Manipulation et visualisation de données
Thameur Abdelghani, Yasmine Liousfi, Philippe Regnault
5 juillet 2017
Manipulation des données avec dplyr
dplyr est un package dédié à la simplification de la manipulation, l’exploration et les calculs sur des données.
Nous allons explorer les commandes de base du package dplyr. Pour se faire nous allons utiliser la base flights disponible dans le package ‘nycflights13’
Chargement des packages
library(nycflights13)
library(ggplot2)
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(formattable)Les commandes de base
Nous vous présenterons ici 5 des principaux verbes du package {dplyr}. Il en existe d’autres, mais les verbes ci-dessous sont particulièrement indispensables.
Ils ont tous en commun de prendre comme premier argument le nom du jeu de donn?es sur lequel opérer les manipulations.
Ces verbes sont: * select : permet de sélectionner des colonnes de la base ; * filter : permet de sélectionner des lignes de la base répondant à certains critères ; * arrange : permet de réarranger les lignes de la base selon certains critères ; * mutate : permet de créer des variables synthétiques ; * summarise : permet d’aggréger des données.
dim(flights)## [1] 336776 19head(flights)## # A tibble: 6 x 19
## year month day dep_time sched_dep_time dep_delay arr_time
## <int> <int> <int> <int> <int> <dbl> <int>
## 1 2013 1 1 517 515 2 830
## 2 2013 1 1 533 529 4 850
## 3 2013 1 1 542 540 2 923
## 4 2013 1 1 544 545 -1 1004
## 5 2013 1 1 554 600 -6 812
## 6 2013 1 1 554 558 -4 740
## # ... with 12 more variables: sched_arr_time <int>, arr_delay <dbl>,
## # carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
## # air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>,
## # time_hour <dttm>Comment filtrer les données
Le deuxième verbe central de dplyr est filter. Il permet de filtrer les lignes du jeu de données qui satisfont un critère. Son écriture est très proche de la fonction subset :
filter(flights, month == 1, day == 1) #ceci est équivalent à flights[flights$month == 1 & flights$day == 1, ]## # A tibble: 842 x 19
## year month day dep_time sched_dep_time dep_delay arr_time
## <int> <int> <int> <int> <int> <dbl> <int>
## 1 2013 1 1 517 515 2 830
## 2 2013 1 1 533 529 4 850
## 3 2013 1 1 542 540 2 923
## 4 2013 1 1 544 545 -1 1004
## 5 2013 1 1 554 600 -6 812
## 6 2013 1 1 554 558 -4 740
## 7 2013 1 1 555 600 -5 913
## 8 2013 1 1 557 600 -3 709
## 9 2013 1 1 557 600 -3 838
## 10 2013 1 1 558 600 -2 753
## # ... with 832 more rows, and 12 more variables: sched_arr_time <int>,
## # arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
## # origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
## # minute <dbl>, time_hour <dttm>filter(flights, month == 1 | month == 2)## # A tibble: 51,955 x 19
## year month day dep_time sched_dep_time dep_delay arr_time
## <int> <int> <int> <int> <int> <dbl> <int>
## 1 2013 1 1 517 515 2 830
## 2 2013 1 1 533 529 4 850
## 3 2013 1 1 542 540 2 923
## 4 2013 1 1 544 545 -1 1004
## 5 2013 1 1 554 600 -6 812
## 6 2013 1 1 554 558 -4 740
## 7 2013 1 1 555 600 -5 913
## 8 2013 1 1 557 600 -3 709
## 9 2013 1 1 557 600 -3 838
## 10 2013 1 1 558 600 -2 753
## # ... with 51,945 more rows, and 12 more variables: sched_arr_time <int>,
## # arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
## # origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
## # minute <dbl>, time_hour <dttm>Comment trier les données ?
Une autre opération utile consiste à trier le jeu de données, dans l’ordre croissant ou décroissant selon un ou plusieurs critères : c’est le job de la fonction arrange.
