Sesija 07: {ggplot2} i vizuelizacija podataka

Fidbek se upućuje na goran.milovanovic@datakolektiv.com. Ova sveščica prati kurs Uvod u R programiranje za analizu podataka 2020/21.

U Sesiji 07 bavimo se vizuelizacijom podataka u programskom jeziku R kroz {tidyverse} paket {ggplot2}.

0. Osnove: gramatika grafike u {ggplot2}

library(tidyverse)

Podaci sa Interneta: Inside Airbnb:

file_url <- 
  "http://data.insideairbnb.com/the-netherlands/north-holland/amsterdam/2022-01-06/visualisations/listings.csv"
listings <- read.csv(file_url, 
                     header = TRUE,
                     check.names = FALSE, 
                     stringsAsFactors = FALSE)
listings

Koji tipovi soba postoje u listings?

roomTypes <- as.data.frame(
  table(listings$room_type)
  )
colnames(roomTypes) <- c('room_type', 'count')
roomTypes

Hajde da to vizuelizujemo:

ggplot(data = roomTypes, 
       aes(x = room_type, 
           y = count)
       ) + 
  geom_bar(stat = 'identity', fill = "cadetblue3") +
  xlab('Room type') + 
  ylab('Count') +
  ggtitle('Room type distribution in Airbnb Listings') + 
  theme_bw() + 
  theme(panel.border = element_blank())

Idemo korak po korak da vidimo kako je izgrađena struktura ovog grafikona.

Prvo, bez upotrebe geoma, dobijamo samo “plan” grafike: {ggplot2} prepoznaje koje varijable koristimo i koje su, okvirno, njihove skale; mapira ih na horizontalnu i vertikalnu osu.

ggplot(data = roomTypes, 
       aes(x = room_type, 
           y = count)
       )

Geomi su oni što {ggplot2} omogućava da razume kako želimo nešto da vizuelizuju. Geomi su njegovi “glagoli”, “predikati”, i imaju jasno određenu semantiku: hoćemo bar plot, ili hoćemo tačke, ili linije, etc.

ggplot(data = roomTypes, 
       aes(x = room_type, y = count)) + 
  geom_bar(stat = 'identity', 
           color = "black",
           fill = "darkred")

Dodajemo naslov sa ggtitle() funkcijom:

ggplot(data = roomTypes, 
       aes(x = room_type, y = count)) + 
  geom_bar(stat = 'identity', fill = "cadetblue3") +
  xlab('Room type') + 
  ylab('Count') +
  ggtitle('Room type distribution in Airbnb Listings')

U trećem koraku koristimo funkciju theme() kako bismo doterali precizno elemente grafikona: dok geomi opisuju kako hoćemo da predstavimo podatke, u theme() se bavimo više estetikom i ergonomijom.

ggplot(data = roomTypes, 
       aes(x = room_type, y = count)) + 
  geom_bar(stat = 'identity', fill = "cadetblue3") +
  xlab('Room type') + 
  ylab('Count') +
  ggtitle('Room type distribution in Airbnb Listings') + 
  theme_bw()

I doterujemo još, centrirajući naslov sa theme():

ggplot(data = roomTypes, 
       aes(x = room_type, y = count)) + 
  geom_bar(stat = 'identity', fill = "cadetblue3") +
  xlab('Room type') + 
  ylab('Count') +
  ggtitle('Room type distribution in Airbnb Listings') + 
  theme_bw() + 
  theme(panel.border = element_blank()) + 
  theme(plot.title = element_text(hjust = 0.5))

Da biste naučili upotrebu theme() - što je na ivici nemogućeg jer kroz nju kontrolišemo baš sve zamislive elemente neke {ggplot2} vizuelizacije - obratite pažnju na ovaj pregled njene sintakse: Modify components of a theme.

ggplot(data = roomTypes, 
       aes(x = room_type, y = count)) + 
  geom_bar(stat = 'identity', fill = "cadetblue3") +
  xlab('Room type') + 
  ylab('Count') +
  ggtitle('Room type distribution in Airbnb Listings') + 
  theme_bw() + 
  theme(panel.border = element_blank()) + 
  theme(plot.title = element_text(hjust = 0.5)) + 
  theme(axis.text.x = element_text(size = 13))

ggplot(data = roomTypes, 
       aes(x = room_type, y = count)) + 
  geom_bar(stat = 'identity', fill = "cadetblue3") +
  xlab('Room type') + 
  ylab('Count') +
  ggtitle('Room type distribution in Airbnb Listings') + 
  theme_bw() + 
  theme(panel.border = element_blank()) + 
  theme(plot.title = element_text(hjust = 0.5)) + 
  theme(axis.text.x = element_text(size = 13)) + 
  theme(axis.title.x = element_text(size = 20))

1. Primeri nekih često korišćenih tipova vizuelizacija podataka u {ggplot2}

I možemo da pravimo i komplikovanije stvari onda, npr. da vizuelizujemo više uslovnih distribucija verovatnoće:

ggplot(data = listings, 
       aes(x = log(price), 
           fill = room_type)) + 
  geom_density(alpha = .15, color = "black") + 
  ggtitle("Price vs Reviews per Month, per Room Type") + 
  xlab('log(Price)') + 
  ylab('Density') + 
  theme_bw() + 
  theme(panel.border = element_blank())

## Warning: Removed 7 rows containing non-finite values (stat_density).

Skatergram sa optimalnom linearnom regresionom funkcijom:

ggplot(data = iris, aes(x = Sepal.Length,
                        y = Petal.Length)
       ) + 
  geom_point() + 
  geom_smooth(method = "lm", se = F, size = .25) +
  theme_bw() + 
  theme(panel.border = element_blank())

Skatergram po grupama kategrijalne varijable sa optimalnoim linearnim regresionom funkcijama po grupama:

ggplot(data = iris, aes(x = Sepal.Length,
                        y = Petal.Length,
                        color = Species)
       ) + 
  geom_point() + 
  geom_smooth(method = "lm", se = F, size = .25) +
  theme_bw() + 
  theme(panel.border = element_blank())

Plot sa više panela:

ggplot(data = iris, aes(x = Sepal.Length,
                        y = Petal.Length,
                        color = Species)
       ) + 
  geom_point() + 
  geom_smooth(method = "lm", se = F, size = .25) +
  facet_wrap(~Species) + 
  theme_bw() + 
  theme(panel.border = element_blank()) + 
  theme(legend.position = "top")

R Markdown

R Markdown je ono što koristimo da bismo razvili ove sveščice. Evo knjige iz koje se može naučiti rad u toj jednostavnoj ekstenziji R: R Markdown: The Definitive Guide, Yihui Xie, J. J. Allaire, Garrett Grolemunds..

Uvod u R - Sesija07

Goran S. Milovanović, PhD

Sesija 07: {ggplot2} i vizuelizacija podataka

0. Osnove: gramatika grafike u {ggplot2}

1. Primeri nekih često korišćenih tipova vizuelizacija podataka u {ggplot2}

R Markdown