Visualisation rapide des données avec ggplot2

Charles Martin

Septembre 2018

Clarification

Tout ce que nous ferons aujourd’hui pourrait aussi s’accomplir avec les graphiques de base de R.

L’avantage de ggplot2 est qu’on passe moins de temps à programmer (création de boucles, gestion de tableaux, conditions etc.) et plus de temps à visualiser les données.

Conditions pour apprécier votre temps avec ggplot2

Notre jeu de données

library(ggplot2)

Warning: package 'ggplot2' was built under R version 3.5.2

data(msleep)
summary(msleep)

     name              genus               vore          
 Length:83          Length:83          Length:83         
 Class :character   Class :character   Class :character  
 Mode  :character   Mode  :character   Mode  :character  




    order           conservation        sleep_total      sleep_rem    
 Length:83          Length:83          Min.   : 1.90   Min.   :0.100  
 Class :character   Class :character   1st Qu.: 7.85   1st Qu.:0.900  
 Mode  :character   Mode  :character   Median :10.10   Median :1.500  
                                       Mean   :10.43   Mean   :1.875  
                                       3rd Qu.:13.75   3rd Qu.:2.400  
                                       Max.   :19.90   Max.   :6.600  
                                                       NA's   :22     
  sleep_cycle         awake          brainwt            bodywt        
 Min.   :0.1167   Min.   : 4.10   Min.   :0.00014   Min.   :   0.005  
 1st Qu.:0.1833   1st Qu.:10.25   1st Qu.:0.00290   1st Qu.:   0.174  
 Median :0.3333   Median :13.90   Median :0.01240   Median :   1.670  
 Mean   :0.4396   Mean   :13.57   Mean   :0.28158   Mean   : 166.136  
 3rd Qu.:0.5792   3rd Qu.:16.15   3rd Qu.:0.12550   3rd Qu.:  41.750  
 Max.   :1.5000   Max.   :22.10   Max.   :5.71200   Max.   :6654.000  
 NA's   :51                       NA's   :27

83 observations tirées de la littérature sur le temps de sommeil des mammifères.

Un premier graphique

ggplot(data = msleep) +
  geom_point(mapping = aes(x = sleep_rem, y = awake))

Warning: Removed 22 rows containing missing values (geom_point).

NB on peut insérer des sauts de lignes et des tabulations n’importe où dans le code R, du moment que c’est clair pour R qu’il faut qu’il attende la suite de l’instruction.

ggplot : créé l’objet graphique et y associe le tableau de données. On ajoute ensuite des couches à cet objet.

mapping : crée l’association entre les variables du tableau de données et les propriétés visuelles (aes) du graphique

Quelles autres propriétés graphiques sont disponibles?

Entre autres…

L’association entre les propriétés (color et shape) et les valeurs dans le tableau de données se nomme le “mapping”

Elles permettent d’ajouter des dimensions d’information supplémentaires, au delà de la position.

Exemple

Nous pouvons refaire le graphique précédent, mais en ajouter une couleur par type d’alimentation (vore) et que la taille des points soit proportionnelle à la taille du corps de l’animal (bodywt)

ggplot(data = msleep) +
  geom_point(mapping = aes(
    x = sleep_rem,
    y = awake,
    color = vore,
    size = bodywt
  )
)

Warning: Removed 22 rows containing missing values (geom_point).

Pour modifier l’ensemble des points

Il faut spécifier la propriété visuelle à l’extérieur du bloc aes, p. ex.

ggplot(data = msleep) +
  geom_point(
    mapping = aes(
      x = sleep_rem,
      y = awake,
      size = bodywt
    ),
    color = "blue",
    shape = 17
)

Warning: Removed 22 rows containing missing values (geom_point).

Exercice #1

Faites un graphique du poids du cerveau (brainwt) en fonction du poids total de l’animal (bodywt)

Remplacez les points par des carrés

La couleur du point doit représenter le statut de conservation (conservation)

Là où ggplot est particulièrement efficace

Traçons d’abord un grahpique du temps d’éveil (awake) en fonction du temps de sommeil paradoxal (sleep_rem).

ggplot(data = msleep) +
  geom_point(mapping = aes(
    x = sleep_rem,
    y = awake
  )
)

Warning: Removed 22 rows containing missing values (geom_point).

Ajouter une couleur par type d’alimentation (vore)

ggplot(data = msleep) +
  geom_point(mapping = aes(
    x = sleep_rem,
    y = awake,
    color = vore
  )
)

Warning: Removed 22 rows containing missing values (geom_point).