Par défaut, le tri se fait en ordre croissant :
arrange(flights, year)## # A tibble: 336,776 x 19
## year month day dep_time sched_dep_time dep_delay arr_time
## <int> <int> <int> <int> <int> <dbl> <int>
## 1 2013 1 1 517 515 2 830
## 2 2013 1 1 533 529 4 850
## 3 2013 1 1 542 540 2 923
## 4 2013 1 1 544 545 -1 1004
## 5 2013 1 1 554 600 -6 812
## 6 2013 1 1 554 558 -4 740
## 7 2013 1 1 555 600 -5 913
## 8 2013 1 1 557 600 -3 709
## 9 2013 1 1 557 600 -3 838
## 10 2013 1 1 558 600 -2 753
## # ... with 336,766 more rows, and 12 more variables: sched_arr_time <int>,
## # arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
## # origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
## # minute <dbl>, time_hour <dttm>C’est en utilisant la fonction desc() que le tri se fait en ordre décroissant. Un genre de decreasing = TRUE de la fonction sort :
arrange(flights, desc(arr_delay))## # A tibble: 336,776 x 19
## year month day dep_time sched_dep_time dep_delay arr_time
## <int> <int> <int> <int> <int> <dbl> <int>
## 1 2013 1 9 641 900 1301 1242
## 2 2013 6 15 1432 1935 1137 1607
## 3 2013 1 10 1121 1635 1126 1239
## 4 2013 9 20 1139 1845 1014 1457
## 5 2013 7 22 845 1600 1005 1044
## 6 2013 4 10 1100 1900 960 1342
## 7 2013 3 17 2321 810 911 135
## 8 2013 7 22 2257 759 898 121
## 9 2013 12 5 756 1700 896 1058
## 10 2013 5 3 1133 2055 878 1250
## # ... with 336,766 more rows, and 12 more variables: sched_arr_time <int>,
## # arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
## # origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
## # minute <dbl>, time_hour <dttm>On peut cumuler plusieurs critères. Les données sont alors rangées selon l’ordre lexicographique défini par les variables d’entrée.
arrange(flights, year, month, day)## # A tibble: 336,776 x 19
## year month day dep_time sched_dep_time dep_delay arr_time
## <int> <int> <int> <int> <int> <dbl> <int>
## 1 2013 1 1 517 515 2 830
## 2 2013 1 1 533 529 4 850
## 3 2013 1 1 542 540 2 923
## 4 2013 1 1 544 545 -1 1004
## 5 2013 1 1 554 600 -6 812
## 6 2013 1 1 554 558 -4 740
## 7 2013 1 1 555 600 -5 913
## 8 2013 1 1 557 600 -3 709
## 9 2013 1 1 557 600 -3 838
## 10 2013 1 1 558 600 -2 753
## # ... with 336,766 more rows, and 12 more variables: sched_arr_time <int>,
## # arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
## # origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
## # minute <dbl>, time_hour <dttm>Comment transformer des variables, en créer des nouvelles ?
mutate est le verbe qui permet la transformation d’une variable existante ou la création d’une nouvelle variable dans le jeu de données. C’est le verbe à utiliser dès lors qu’on utilise $ et <- dans la même instruction, comme dans : dataset$nouvelle_variable <- op?éation sur une ancienne_variable ou dataset$ancienne_variable <- opération sur une ancienne_variable
mutate(flights,
gain = arr_delay - dep_delay,
speed = distance / air_time * 60)## # A tibble: 336,776 x 21
## year month day dep_time sched_dep_time dep_delay arr_time
## <int> <int> <int> <int> <int> <dbl> <int>
## 1 2013 1 1 517 515 2 830
## 2 2013 1 1 533 529 4 850
## 3 2013 1 1 542 540 2 923
## 4 2013 1 1 544 545 -1 1004
## 5 2013 1 1 554 600 -6 812
## 6 2013 1 1 554 558 -4 740
## 7 2013 1 1 555 600 -5 913
## 8 2013 1 1 557 600 -3 709
## 9 2013 1 1 557 600 -3 838
## 10 2013 1 1 558 600 -2 753
## # ... with 336,766 more rows, and 14 more variables: sched_arr_time <int>,
## # arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
## # origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
## # minute <dbl>, time_hour <dttm>, gain <dbl>, speed <dbl>Comment résumer les données ?
summarize est une fonction dite de “résumé”. A l’inverse de mutate, quand une fonction summarize est appelée, elle retourne une seule information. La moyenne, la variance, l’effectif, etc, sont des informations qui condensent la variable étudiée en une seule information.
summarise(flights,
delay = mean(dep_delay, na.rm = TRUE))## # A tibble: 1 x 1
## delay
## <dbl>
## 1 12.63907Enchaîner les opérations de manipulations de données
Le package {magrittr} propose un opérateur codé %>% dont le rôle est d’éviter l’imbrication des fonctions les unes dans les autres. Par exemple :
flights %>% head()## # A tibble: 6 x 19
## year month day dep_time sched_dep_time dep_delay arr_time
## <int> <int> <int> <int> <int> <dbl> <int>
## 1 2013 1 1 517 515 2 830
## 2 2013 1 1 533 529 4 850
## 3 2013 1 1 542 540 2 923
## 4 2013 1 1 544 545 -1 1004
## 5 2013 1 1 554 600 -6 812
## 6 2013 1 1 554 558 -4 740
## # ... with 12 more variables: sched_arr_time <int>, arr_delay <dbl>,
## # carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
## # air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>,
## # time_hour <dttm># est ?quivalent ?: head(flights)Dans l’exemple précédent, la fonction head prend le jeu de données ‘flights’ comme premier argument.
