Visualizacion de datos con R

FSC

Contents
La importancia de la visualización de datos 1

R Basic plots: paquete graphics() 1

Scatterplots (nubes de puntos) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Histograms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Boxplot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Ejercicio #1: dataset babies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Sumarizando datos y detectando outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Medidas de resumen paramétricas: Media y desviación standard . . . . . . . . . . . . . . . . 13
Medidas de resumen no paramétricas: Mediana, IQR . . . . . . . . . . . . . . . . . . . . . . . 13
Ejercicio #2: Distribución de las alturas de los estudiantes . . . . . . . . . . . . . . . . . . . . . . 17

Visualizando datos con R: ggplot2() 18

Ejercicio 1: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Creando un plot con ggplot2() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Geometria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Aesthetics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Global vs local aesthetics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Labels and titles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Colores dinámicos que dependen de una variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Añadiendo anotaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Varios plots en la misma ventana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

La importancia de la visualización de datos

Cuando trabajamos con grandes cantidades es esencial utilizar diferentes tipo de visualizaciones para explorar
los datos. Sólo así podremos darnos cuenta de diferentes sesgos que deben ser corregidos o incluso de errores.
Además la visualización de los datos es esencial para extraer patrones y conclusiones cuando vemos muchos
datos. Esto es algo que la mente humana en la población general no puede hacer a partir de números.
Por ejemplo, este artículo del Wall Street Journal muestra como ha sido la evolución de ciertas en-
fermedades infecciosas desde su aparición hasta la aplicación de las vacunas: http:// [Link]/
infectious-diseases-and-vaccines/ ?mc_cid=711ddeb86e
Vamos a comenzar por ver partes de la charla TED de Hans Rosling de la fundación gapminder de la que os hablé
en la clase anterior: https:// [Link]/ talks/ hans_rosling_shows_the_best_stats_you_ve_ever_seen

R Basic plots: paquete graphics()

Una de las grandes fortalezas de R consiste en la facilidad con la que podemos representar datos de diferentes
formas y con formato de alta calidad. Visualizar los datos es esencial para entenderlos y proponer modelos.
Para seguir esta sesión necesitarás tener instaladas las siguientes librerias:
library(dslabs)
library(ggplot2)
library(dplyr)

1
library(tidyverse)
library(readr)

Scatterplots (nubes de puntos)

El plot más básico en el que podemos pensar es una nube de puntos. Solemos utilizarlo con frecuencia si
queremos entender la relación que existe entre dos variables. Por ejemplo, si queremos ver la relación entre el
número de asesinatos en un estado y su población (por 100.000 habitantes) utilizamos la función plot()
data(murders)
?plot

## starting httpd help server ... done

plot(murders$total,murders$population/10^5)
murders$population/10^5

300
200
100
0

0 200 400 600 800 1000 1200

murders$total

Para esta función podemos ajustar el tipo de punto con el parámetro pch:
plot(murders$total,murders$population/10^5,pch="*")

2
 *
murders$population/10^5

300

*
200

* *

* *
100

*
** * * *
**
** * * ** *
** * *
*
*
* * *****
******** * *
0

0 200 400 600 800 1000 1200

murders$total

O el color:
plot(murders$total,murders$population/10^5,pch="*",col="red")

3
 *
murders$population/10^5

300

*
200

* *

* *
100

*
** * * *
**
** * * ** *
** * *
*
*
* * *****
******** * *
0

0 200 400 600 800 1000 1200

murders$total

Cada vez que llamamos a la función plot() se abre una nueva ventana. Si queremos pintar en un gráfico ya
existente tenemos dos opciones:
plot(murders$total,murders$population/10^5,pch="*",col="red")
par(new=T)
plot(murders$total,murders$population/10^5,pch="o")

4
 o*
murders$population/10^5

300

o*
200

o* o*

o o*
o* *
100

o*o o* o* o*
oo *
o*o* *o*o*oo* oo*o* o* o* o
o*oo* o*oo*o*o*o**o** *
o *
o o
***o***o* o*
o*o *
0

0 200 400 600 800 1000 1200

murders$total

o bien usar points() o lines() que pintan puntos o unen puntos por medio de líneas si los puntos ya están
dibujados. La función abline pinta una linea de pendiente b y ordenada en el origen a.
plot(murders$total,murders$population/10^5,pch="*",col="red")
points(murders$total,murders$population/10^5,lty=2)
abline(a=0,b=1,lty=2)

5
 *
murders$population/10^5

300

*
200

* *

* *
100

*
** * * *
**
** * * ** *
** * *
*
*
* * *****
******** * *
0

0 200 400 600 800 1000 1200

murders$total

El parámetro lty controla el tipo de línea (sólida, discontinua, etc)

