Gráficos con ggplot2: Primeras ideas

Módulo práctico de ITA
(Grupo M)

Pedro J. Pérez

pedro.j.perez@uv.es

Gráficos chulos con ggplot2

Uno de los mejores (que dices!?, el MEJOR!!!) sistema gráfico del MUNDO.

el análisis gráfico es fundamental

El análisis gráfico es fundamental al presentar resultados, pero también en el análisis exploratorio: permite descubrir relaciones entre variables, y descartar o sugerir nuevas preguntas sobre los datos.

R tiene varios sistemas gráficos, pero usaremos ggplot2 porque ahora mismo es el estándar
ggplot2 es un paquete de R para producir gráficos estadísticos.
Bueno, en realidad es todo un ecosistema. Mira sus extensiones [aquí].

usaremos los datos de `iris`

En estas slides usaremos iris, unos datos que vienen con R: no hay que cargarlos, ya están ahí
Son las medidas de 150 flores de lirio (iris en inglés) de 3 especies: setosa, versicolor y virginica (50 de cada)
Tienen 5 variables: el largo y el ancho del sépalo (Sepal.Length, Sepal.Width) y del pétalo (Petal.Length, Petal.Width), en cm, y la especie (Species)

¿Te acuerdas de slice()? Así vemos un par de flores de cada especie:

iris %>% 
  slice(c(1, 2, 51, 52, 101, 102)) %>% 
  gt::gt()

Sepal.Length	Sepal.Width	Petal.Length	Petal.Width	Species
5.1	3.5	1.4	0.2	setosa
4.9	3.0	1.4	0.2	setosa
7.0	3.2	4.7	1.4	versicolor
6.4	3.2	4.5	1.5	versicolor
6.3	3.3	6.0	2.5	virginica
5.8	2.7	5.1	1.9	virginica

¿qué vemos en el gráfico de abajo?

gráfico de puntos
se representan 3 variables:
- Sepal.Length en el eje X
- Petal.Length en el eje Y
- Species en el color de los puntos

Importante para entender ggplot2 [ 🌟 ]

Un gráfico tiene 3 componentes principales:

los datos que se van a representar (ggplot() )
un conjunto de propiedades estéticas asociadas a variables del conjunto de datos. Por ejemplo, la posición en el eje X está asociada a la variable Sepal.Length, el color de los puntos está asociado a los valores de la variable Species. ( aes() )
el elemento geométrico que se va a representar. En nuestro caso son puntos (geom_point() ), pero podrían haber sido las líneas (geom_line() ) o …

sintaxis de ggplot2 [ 🌟 ]

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

Gráfico en slow-motion!

iris %>%

iris %>% 
ggplot() +

iris %>% 
ggplot() + 
   aes(x = Sepal.Length) +

iris %>% 
ggplot() + 
   aes(x = Sepal.Length) +
   aes(y = Petal.Length) +

iris %>% 
ggplot() + 
   aes(x = Sepal.Length) +
   aes(y = Petal.Length) +
   aes(color = Species)  +

iris %>% 
ggplot() + 
   aes(x = Sepal.Length) +
   aes(y = Petal.Length) +
   aes(color = Species)  + 
  geom_point()

#>   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

La forma habitual(!) de escribirlo es:

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

IMAGINA qué hacen las siguientes instrucciones. Después las ejecutas.

Tarea
1
2
3
4

#- Fíjate: sólo hay 2 variables en aes() --
ggplot(data = iris, aes(x = Sepal.Length, y = Petal.Length)) + 
  geom_point()

#- Fíjate: ahora usamos geom_line() --
ggplot(data = iris, aes(x = Sepal.Length, y = Petal.Length)) + 
  geom_line()

#- Fíjate: ahora usamos 2 geom_xx() --
ggplot(data = iris, aes(x = Sepal.Length, y = Petal.Length)) + 
  geom_point() + geom_smooth()

#- Fíjate: ahora hay argumentos dentro de geom_point(). Uno de ellos es `color` --
ggplot(data = iris, aes(x = Sepal.Length, y = Petal.Length)) + 
  geom_point(color = "red", size = 2, alpha = 0.2)