L’intérêt de cet opérateur %>% n’est pas pleinement exprimé dans cet exemple, puisque qu’on ne gagne pas particulièrement en lisibilité ou en frappe sur le clavier. Son intérêt réside en fait dans le chaînage des opérations de manipulation sur la base de données.
flights %>%
filter(month > 6) %>%
summarise(delay2 = mean(dep_delay, na.rm = TRUE)) %>%
mutate(delay_minute = delay2*60)## # A tibble: 1 x 2
## delay2 delay_minute
## <dbl> <dbl>
## 1 11.60091 696.0547Réaliser les traitements par groupe dans un “pipe”
Découper un jeu de données pour réaliser des opérations sur chacun des sous-ensembles afin de les restituer ensuite de façon organisée est appelée stratégie du split - apply. Cette opération est réalisée par la fonction group_by. Dans un pipe, dès lors qu’un group_by est introduit, toutes les opérations qui suivent sont réalisées pour chacun des sous-ensembles de la base.
flights %>%
group_by(year, month, day)%>%
select(arr_delay, dep_delay) %>%
summarise(
arr = mean(arr_delay, na.rm = TRUE),
dep = mean(dep_delay, na.rm = TRUE)
) %>%
filter(arr > 30 | dep > 30) %>%
arrange(month, day)## Adding missing grouping variables: `year`, `month`, `day`## # A tibble: 49 x 5
## # Groups: year, month [11]
## year month day arr dep
## <int> <int> <int> <dbl> <dbl>
## 1 2013 1 16 34.24736 24.61287
## 2 2013 1 31 32.60285 28.65836
## 3 2013 2 11 36.29009 39.07360
## 4 2013 2 27 31.25249 37.76327
## 5 2013 3 8 85.86216 83.53692
## 6 2013 3 18 41.29189 30.11796
## 7 2013 4 10 38.41231 33.02368
## 8 2013 4 12 36.04814 34.83843
## 9 2013 4 18 36.02848 34.91536
## 10 2013 4 19 47.91170 46.12783
## # ... with 39 more rowsUne application
On va appliquer les principes précédents pour manipuler une base de données regroupant un certain nombre d’informations sur des longs métrages disponibles sur une plate-forme de streaming.
movie <-read.csv('movie_metadata.csv',header=T,stringsAsFactors = F)
head(movie)## color director_name num_critic_for_reviews duration
## 1 Color James Cameron 723 178
## 2 Color Gore Verbinski 302 169
## 3 Color Sam Mendes 602 148
## 4 Color Christopher Nolan 813 164
## 5 Doug Walker NA NA
## 6 Color Andrew Stanton 462 132
## director_facebook_likes actor_3_facebook_likes actor_2_name
## 1 0 855 Joel David Moore
## 2 563 1000 Orlando Bloom
## 3 0 161 Rory Kinnear
## 4 22000 23000 Christian Bale
## 5 131 NA Rob Walker
## 6 475 530 Samantha Morton
## actor_1_facebook_likes gross genres
## 1 1000 760505847 Action|Adventure|Fantasy|Sci-Fi
## 2 40000 309404152 Action|Adventure|Fantasy
## 3 11000 200074175 Action|Adventure|Thriller
## 4 27000 448130642 Action|Thriller
## 5 131 NA Documentary
## 6 640 73058679 Action|Adventure|Sci-Fi
## actor_1_name movie_title
## 1 CCH Pounder Avatar
## 2 Johnny Depp Pirates of the Caribbean: At World's End
## 3 Christoph Waltz Spectre
## 4 Tom Hardy The Dark Knight Rises
## 5 Doug Walker Star Wars: Episode VII - The Force Awakens
## 6 Daryl Sabara John Carter
## num_voted_users cast_total_facebook_likes actor_3_name
## 1 886204 4834 Wes Studi
## 2 471220 48350 Jack Davenport
## 3 275868 11700 Stephanie Sigman
## 4 1144337 106759 Joseph Gordon-Levitt
## 5 8 143
## 6 212204 1873 Polly Walker
## facenumber_in_poster
## 1 0
## 2 0
## 3 1
## 4 0
## 5 0
## 6 1
## plot_keywords