Estos simples gráficos ya nos muestran que hay una relación de tipo lineal entre el numero de asesinatos y la
población total de un estado

Histograms
Un histograma nos muestra la distribución de los elementos de una muestra. Es decir, nos dice cuántos
elementos de cada tipo hay.
hist(murders$total)

6
 Histogram of murders$total
30
25
Frequency

20
15
10
5
0

0 200 400 600 800 1000 1200 1400

murders$total

Es decir, hay unos 32-33 estados con menos de 200 asesinatos; hay unos 10 estados con entre 200 y 400
asesinatos y el resto (~10 estados) sufrieron más de 400 asesinatos. EN particular parece que hay 1 estado
con entre 1200 y 1400 asesinatos.
Vamos a comprobarlo con una tabla. Primero binarizamos nuestros resultados en bins de 200:
murders$[Link]=murders$total
murders$[Link][which(murders$total<=200)]=200
murders$[Link][which(murders$total>200 & murders$total<=400)]=400
murders$[Link][which(murders$total>400 & murders$total<=600)]=600
murders$[Link][which(murders$total>600 & murders$total<=800)]=800
murders$[Link][which(murders$total>800 & murders$total<=1000)]=1000
murders$[Link][which(murders$total>1000 & murders$total<=1200)]=1200
murders$[Link][which(murders$total>1200 & murders$total<=1400)]=1400
table(murders$[Link])

##
## 200 400 600 800 1000 1400
## 33 12 3 1 1 1
murders<-murders %>%
mutate(bin=case_when(total<=200~200,
between(total,200,400)~400,
between(total,400,600)~600,
between(total,600,800)~800,
between(total,800,1000)~1000,
between(total,1000,1200)~1200,
TRUE~1400))

7
murders

## state abb region population total [Link] bin

## 1 Alabama AL South 4779736 135 200 200
## 2 Alaska AK West 710231 19 200 200
## 3 Arizona AZ West 6392017 232 400 400
## 4 Arkansas AR South 2915918 93 200 200
## 5 California CA West 37253956 1257 1400 1400
## 6 Colorado CO West 5029196 65 200 200
## 7 Connecticut CT Northeast 3574097 97 200 200
## 8 Delaware DE South 897934 38 200 200
## 9 District of Columbia DC South 601723 99 200 200
## 10 Florida FL South 19687653 669 800 800
## 11 Georgia GA South 9920000 376 400 400
## 12 Hawaii HI West 1360301 7 200 200
## 13 Idaho ID West 1567582 12 200 200
## 14 Illinois IL North Central 12830632 364 400 400
## 15 Indiana IN North Central 6483802 142 200 200
## 16 Iowa IA North Central 3046355 21 200 200
## 17 Kansas KS North Central 2853118 63 200 200
## 18 Kentucky KY South 4339367 116 200 200
## 19 Louisiana LA South 4533372 351 400 400
## 20 Maine ME Northeast 1328361 11 200 200
## 21 Maryland MD South 5773552 293 400 400
## 22 Massachusetts MA Northeast 6547629 118 200 200
## 23 Michigan MI North Central 9883640 413 600 600
## 24 Minnesota MN North Central 5303925 53 200 200
## 25 Mississippi MS South 2967297 120 200 200
## 26 Missouri MO North Central 5988927 321 400 400
## 27 Montana MT West 989415 12 200 200
## 28 Nebraska NE North Central 1826341 32 200 200
## 29 Nevada NV West 2700551 84 200 200
## 30 New Hampshire NH Northeast 1316470 5 200 200
## 31 New Jersey NJ Northeast 8791894 246 400 400
## 32 New Mexico NM West 2059179 67 200 200
## 33 New York NY Northeast 19378102 517 600 600
## 34 North Carolina NC South 9535483 286 400 400
## 35 North Dakota ND North Central 672591 4 200 200
## 36 Ohio OH North Central 11536504 310 400 400
## 37 Oklahoma OK South 3751351 111 200 200
## 38 Oregon OR West 3831074 36 200 200
## 39 Pennsylvania PA Northeast 12702379 457 600 600
## 40 Rhode Island RI Northeast 1052567 16 200 200
## 41 South Carolina SC South 4625364 207 400 400
## 42 South Dakota SD North Central 814180 8 200 200
## 43 Tennessee TN South 6346105 219 400 400
## 44 Texas TX South 25145561 805 1000 1000
## 45 Utah UT West 2763885 22 200 200
## 46 Vermont VT Northeast 625741 2 200 200
## 47 Virginia VA South 8001024 250 400 400
## 48 Washington WA West 6724540 93 200 200
## 49 West Virginia WV South 1852994 27 200 200
## 50 Wisconsin WI North Central 5686986 97 200 200
## 51 Wyoming WY West 563626 5 200 200

8
table(murders$bin)

