre una variable de los datos y su representación visual. Por ejemplo, cuando usamos geom_line(aes(color=continent)), ggplot le asignará un color diferente a cada continente. Pero, ¿qué tal si queremos cambiar el color de todas las líneas a azul? Podrías pensar que geom_line(aes(color="blue")) debería funcionar, pero no es así. Dado que no queremos crear un mapeo hacia una variable específica, simplemente debemos cambiar la especificación de color afuera de la función aes(), de esta manera: geom_line(color="blue").

Desafío 3

Intercambia el orden de las capas de los puntos y líneas del ejemplo anterior. ¿Qué sucede?

Solución a desafío 3

Intercambia el orden de las capas de los puntos y líneas del ejemplo anterior. ¿Qué sucede?

ggplot(data = gapminder, aes(x=year, y=lifeExp, by=country)) +
 geom_point() + geom_line(aes(color=continent))

¡Las líneas ahora están dibujadas sobre los puntos!

Transformaciones y estadísticas

ggplot también facilita sobreponer modelos estadísticos a los datos. Para demostrarlo regresaremos a nuestro primer ejemplo:

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

En este momento es difícil ver las relaciones entre los puntos debido a algunos valores altamente atípicos de la variable GDP per capita. Podemos cambiar la escala de unidades del eje X usando las funciones de escala. Estas funcionaes controlan la relación entre los valores de los datos y los valores visuales de un aesthetic. También podemos modificar la transparencia de los puntos, usando la función alpha, la cual es especialmente útil cuando tienes una gran cantidad de datos fuertemente conglomerados.

ggplot(data = gapminder, aes(x = gdpPercap, y = lifeExp)) +
  geom_point(alpha = 0.5) + scale_x_log10()

La función log10 aplica una transformación sobre los valores de la columna gdpPercap antes de presentarlos en la gráfica, de manera que cada múltiplo de 10 ahora corresponde a un incremento de 1 en la escala transformada, e.g. un GDP per capita de 1,000 se convierte en un 3 en el eje Y, un valor de 10,000 corresponde a un valor de 4 en el eje Y, y así suciesivamente. Esto facilita visualizar la dispersión de los datos sobre el eje X.

Sugerencia Recordatorio: Asignando un aesthetic a un valor en vez de a un mapeo

Nota que usamos geom_point(alpha = 0.5). Como la sugerencia anterior menciona, cambiar una especificación afuera de la función aes() causará que este valor sea usado para todos los puntos, que es exactamente lo que queremos en este caso. Sin embargo, como cualquier otra especificación aesthetic, alpha puede ser mapeado hacia una variable de los datos. Por ejemplo, podemos asignar una transparencia diferente a cada continente usando geom_point(aes(alpha = continent)).

Podemos ajustar una relación simple a los datos agregando otra capa, geom_smooth:

ggplot(data = gapminder, aes(x = gdpPercap, y = lifeExp)) +
  geom_point() + scale_x_log10() + geom_smooth(method="lm")

Podemos hacer la línea más gruesa configurando el aesthetic tamaño en la capa geom_smooth:

ggplot(data = gapminder, aes(x = gdpPercap, y = lifeExp)) +
  geom_point() + scale_x_log10() + geom_smooth(method="lm", size=1.5)

Existen dos formas en las que un aesthetic puede ser especificado. Aquí configuramos el aesthetic tamaño pasándolo como un argumento a geom_smooth. Previamente en la lección habíamos usado la función aes para definir un mapeo entre alguna variable de los datos y su representación visual.

Desafío 4a

Modifica el color y el tamaño de los puntos en la capa puntos en el ejemplo anterior

Pista: No uses la función aes.

Solución al desafío 4a

Modifica el color y el tamaño de los puntos en la capa puntos en el ejemplo anterior

Pista: No uses la función aes.