## 1 avatar|future|marine|native|paraplegic
## 2 goddess|marriage ceremony|marriage proposal|pirate|singapore
## 3 bomb|espionage|sequel|spy|terrorist
## 4 deception|imprisonment|lawlessness|police officer|terrorist plot
## 5
## 6 alien|american civil war|male nipple|mars|princess
## movie_imdb_link
## 1 http://www.imdb.com/title/tt0499549/?ref_=fn_tt_tt_1
## 2 http://www.imdb.com/title/tt0449088/?ref_=fn_tt_tt_1
## 3 http://www.imdb.com/title/tt2379713/?ref_=fn_tt_tt_1
## 4 http://www.imdb.com/title/tt1345836/?ref_=fn_tt_tt_1
## 5 http://www.imdb.com/title/tt5289954/?ref_=fn_tt_tt_1
## 6 http://www.imdb.com/title/tt0401729/?ref_=fn_tt_tt_1
## num_user_for_reviews language country content_rating budget
## 1 3054 English USA PG-13 237000000
## 2 1238 English USA PG-13 300000000
## 3 994 English UK PG-13 245000000
## 4 2701 English USA PG-13 250000000
## 5 NA NA
## 6 738 English USA PG-13 263700000
## title_year actor_2_facebook_likes imdb_score aspect_ratio
## 1 2009 936 7.9 1.78
## 2 2007 5000 7.1 2.35
## 3 2015 393 6.8 2.35
## 4 2012 23000 8.5 2.35
## 5 NA 12 7.1 NA
## 6 2012 632 6.6 2.35
## movie_facebook_likes
## 1 33000
## 2 0
## 3 85000
## 4 164000
## 5 0
## 6 24000On peut dans un premier temps dénombrer les films évalués par années
temp <- movie %>%
select(movie_title, title_year) %>%
filter( !is.na(title_year) & !is.na(movie_title) ) %>%
group_by(title_year) %>%
summarise(n_film = n())
ggplot(temp,aes(x=title_year,y=n_film))+geom_line()+geom_smooth()## `geom_smooth()` using method = 'loess'
On peut ensuite résumer l’évolution des notations IMDB au fil des années.
temp1 <- movie %>%
select(imdb_score, title_year) %>%
filter(!is.na(title_year) & !is.na(imdb_score)) %>%
group_by(title_year) %>%
summarise(score=mean(imdb_score))
ggplot(temp1,aes(x=title_year,y=score))+geom_line()+geom_smooth()## `geom_smooth()` using method = 'loess'
On peut extraire la liste des 20 réalisateurs les mieux notés :
temp3 <- movie %>%
select(director_name, imdb_score) %>%
filter(!is.na(director_name) & !is.na(imdb_score)) %>%
group_by(director_name) %>%
summarise(avg=mean(imdb_score)) %>%
arrange(desc(avg)) %>%
head(n = 20L)
temp3 %>%
formattable(list(avg = color_bar("orange")), align = 'l')| director_name | avg |
|---|---|
| John Blanchard | 9.500 |
| Cary Bell | 8.700 |
| Mitchell Altieri | 8.700 |
| Sadyk Sher-Niyaz | 8.700 |
| Charles Chaplin | 8.600 |
| Mike Mayhall | 8.600 |
| Damien Chazelle | 8.500 |
| Majid Majidi | 8.500 |
| Raja Menon | 8.500 |
| Ron Fricke | 8.500 |
| Sergio Leone | 8.475 |
| Christopher Nolan | 8.425 |
| Asghar Farhadi | 8.400 |
| Bill Melendez | 8.400 |
| Catherine Owens | 8.400 |
| Jay Oliva | 8.400 |
| Marius A. Markevicius | 8.400 |
| Moustapha Akkad | 8.400 |
| Rakeysh Omprakash Mehra | 8.400 |
| Richard Marquand | 8.400 |
Présentation de ggplot2
ggplot2 is an R package for producing statistical, or data, graphics, but it is unlike most other graphics packages because it has a deep underlying grammar.
Hadley Wickman
ggplot2 est un package de visualisation des données souple, facile à appréhender, permettant de produire facilement des graphiques de grande qualité (à la fois informatifs, lisibles et agréables à l’oeil) et le cas échéant de paramétrer à sa guise le rendu de ces graphiques.