##
## 200 400 600 800 1000 1400
## 33 12 3 1 1 1
El número de bins puede cambiarse fácilmente con el comando breaks()
hist(murders$total,breaks=10)

Histogram of murders$total
25
20
Frequency

15
10
5
0

0 200 400 600 800 1000 1200

murders$total

Y también podemos elegir ver la frecuencia (número de elementos en cada bin) o la probabilidad de tener un
elemento en cada bin (# elementos en bin/total numero de elementos)
hist(murders$total,freq = F)

9
 Histogram of murders$total
0.0030
0.0020
Density

0.0010
0.0000

0 200 400 600 800 1000 1200 1400

murders$total

Con este tipo de plot obtenemos una idea de cómo es la distribución de los datos: no simétrica, con el valor
mas probable entre 0 y 200 y con algunos valores muy distintos dl resto. Estas características serán las que
miraremos más adelante cuando queramos caracterizar distribuciones de datos.

Boxplot
Un boxplot también nos da pistas acerca de la distribución de un conjunto de datos
boxplot(murders$total)

10
 1000
600
200
0

Vemos que la caja tiene una linea central (la mediana) que en este caso no está en el medio, lo cual significa
que el 50% de los valores más pequeños están más cerca entre si que los valores del 50% superior. Además
vemos tres puntos por encima de la linea (whishart). Estos son outliers. Tenemos 3 entre los datos más altos.
Los outliers o valores extremos están más allá del valor que deja a su izquierda el 75% de la distribución
multiplicado por 1.5. Todos estos datos se pueden observar usando la función summary() sobre un vector
numérico:
summary(murders$total)

## Min. 1st Qu. Median Mean 3rd Qu. Max.

## 2.0 24.5 97.0 184.4 268.0 1257.0
Los boxplots son particularmente interesantes para comparar distribuciones de diferentes grupos de datos.
Por ejemplo, como tenemos la información del número de asesinatos por region podemos hacer un boxplot
del número de asesinatos para cada region:
boxplot(murders$total~murders$region)

11
 1000
murders$total

600
200
0

Northeast South North Central West

murders$region

La región con el menor número de asesinatos en general es “West”, aunque hay dos estados que son outliers.
Podemos buscarlo:
[Link]<-filter(murders,region=="West")
[Link][[Link]([Link]$total),]

## state abb region population total [Link] bin

## 3 California CA West 37253956 1257 1400 1400
La región con un mayor número de asesinatos en general es “South”

Ejercicio #1: dataset babies

Utilizando el dataset “[Link]”
1. Utilizando un scatterplot plot() encontrar si existe una relación de algún tipo entre el peso al nacimiento
de los bebés y la edad gestacional (en semanas)
2. Compara utilizando un boxplot la distribución de los pesos al nacer de los niños con madres fumadoras
frente a aquellos con madres no fumadoras
3. Explora usando un histograma la distribución general de los pesos de los bebes.

1. Utilizando un scatterplot plot() encontrar si existe una relación de algún tipo entre el peso al nacimiento
de los bebés y la edad gestacional (en semanas)
2. Compara utilizando un boxplot la distribución de los pesos al nacer de los niños con madres fumadoras
frente a aquellos con madres no fumadoras
3. Explora usando un histograma la distribución general de los pesos de los bebes.

12
Sumarizando datos y detectando outliers
Cuando tenemos muchos datos lo primero que solemos querer hacer es intentar resumir la información en un
sólo número. En principio esto debería de darnos una idea acerca de algunas de las características importantes
de nuestros datos. Queé medidas de sumarización se nos ocurren? La media, la mediana, la desviación
estandar. . . ahora vamos a ver cuando usar cada una de ellas, cuando son y cuando no son informativas.

Medidas de resumen paramétricas: Media y desviación standard

Utilizando el ejemplo “[Link]”, calcular la media y la desviación estandar para los peso de los bebes:
babies<-[Link]("Datasets/[Link]",header=T,sep="\t")
mean(babies$bwt)

## [1] 119.5769
sqrt(var(babies$bwt))

## [1] 18.23645
Recordando cómo era su distribución (simétrica, un sólo valor más probable. . . ) parece que estos valores son
bastantes informativos acerca de estos datos

Medidas de resumen no paramétricas: Mediana, IQR

Sin embargo, si miramos el histograma del total de asesinatos del ejemplo murder y calculamos los mismos
parámetros
hist(murders$total)

Histogram of murders$total
30
25
Frequency

20
15
10
5
0

0 200 400 600 800 1000 1200 1400

murders$total

13
mean(murders$total)