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

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

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

ggplot(data = iris, aes(x = Sepal.Length, y = Petal.Length)) + 
  geom_point(color = "red", size = 2, alpha = 0.2)

Entendiendo un poco más ggplot2

Ya tenemos las primeras ideas sobre ggplot2, ahora se trata de profundizar un poco para que podamos tener más control y flexibilidad al hacer nuestros gráficos.

vamos a profundizar un poco más en ggplot2

Es importante que veas que estas 3 expresiones hacen el mismo gráfico:

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

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

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

Bueno, sí ¿Y qué más da? Pues importa y muuuuccho.
Esto nos va a dar mucha flexibilidad/control a nuestros gráficos. Lo veremos

¿qué hacen estas 3 expresiones?

ggplot(data = iris, aes(x = Sepal.Length, y = Petal.Length, color = Species)) + 
  geom_point() + geom_smooth()

ggplot(data = iris, aes(x = Sepal.Length, y = Petal.Length)) + 
  geom_point(aes(color = Species)) + geom_smooth()

ggplot(data = iris, aes(x = Sepal.Length, y = Petal.Length)) + 
  geom_point() + geom_smooth(aes(color = Species))

¿por qué no funciona esta expresión?

ggplot() +
  geom_point(data = iris, 
             aes(x = Sepal.Length, y = Petal.Length)) + 
   geom_line(aes(x = Sepal.Length, y = Petal.Length))
#> Error in `geom_line()`:
#> ! Problem while computing aesthetics.
#> ℹ Error occurred in the 2nd layer.
#> Caused by error:
#> ! objeto 'Sepal.Length' no encontrado

geom_line() no sabe qué datos usar: iris solo se ha indicado dentro de geom_point(), no en ggplot()

Mapear vs fijar: ¿dentro o fuera de `aes()`? [ 🌟 ]

Mapear (dentro de aes()): el color depende de una variable → ggplot2 crea una leyenda

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

Fijar (fuera de aes()): el color es un valor fijo para todos los puntos → no hay leyenda

ggplot(data = iris, 
       aes(x = Sepal.Length, y = Petal.Length)) + 
  geom_point(color = "purple")

otra estética: `size` dentro y fuera de `aes()`

Mapear (dentro de aes()): el tamaño depende de una variable (aquí, la especie) → ggplot2 crea una leyenda

ggplot(data = iris, 
       aes(x = Sepal.Length, y = Petal.Length)) + 
  geom_point(aes(size = Species, color = Species))

Fijar (fuera de aes()): el tamaño es un valor fijo para todos los puntos → no sale en la leyenda (solo el color)

ggplot(data = iris, 
       aes(x = Sepal.Length, y = Petal.Length)) + 
  geom_point(aes(color = Species), size = 3)

¿veremos alguna vez otros gráficos?

SÍ!!!! en las siguientes slides haremos gráficos de líneas, de puntos (X-Y) y de barras. Y ya no con iris, sino con los datos de gapminder
Si no puedes esperarte ve a la R Graph Gallery o a la galería de extensiones de ggplot2

para hacer otros gráficos tendremos que usar otros geom_xx()

Por ejemplo:

geom_line()
geom_bar()
geom_col()
geom_density()
geom_path()
geom_map()
geom_raster()
geom_rug()
… y muchos más

Resumen

Todo lo que hemos visto, en un solo gráfico:

1ggplot(data = iris,
2       aes(x = Sepal.Length,
3           y = Petal.Length)) +
4  geom_point(aes(color = Species),
5             size = 3)

1: Los datos
2: Las estéticas: qué variable va en cada eje. Como están en ggplot(), valen para todos los geoms
3: Las partes del gráfico se van añadiendo con +
4: El geom: puntos. Con color dentro de aes(), el color depende de una variable
5: Con size fuera de aes(), el tamaño es un valor fijo, el mismo para todos los puntos

Para hacer otros tipos de gráficos usaremos otros geom_xx(): geom_line(), geom_col(), … Lo veremos en las siguientes slides