Maintenant un collègue passe derrière-vous et se demande si le graphique serait plus clair avec un panneau par type d’alimentation

ggplot(data = msleep) +
  geom_point(mapping = aes(
    x = sleep_rem,
    y = awake
  )) +
  facet_wrap(~vore)

Warning: Removed 22 rows containing missing values (geom_point).

Ok, non, finalement c’était mieux dans un seul graphique, mais peux-tu ajouter une courbe de lissage par groupe pour voir si la tendance est la même?

ggplot(data = msleep) +
  geom_point(mapping = aes(
    x = sleep_rem,
    y = awake,
    color = vore
  )) +
  geom_smooth(mapping = aes(
    x = sleep_rem,
    y = awake,
    color = vore
  )
  )

`geom_smooth()` using method = 'loess' and formula 'y ~ x'

Ouin, c’est trop un fouilli, peux-tu me mettre juste des régressions linéaires finalement?

ggplot(data = msleep) +
  geom_point(mapping = aes(
    x = sleep_rem,
    y = awake,
    color = vore
  )) +
  geom_smooth(
    mapping = aes(
      x = sleep_rem,
      y = awake,
      color = vore
    ),
    method = "lm",
    se = FALSE
  )

Warning: Removed 22 rows containing non-finite values (stat_smooth).

Warning: Removed 22 rows containing missing values (geom_point).

Pour éviter la duplication, les mappings globaux

Si vous voulez réutiliser des associations entre les propriétés graphiques et vos données dans plusieurs couches, vous pouvez les mentionner lors de la création de l’objet ggplot :

ggplot(data = msleep, mapping = aes(
    x = sleep_rem,
    y = awake,
    color = vore
  )) +
  geom_point() +
  geom_smooth(
    method = "lm",
    se = FALSE
  )

Warning: Removed 22 rows containing non-finite values (stat_smooth).

Warning: Removed 22 rows containing missing values (geom_point).

Et pour condenser votre code encore plus

Vous pouvez profiter du fait que dans R, le nom des arguments est optionel, du moment que vous respectez l’ordre spécifié dans la documentation (?ggplot):

Usage

ggplot(data = NULL, mapping = aes(), ..., environment = parent.frame())

Ce qui permet de faire :

ggplot(msleep, aes(
    x = sleep_rem,
    y = awake,
    color = vore
  )) +
  geom_point() +
  geom_smooth(
    method = "lm",
    se = FALSE
  )

Warning: Removed 22 rows containing non-finite values (stat_smooth).

Warning: Removed 22 rows containing missing values (geom_point).

Quelles couches graphiques sont disponibles?

Une variable continue

ggplot(msleep) +
  geom_histogram(aes(x = awake))

`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Prenez note de l’avertissement pour le nombre de bandes de l’histogramme

Une variable catégorique / discrète

ggplot(msleep) +
  geom_bar(aes(x = vore))

Attention, si vos valeurs sont déjà compilées, il faut plutôt passer par un autre geom, p. ex.

x <- data.frame(
  totaux = c(4,1,2),
  etiquettes = c("Contrôle", "pH+", "pH-")
)
ggplot(x) +
  geom_col(aes(x = etiquettes, y = totaux))

Deux variables continues

ggplot( msleep) +
  geom_point(aes(x = sleep_rem, y = awake))

Warning: Removed 22 rows containing missing values (geom_point).

On peut aussi remplacer les points par du texte

ggplot(msleep) +
  geom_text(aes(x = sleep_rem, y = awake, label = genus))

Warning: Removed 22 rows containing missing values (geom_text).

Une variable continue et une discrète

ggplot(msleep) +
  geom_boxplot(aes(x = vore, y = awake))

Ou de plus en plus utilisé, le violin plot

ggplot(msleep) +
  geom_violin(
    aes(x = vore, y = awake)
  )


ggplot(msleep) +
  geom_dotplot(
    aes(x = vore, y = awake),
    binaxis = "y",
    stackdir = "center"
  )

`stat_bindot()` using `bins = 30`. Pick better value with `binwidth`.