## [1] 184.3725
sqrt(var(murders$total))

## [1] 236.1261
Como veis estos dos valores nos harian pensar que hay numeros de asesinatos negativos en algunos estados,
no nos da pistas acerca del numero mas habitual de asesinatos que encontramos y no podriamos saber que el
numero de asesinatos es tan alto como 1400 en otros. Hay otros parámetros para sumarizar datos que no
siguen una distribución “normal”:
median(murders$total)

## [1] 97
IQR(murders$total)

## [1] 243.5
La mediana nos dice cual es el valor que deja el 50% de los datos a la izquierda de el y el 50% a su derecha.
El IQR (Interquantile Range) nos da una idea de en que intervalo cae el 50% de los datos. Podemos calcular
los quantiles de una distribucion usando:
summary(murders$total)

## Min. 1st Qu. Median Mean 3rd Qu. Max.

## 2.0 24.5 97.0 184.4 268.0 1257.0
summary(babies$bwt)

## Min. 1st Qu. Median Mean 3rd Qu. Max.

## 55.0 108.8 120.0 119.6 131.0 176.0
Si un conjunto de datos es aproximadamente normal (simétrico, con un sólo valor más probable, etc) en ese
caso la media y la mediana son muy parecidas, como en el caso del peso de los bebes. Sin embargo, cuando
una distribución no es parecida a una normal (murders$total) la media y la mediana son muy distintas y la
media no suele ser muy informativa. Tampoco la desviación estandard. El IQR se calcula como Q_3-Q_1.
Todos los valores que esten alejados 1.5 veces el IQR del q1 o de q3 se consideran outliers:
summary(murders$total)

## Min. 1st Qu. Median Mean 3rd Qu. Max.

## 2.0 24.5 97.0 184.4 268.0 1257.0
q1=quantile(murders$total, p=0.25)
q1

## 25%
## 24.5
q3=quantile(murders$total, p=0.75)
q3

## 75%
## 268
iqr=(q3-q1)
iqr

## 75%

14
## 243.5
r <- c(q1 - 1.5*iqr, q3 + 1.5*iqr)
r

## 25% 75%
## -340.75 633.25
Buscamos los outliers:
which(murders$total<=r[1])

## integer(0)
which(murders$total>=r[2])

## [1] 5 10 44
murders[which(murders$total>=r[2]),]

## state abb region population total [Link] bin

## 5 California CA West 37253956 1257 1400 1400
## 10 Florida FL South 19687653 669 800 800
## 44 Texas TX South 25145561 805 1000 1000
Hay otro tipo de outliers aún más lejanos que son los far_out outliers
r2 <- c(q1 - 3*iqr, q3 + 3*iqr)
r2

## 25% 75%
## -706.0 998.5
which(murders$total>=r2[2])

## [1] 5
murders[which(murders$total>=r2[2]),]

## state abb region population total [Link] bin

## 5 California CA West 37253956 1257 1400 1400
Un tipo de plot que no habíamos visto y que también es muy informativo es el que compara los quantiles de
nuestros datos con los de una distribucion normal:
qqnorm(murders$total)
qqline(murders$total)

15
 Normal Q−Q Plot
1000
Sample Quantiles

600
200
0

−2 −1 0 1 2

Theoretical Quantiles

Frente a esto, la distribución de los pesos de los bebes tienen una distribución mas o menos normal, con la
excepción de que las colas son mas pesadas.
qqnorm(babies$bwt)
qqline(babies$bwt)

16
 Normal Q−Q Plot
180
Sample Quantiles

140
100
80
60

−3 −2 −1 0 1 2 3

Theoretical Quantiles

Finalmente, para datos no normales hay otra medida que nos da una idea de la dispersión, la mad: median
absolute deviation. Se trata de la suma de la distancia absoluta entre cada valor y la mediana.
mad(babies$bwt)

## [1] 16.3086
mad(murders$total)

## [1] 126.021

Ejercicio #2: Distribución de las alturas de los estudiantes

Recogemos la altura, el género y la edad de todos los miembros de la clase.
• Escribir los datos en un fichero y guardalo en tu directorio de trabajo con el nombre: “[Link]”
• Leelo en R en el objeto “altura”
• Haz un scatterplot que relacione la altura con la edad
• Que distribucion tiene la altura? Y la edad? Cual seria la mejor forma de sumarizar la altura? Y la
edad?
• Haz un boxplot que muestre la distribución de alturas en hombres frente a mujeres
• Hay algun outlier?
• Utilizando dplyr sumariza la altura de los hombres y de las mujeres por separado
• quienes son los tres hombres mas altos de la clase? Y las tres mujeres más jóvenes?