ggplot(data = gapminder, aes(x = gdpPercap, y = lifeExp)) +
 geom_point(size=3, color="orange") + scale_x_log10() +
 geom_smooth(method="lm", size=1.5)
```> {: .solution}
{: .challenge}


> ## Challenge 4b
>
> Modifica tu solución al Desafío 4a de manera que ahora los puntos
> tengan una forma diferente y estén coloreados de acuerdo al continente
> incluyendo líneas de tendencia.
>
> Pista: El argumento color puede ser usado dentro de **aesthetic**
>
## Solución al desafío 4b

Modifica tu solución al Desafío 4a de manera que ahora los puntos
tengan una forma diferente y estén coloreados de acuerdo al continente
incluyendo líneas de tendencia.

Pista: El argumento color puede ser usado dentro de **aesthetic**

Error: attempt to use zero-length variable name

ggplot(data = gapminder, aes(x = gdpPercap, y = lifeExp, color = continent)) +
geom_point(size=3, shape=17) + scale_x_log10() +
geom_smooth(method="lm", size=1.5)

Figuras Multi-panel

Anteriormente visualizamos el cambio en la esperanza de vida a lo largo del tiempo para cada uno de los países en una sola gráfica. Como una alternativa, podemos dividir esta gráfica en múltiples paneles al agregar una capa facet. Enfocándonos únicamente en aquellos países con nombres que empiezan con la letra “A” o “Z”.

Pista

Empezamos por subdividir los datos. Usamos la función substr para extraer una parte de una secuencia de caracteres; extrayendo las letras que ocurran de la posición start hasta stop, inclusive, del vector gapminder$country. El operador %in% nos permite hacer múltiples comparaciones y evita que tengamos que escribir una condición muy larga para subdividir los datos (en este caso, starts.with %in% c("A", "Z") es equivalente a starts.with == "A" | starts.with == "Z")

starts.with <- substr(gapminder$country, start = 1, stop = 1)
az.countries <- gapminder[starts.with %in% c("A", "Z"), ]
ggplot(data = az.countries, aes(x = year, y = lifeExp, color=continent)) +
  geom_line() + facet_wrap( ~ country)

La capa facet_wrap toma una “fórmula” como argumento, lo cual se indica por la tilde (~). Esto le dice a R que debe dibujar un panel para cada valor único de la columna “country” del dataset gapminder.

Modificando texto

Para limpiar esta figura y que quede lista para publicación necesitamos cambiar algunos elementos de texto. El eje X está demasiado saturado, y el nombre del eje Y debería ser “Esperanza de vida”, en vez del nombre que aparece para esa columna en el dataframe.

Podemos hacer todo lo anterior agregando un par de capas. La capa theme controla el texto de los ejes, y el tamaño del texto. Las etiquetas de los ejes, el título de la gráfica y el título para todas las leyendas pueden ser configurados utilizando la función labs. Los títulos de las leyendas son configurados haciendo referencia a los mismos nombres que utilizamos en la especificación aes. Entonces, en el siguiente ejemplo el título de la leyenda de los colores de las líneas se define utilizando color = "Continent", mientras que el título de la legenda del color del relleno se definiría utilizando fill = "MyTitle".

ggplot(data = az.countries, aes(x = year, y = lifeExp, color=continent)) +
  geom_line() + facet_wrap( ~ country) +
  labs(
    x = "Year",              # x axis title
    y = "Life expectancy",   # y axis title
    title = "Figure 1",      # main title of figure
    color = "Continent"      # title of legend
  ) +
  theme(axis.text.x=element_blank(), axis.ticks.x=element_blank())

Esta lección es una prueba de lo que puedes hacer utilizando ggplot2. RStudio proporciona un cheat sheet realmente útil de las diferentes capas disponibles, una documentación más extensa se encuentra disponible en el ggplot2 website. Finalmente, si no tienen idea de cómo cambiar algún detalle, una búsqueda rápida en Google te llevarán a Stack Overflow donde encuentras preguntas y respuestas con ¡código reusable que puedes modificar!

Desafío 5

Crea una gráfica de densidad de GDP per capita, en la que el color del relleno cambie por continente

Avanzado:

• Transforma el eje X para visualizar mejor la dispersión de los datos.
• Agrega una capa facet para generar gráficos de densidad con un panel para cada año.

Solución al desafío 5

Crea una gráfica de densidad de GDP per capita, en la que el color del relleno cambie por continente

Avanzado:

• Transforma el eje X para visulaizar mejor la dispersión de los datos.
• Agrega una capa facet para generar gráficos de densidad con un panel para cada año.

ggplot(data = gapminder, aes(x = gdpPercap, fill=continent)) +
 geom_density(alpha=0.6) + facet_wrap( ~ year) + scale_x_log10()

Puntos Clave

• Usar ggplot2 para crear gráficas.

• Piensa cada gráica como capas: estética, geometría, estadisticas, transformaciones de escala, y agrupamiento.