Deux variables discrètes

ggplot(msleep) +
  geom_bar(aes(x = vore, fill = conservation))

Modificateurs de position

On peut utiliser le modificateur de position pour organiser le diagramme à bandes d’autres façons

ggplot(msleep) +
  geom_bar(
    aes(x = vore, fill = conservation),
    position = "dodge"
  )


ggplot(msleep) +
  geom_bar(
    aes(x = vore, fill = conservation),
    position = "fill"
  )

Si vous avez des millions de points

n <- 1000000
x <- runif(n)
y <- 3 + 2*x + rnorm(n)
df <- data.frame(
  x = x,
  y = y
)

ggplot(df,aes(x = x, y = y)) + geom_bin2d()

Visualisation de l’incertitude

df <- data.frame(
  x = c(1,2,3,4),
  y = c(1.1,1.9,3.4,4),
  se = c(0.4, 0.5, 0.7, 0.5)
)

ggplot(df, aes(x = x, y = y)) +
  geom_point() +
  geom_errorbar(
    aes(ymin = y - se, ymax = y + se),
    width = 0.3
  )


ggplot(df, aes(x = x, y = y)) +
  geom_point() +
  geom_linerange(
    aes(ymin = y - se, ymax = y + se)
  )


ggplot(df, aes(x = x, y = y)) +
  geom_ribbon(
    aes(ymin = y - se, ymax = y + se),
    fill = "tomato"
  ) +
  geom_line()

Exercice #2

À l’aide des outils vus dans les dernières sections, reproduisez cette façon classique (mais peu recommandable!) de visualiser la différence entre les groupes, à l’aide des données suivantes :

df <- data.frame(
  x = c(1,2,3,4),
  y = c(1.1,1.9,3.4,4),
  se = c(0.4, 0.5, 0.7, 0.5)
)

L’outil d’exploration ultime

library(GGally)
ggpairs(msleep[,-c(1,2,4)])


ggpairs(msleep[,-c(1,2,4)], aes(col = vore))

Transformations rapides (sans toucher aux données)

On peut ajouter une transformation des axes comme un élément supplémentaire du graphique…

ggplot(msleep) +
  geom_point(aes(x = bodywt, y = brainwt))

Warning: Removed 27 rows containing missing values (geom_point).


ggplot(msleep) +
  geom_point(aes(x = bodywt, y = brainwt)) +
  scale_x_log10() +
  scale_y_log10()

Warning: Removed 27 rows containing missing values (geom_point).

Il existe aussi scale_x_reverse et scale_x_sqrt

Avant de fignoler, apprendre à bien sauvegarder…

La fonction ggsave permet d’envoyer dans un fichier le dernier graphique produit

ggplot(msleep) +
  geom_point(aes(x = sleep_rem, y = sleep_cycle))

ggsave(filename = "/assets/RapidDataViz_files/Resultats/Fig1.jpg")

Saving 7 x 5 in image

NB le nom du dossier dans lequel vous tentez d’écrire doit déjà exister…

Le type de fichier est choisi automatiquement à l’aide de l’extension choisie (pdf, jpg, png, eps, etc.)

Comment déterminer les dimensions?

Pas d’autres solutions que d’y aller par essai/erreur. ggplot change la taille relative des points, du texte etc. selon les dimensions désirées, vous devrez expérimenter.

ggsave(filename = "/assets/RapidDataViz_files/Resultats/2x2.jpg", width = 2, height = 2)
ggsave(filename = "/assets/RapidDataViz_files/Resultats/8x8.jpg", width = 8, height = 8)


Par défaut les unités sont en pouces, mais vous pouvez les changer pour de cm avec l’argument units="cm"

Comment modifier la résolution

Pour les fichiers qui ne sont pas vectoriels (p. ex. jpg, png), vous pouvez aussi spécifier la qualité d’image, en nombre de points par pouces (dot per inches; dpi)

ggsave(filename = "/assets/RapidDataViz_files/Resultats/72.jpg", width = 2, height = 2, dpi = 72)
ggsave(filename = "/assets/RapidDataViz_files/Resultats/1200.jpg", width = 2, height = 2, dpi = 1200)


On recommande souvent 300 dpi pour des graphiques qui seront reproduits en version papier…

Et finalement, le fameux fond gris…

ggplot(msleep) +
  geom_point(aes(x = sleep_rem, y = sleep_cycle)) +
  theme_classic()


ggplot(msleep) +
  geom_point(aes(x = sleep_rem, y = sleep_cycle)) +
  theme_dark()


ggplot(msleep) +
  geom_point(aes(x = sleep_rem, y = sleep_cycle)) +
  theme_minimal()