17
Visualizando datos con R: ggplot2()
Hay otras librerias para visualizar datos en R, como por ejemplo las funciones de la instalacion base que ya
hemos visto, grid o lattice. Sin embargo, ggplot2 se basa en la llamada grammar of graphics: al igual que
bloques gramaticales básicos permiten crear cientos de frases en ggplot2 un pequeño número de comandos
permite crear gráficos muy distintos.
En particular, ggplot2 está articulado sobre tres conceptos básicos que tienen que definirse cada vez que
vamos a plotear algo: data, geometry y aesthetics
• Data:
Los datos en ggplot2() tienen que estar en formato tidy. Ya hemos visto que esto significa que cada elemento
a dibujar está indexado por un sólo índice: el número de la fila. Eso si, para cada elemento a representar
podemos tener múltiples atributos. El [Link] murders es tidy porque cada estado aparece en una sola
fila aunque hay varios atributos (region, total, population) para cada estado. Si en lugar de una foto fija
tuvieramos una serie temporal cada combinacion (estado, año) sería la “key” de la tabla y apareceria tambien
una sola vez en la tabla en una fila.
• Geometry:
Queremos representar un scatterplot? Un histograma? Un boxplot?
• Aesthetic Mapping:
Que represento en el eje de las x? Que represento en el eje de las y? Que color uso? Que letra uso? Parte de
estos parámetros dependerán de la geometría del plot

Ejercicio 1:

US Gun Murders in 2010

1000
Total number of murders (log scale)

LA
M
SC
MSOKKY AL
100 DC AR CT
NV
NM KS CO
M
DE OR
NE
WV
UT
IA
AK
RI
MT MEID
10
SD HI
WY NH
ND

VT
1 3
Populations in millio
Para el siguiente plot, describe los datos, la geometria y el aesthetic mapping.

18
 • Data: murders
• Geometria: Scatterplot
• Aesthetics Mapping:
++ x-axis: population size
++ y-axis: total number of murders
++ text: states
++ colors: the four different regions

US Gun Murders in 2010

CA
1000
TX
FL
NY
MI PA
Total number of murders (log scale)

LA MO GA IL
MD
VANCOH
AZ NJ
SC TN
IN
AL MA region
MSOKKY
100 DC AR CT WI
WA
NV a Northe
NM KS CO
MN a South
DE OR
NE a North
WV
UT
IA a West
AK
RI
MT MEID
10
SD HI
WY NH
ND

VT
1 3 10 30
Populations in millions (log scale)
Fijaos en la diferencia con:

19
 US Gun Murders in 2010
CA
1000
TX
FL
NY
MI PA
Total number of murders (log scale)

LA MO GA IL
MD NC OH
SC TNAZ VANJ
IN
AL MA
MS OKKY
100 DC AR CT WIWA
NV
NM KS CO
MN
DE OR
NE
WV
UTIA
AK
RI
MT ME ID
10
SD HI
WY NH
ND

VT
1 3 10 30
Populations in millions (log scale)
Y con:

Creando un plot con ggplot2()

El primer paso es “inicializar” el plot diciéndole que datos queremos usar y algunas características básicas de
el.
ggplot(data = murders)

20
#alternativamente con pipe:
murders %>% ggplot()

21
p <- ggplot(data = murders)
class(p)

## [1] "gg" "ggplot"

print(p)

22
p

23
Geometria
La geometría define el tipo de representación de nuestros datos que estamos usando: cómo se situan los
valores en el plano o en el espacio.
Cada geometría necesita una serie de parámetros fijos para poder pintar y otros opcionales
Por ejemplo, un scatterplot con la función geom_point requiere obligatoriamente los valores en x y en y.
Además se le puede dar color, tamaño, etc. Queremos crear un scatterplot:
? geom_point
murders %>% ggplot() +
geom_point(aes(x = population/10^5, y = total))

24
 1200

800
total

400

0 100 200 300

population/10^5
Habéis visto que hemos añadido la geometría al plot inicial usando +. Así es como se concatenan las distintas
capas de un plot

Aesthetics
Cuando hacemos un gráfico estamos transformando nuestro datos en valores que componen el gráfico final.
La iniciativa grammar of graphics (gg) lo que intenta es hacer esto de manera sistemática sea cual sea el tipo
de geometría que vamos a utilizar.
Con la función aes() estamos tratando de asignar a valores de nuestros datos (de nuestro data frame murders
en este caso) a características cuantificables del gráfico. Estas características son las aesthetics. Da igual si se
trata de un pie chart, de un scatterplot. . . al final ggplot2 lo que necesita es saber qué pone en cada dimensión
(x,y) para gráficos de dos dimensiones, (x,y,z) para gráficos 3D, el color, la fuente de la letra. . . Necesita saber
que valor pone en cada pixel de la pantalla y cuales son sus características. Esto es lo que tratamos de hacer
con aes(): mapear valores en características de un gráfico
La función aes() es la que le indica a la geometría que necesita pintar en el plot y cómo. Además se le pueden
dar muchas propiedades como color, tamaño, etc, en función de los datos. Cada geometría requiere un cierto
tipo de mapeo datos/visualización.

Global vs local aesthetics

Las características estéticas de un gráfico pueden definirse de manera global al inicializar el plot. De esta
forma cada nueva capa heredará estas características globales.
Si le hubieramos pasado las estéticas al plot anterior no haria falta dárselas a geom_point utilizaria las del
objeto ggplot2

25
murders %>% ggplot(aes(x = population/10^5, y = total)) +
geom_point()

1200

800
total

400

0 100 200 300

population/10^5
También podríamos añadir la capa con la geometría al objeto p
p<-murders %>% ggplot(aes(x = population/10^6, y = total))

p+geom_point()

26
 1200

800
total

400

0 10 20 30
population/10^6

##Capas
Los gráficos en ggplot2 se definen usando diferentes capas que se unen unas a otras usando +
Una vez que hemos creado un objeto ggplot() como antes le vamos añadiendo capas, la primera de ellas
siempre es la geometria. Después podemos seguir añadiendo características.
Otra capa que queremos añadir es texto para cada punto. Se utiliza la función geom_text()
p+
geom_point(aes(col=region))+
geom_text(aes(label=state))

27
 California
1200

800 Texas region

Northeast
Florida
total

South
North Central
New York
Pennsylvania West
400 Michigan
LouisianaGeorgia Illinois
Missouri Ohio
Maryland
North Carolina
Virginia
New
Arizona Jersey
Tennessee
South Carolina
Indiana
Alabama
Mississippi
Massachusetts
Kentucky
District of Oklahoma
Columbia
Connecticut
Wisconsin
Arkansas
Washington
Nevada
NewKansas
Mexico
Colorado
DelawareMinnesota
Oregon
Nebraska
West Virginia
Alaska
Rhode
South
New Utah
Iowa
Island
Montana
Idaho
Maine
Dakota
Hawaii
0Wyoming
North Hampshire
Dakota
Vermont
0 10 20 30
population/10^6
Si queremos visualizar la abreviación
p+
geom_point(aes(col=region))+
geom_text(aes(label=abb))

28
 CA
1200

800 TX region
Northeast
FL
total

South
North Central
NY
PA West
400 MI
LA GA IL
MO
MD NCOH
AZVA
SCTN
NJ

MS KY IN
ALMA
DC NV
AROK
CT WI
WA
NMKS CO
DE
AKNE
WV
IDUT
RI
MT
ME ORMN
IA
SD
HI
0 WY
NH
ND
VT
0 10 20 30
population/10^6
Fuera de aes() no se reconocen las variables de los objetos para las que queremos mapear características
estéticas
p_test <- p +
geom_text(label = abb)

## Error in layer(data = data, mapping = mapping, stat = stat, geom = GeomText, : object 'abb' not found
Cuando en una capa no se requiere ese mapeo dato-característica del plot podemos no usar la función aes(),
pero para ello tenemos que haber definido globalmente las características básicas que necesita la función:
p<-murders %>%
ggplot(aes(x = population/10^6,
y = total,
label=abb))

p+geom_point()+
geom_text(col="red")

29
 CA
1200

800 TX

FL
total

NY
PA
400 MI
LA GA IL
MO OH
MD NC
AZ VANJ
SC TN
MS KY IN
AL MA
DC NVAR OK
CT WIWA
NMKS COMN
DE
AKNEUT
WV
RI
MT
ID IAOR
0 ME
SD
WYHI
NH
ND
VT
0 10 20 30
population/10^6

# p+geom_point()+
# geom_text(col=region)

Las capas van tomando ese mapeado global hasta que lo sobre-escribimos:
murders %>%
ggplot(aes(x = population/10^5,
y = total,
label=abb))+
geom_point()+
#geom_text(col="red")+
geom_label(aes(x=10,y=800,label="Hello"))

30
 1200

800 Hello
total

400

0 100 200 300

population/10^5

murders %>%
ggplot(aes(x = population/10^5,
y = total,
label=abb))+
geom_point()+
#geom_text(col="red")+
geom_label(aes(x=10,
y=800,
label="Hello"),col="blue")

31
 1200

800 Hello
total

400

0 100 200 300

population/10^5

murders %>%
ggplot(aes(x = population/10^5,
y = total,
label=abb))+
geom_point()+
geom_text(col="red")+
geom_label(aes(x=10,y=800,label="Hello"))+
geom_text(col="blue")

32
 CA
1200

800 Hello TX

FL
total

NY
PA
400 MI
LA GA IL
MO OH
MD NC
AZ VANJ
SC TN
MS KY IN
AL MA
DC NVAR OK
CT WIWA
NMKS COMN
DE
AKNEUT
WV
RI
MT
ID IAOR
0 ME
SD
WYHI
NH
ND
VT
0 100 200 300
population/10^5
Cada función requiere diferentes parámetros unos que son aesthetics y otros fijos. La diferencia es que
aesthetics mapea datos a propiedades estéticas (para uno o para todos los datos) mientras que lo que está
fuera de aes() afecta a todo el plot, no hay un mapeo dato->estética.
p<-murders %>% ggplot()

p +
geom_point(aes(population/10^5, total),
size = 3) +
geom_text(aes(population/10^5,
total,
label = abb))

33
 CA
1200

800 TX

FL
total

NY
PA
400 MI
LA GA IL
MO OH
MD NC
AZ VANJ
SC TN
MS KY IN
AL MA
DC NVAR OK
CT WIWA
NMKS COMN
DE
AKNEUT
WV
RI
MT
ID IAOR
0 ME
SD
WYHI
NH
ND
VT
0 100 200 300
population/10^5

p +
geom_point(aes(population/10^5,
total,
col=region),
size =3) +
xlab("total pop")+
ylab("murders")

34
 1200

800 region
Northeast
murders

South
North Central
West
400

0 100 200 300

total pop

geom_text(aes(population/10^5,
total,
label = abb),
nudge_x=25)

## mapping: x = ~population/10^5, y = ~total, label = ~abb

## geom_text: parse = FALSE, check_overlap = FALSE, [Link] = FALSE
## stat_identity: [Link] = FALSE
## position_nudge
p<- murders %>%
ggplot(aes(x=population/10^5,
y=total,
label=abb))

p +
geom_point(size = 3) +
geom_text(nudge_x = 0.1) +
scale_x_continuous(trans = "log10") +
xlab("log10(total pop)")+
scale_y_continuous(trans = "log10") +
ylab("log10(murders)")

35
 CA
1000
TX
FL
NY
MI PA
GA IL
LA MO
MD
VA NCOH
AZ NJ
SC TN
IN
AL MA
MS OKKY
log10(murders)

100 DC AR CT WIWA
NV
NM KS CO
MN
DE OR
NE
WV
UTIA
AK
RI
MT ME ID
10
SD HI
WY NH
ND

VT
10 30 100 300
log10(total pop)

Labels and titles

Mirando la cheatsheet vemos que necesitamos los siguientes comandos para poner titulo y labels a los ejes:
p + geom_point(size = 3) +
geom_text(nudge_x = 0.05) +
scale_x_log10() +
scale_y_log10() +
xlab("Populations in millions (log scale)") +
ylab("Total number of murders (log scale)") +
ggtitle("US Gun Murders in 2010")

36
 US Gun Murders in 2010
CA
1000
TX
FL
NY
MI PA
Total number of murders (log scale)

LA MO GA IL
MD NC OH
SC TNAZ VANJ
IN
AL MA
MS OKKY
100 DC AR CT WIWA
NV
NM KS CO
MN
DE OR
NE
WV
UTIA
AK
RI
MT ME ID
10
SD HI
WY NH
ND

VT
10 30 100 300
Populations in millions (log scale)

Colores dinámicos que dependen de una variable

p<- murders %>%
ggplot(aes(x=population/10^5,
y=total,
label=abb))+
geom_point(size = 3) +
geom_text(nudge_x = 0.05) +
scale_x_log10() +
scale_y_log10() +
xlab("Populations in millions (log scale)") +
ylab("Total number of murders (log scale)") +
ggtitle("US Gun Murders in 2010")

p+geom_point(aes(col=region),size=3)

37
 US Gun Murders in 2010
CA
1000
TX
FL
NY
MI PA
Total number of murders (log scale)

LA MO GA IL
MD NCOH
AZ VA
SC TN
NJ
IN
AL MA region
MSOKKY
100 DC ARCT WIWA
NV Northeast
NM KS CO
MN South
DE OR
NE North Central
WV
UT
IA West
AK
RI
MT MEID
10
SD HI
WY NH
ND

VT
10 30 100 300
Populations in millions (log scale)
Los valores de x,y (las coordenadas) que precisa esta función geom_point las hereda de lo que hemos ya
definido en p. El mapping está en primera posición porque es lo que geom_point espera.

Añadiendo anotaciones
Si queremos añadir algo al plot que no está directamente asociado con el mapeo dato->estética no necesitamos
la función aes(). Lo hacíamos antes añadiendo un texto en unas coordenadas fijas:
murders %>%
ggplot(aes(x = population/10^5,
y = total,
label=abb))+
geom_point()+
geom_text(aes(col="red"))+
geom_label(x=10,y=800,label="Hello")

38
 CA
1200

800 Hello TX

FL colour
total

a red
NY
PA
400 MI
LA GA IL
MO
MD NC OH
VA
AZ NJ
SC TN
MS KY IN
AL MA
DC NV
AROK
CT WI
WA
NMKS CO
DE
AKNE
WV
RI
MTID
ME UTORMN
IA
0 SD
HI
WY
NH
ND
VT
0 100 200 300
population/10^5

Imaginemos que queremos añadir al plot una linea que tenga como pendiente el rate medio de asesinatos en
USA.
Recordemos que usando dplyr podemos conseguir:
r <- murders %>%
summarize(rate = sum(total) / sum(population) * 10^5) %>%
.$rate

Le añadimos una linea con pendiente 1 e intercepta el log10 de ese ratio medio:
p +
geom_point(aes(col=region), size = 3) +
geom_abline(intercept = log10(r))

39
 US Gun Murders in 2010
CA
1000
TX
FL
NY
MI PA
Total number of murders (log scale)

LA MO GA IL
MD NCOH
AZ VA
SC TN
NJ
IN
AL MA region
MSOKKY
100 DC ARCT WIWA
NV Northeast
NM KS CO
MN South
DE OR
NE North Central
WV
UT
IA West
AK
RI
MT MEID
10
SD HI
WY NH
ND

VT
10 30 100 300
Populations in millions (log scale)

Y podemos cambiar los argumentos de esta linea:

p <- p +
geom_abline(intercept = log10(r),
lty = 2,
color = "darkgrey") +
geom_point(aes(col=region), size = 3)

40
 US Gun Murders in 2010
CA
1000
TX
FL
NY
MI PA
Total number of murders (log scale)

LA MO GA IL
MD NCOH
AZ VA
SC TN
NJ
IN
AL MA region
MSOKKY
100 DC ARCT WIWA
NV Northeast
NM KS CO
MN South
DE OR
NE North Central
WV
UT
IA West
AK
RI
MT MEID
10
SD HI
WY NH
ND

VT
10 30 100 300
Populations in millions (log scale)
## Add-on packages
Otra de las ventajas de ggplot2() es, una vez mas, la existencia de muchos paquetes que nos proporcionan
estas features ya implementadas. Por ejemplo, con el paquete ggtheme() podemos cambiar el background y el
estilo de nuestro plot por otros ya implementados. O con ggrepel() podemos distanciar los puntos de manera
que no caigan unos encima de otros.
library(ggrepel)
library(ggthemes)

p + theme_economist()

41
 US Gun Murders in 2010
region Northeast South North Central West

CA
1000
TX
FL
Total number of murders (log scale)

NY
LA MO MI PA
GA IL
NCOH
MD VANJ
SC AZ
TN
MS OKKY IN
AL MA
100 DC AR
NV CT WIWA
NM KS CO
MN
DE NE OR
WV
AK UTIA
RI
10
MT ME ID
SD HI
WY NH
ND
VT
10 30 100 300
Populations in millions (log scale)

library(ggthemes)
library(ggrepel)

### First define the slope of the line

r <- murders %>%
summarize(rate = sum(total) / sum(population) * 10^5) %>%
.$rate

## Now make the plot

murders %>%
ggplot(aes(population/10^5,
total,
label = abb)) +
geom_abline(intercept = log10(r),
lty = 2,
color = "darkgrey") +
geom_point(aes(col=region), size = 3) +
geom_text_repel() +
scale_x_log10() +
scale_y_log10() +
xlab("Populations in millions (log scale)") +
ylab("Total number of murders (log scale)") +
ggtitle("US Gun Murders in 2010") +
scale_color_discrete(name = "Region") +
theme_economist()

42
 US Gun Murders in 2010
Region Northeast South North Central West

CA
1000 TX
FL
MI GA PA
Total number of murders (log scale)

LA MO VA NY
SC MD AZ
OH
TN NJ
MS OK AL NC IL
100 NV AR KY MA IN
DC CT WI
NM KS CO WA
NE MN
DE UT OR
WV
AK RI IA
ID
10 MT ME
HI
WY SD
NH
ND
VT
10 30 100 300
Populations in millions (log scale)

Varios plots en la misma ventana

p <- heights %>% filter(sex=="Male") %>%
ggplot(aes(x = height))
p1 <- p +
geom_histogram(binwidth = 1,
fill = "blue",
col="black")
p2 <- p +
geom_histogram(binwidth = 2,
fill = "blue",
col="black")
p3 <- p +
geom_histogram(binwidth = 3,
fill = "blue",
col="black")

Podemos utilizar la función [Link] in the gridExtra package:

library(gridExtra)

##
## Attaching package: 'gridExtra'
## The following object is masked from 'package:dplyr':
##
## combine

43
[Link](p1,p2,p3, ncol = 3)

300
100

150
75
200
count

count

count
100
50

100
25 50

0 0 0
50 60 70 80 50 60 70 80 50 60 70 80
height height height

44