Cette présentation se contente d’effleurer les possibilités offertes par ce package. Pour une présentation approfondie, nous renvoyons aux nombreux livres dédiés, dont celui de l’auteur du package, Wickham (2016), dont une version html est accessible librement ici et qui m’a servi de base pour ce tutoriel. Citons également Chang (2012) auquel est associé le package gcookbook regroupant les jeux de données utilisés par l’auteur dans son livre.
La génération de graphiques via ggplot2 repose sur la grammaire des graphiques introduite par Wilkinson (2006) et adapatée et implémentée sous R par Hadley Wickham. Selon lui :
the grammar tells us that a statistical graphic is a mapping from data to aesthetic attributes (colour, shape, size) of geometric objects (points, lines, bars).
Sans rentrer dans les détails de cette grammaire, la terminologie associée présentée ci-dessous (et empruntée à Wickham (2016)) est à connaître.
Terminologie
- Data ou données : les données que nous souhaitons visualiser, présentées sous la forme d’un data-frame ;
- aesthetic mappings ou aesthetics : associe les variables du data-frame (ou un sous-ensemble de ces variables) à des attributs graphiques (par exemple, pour un nuage de points, quelle variable est associée à l’axe des abscisses, quelle autre à l’axe des ordonnées, quelle variable sera associée à la taille des points, etc) ;
- geometric objects : désignent ce que l’on voit sur le graphique : des points, des barres, des courbes, etc ;
- stats : transformation des données en indicateurs statistiques (dans un sens très large), en vue de leur visualisation ;
- scales : décrivent la façon dont les aesthetics sont représentés sur le graphique et gèrent l’étiquetage des axes, les boîtes de légende, etc ;
- coord : un système de coordonnées, typiquement cartésien ;
- facet : désigne un système de règles décrivant comment les données sont découpées en sous-groupes et comment ces sous-groupes sont représentés.
La fonction qplot
Pour cette introduction, nous allons utiliser le jeu de données diamonds fourni par le package ggplot2
library(ggplot2)
head(diamonds)## # A tibble: 6 x 10
## carat cut color clarity depth table price x y z
## <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl> <dbl>
## 1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43
## 2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31
## 3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31
## 4 0.29 Premium I VS2 62.4 58 334 4.20 4.23 2.63
## 5 0.31 Good J SI2 63.3 58 335 4.34 4.35 2.75
## 6 0.24 Very Good J VVS2 62.8 57 336 3.94 3.96 2.48La fonction qplot permet de générer simplement des graphiques avec ggplot2, dans une syntaxe proche de la fonction de base plot.
qplot(carat, price, data = diamonds)
qplot(log(carat), log(price), data = diamonds)
La syntaxe de cette fonction et les graphiques produits sont proches de la fonction de base. Ceci étant, on peut adjoindre des arguments supplémentaires, tirant partie de la grammaire sur laquelle se base le package. Par exemple, on peut choisir d’attribuer une couleur distincte aux points selon la couleur à la qualité de taille des diamants.
set.seed(1410)
dsmall <- diamonds[sample(nrow(diamonds), 100), ]
qplot(carat, price, data = dsmall, colour = color, shape = cut)
Ainsi, les arguments colour and shape ont fait appel aux aesthetic mappings et scale, dont le rôle a été d’associer à chaque point une couleur et une forme, et d’ajouter les boîtes de légende correspondantes.
La fonction qplot permet de produire d’autres types de graphiques, comme des histogrammes, des diagrammes en barres, diagrammes circulaire, boxplots, etc. Pour cela, on renseignera l’argument geom lors de son appel, qui, comme son nom l’indique, renvoie à la partie geom de la grammaire.
qplot(carat, data = diamonds, geom = "histogram", fill = color)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
qplot(color, data = diamonds, geom = "bar")
qplot(color, price/carat, data = diamonds, geom = "boxplot")
qplot(carat, price, data = diamonds, geom = c("point", "smooth"))## `geom_smooth()` using method = 'gam'
qplot(color, data = diamonds, geom = "bar", weight = carat) +
scale_y_continuous("carat")
qplot(carat, data = diamonds, ..density..,
facets = color ~ .,
geom = "histogram",
binwidth = 0.1, xlim = c(0,3))## Warning: Removed 32 rows containing non-finite values (stat_bin).
Grammaire et couches
Regardons de plus près la grammaire structurant la création de graphiques par ggplot2 à travers l’exemple suivant.
library('dplyr')
subdata <- filter(diamonds, color %in% c('D', 'E', 'F', 'G'))
head(subdata)## # A tibble: 6 x 10
## carat cut color clarity depth table price x y z
## <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl> <dbl>
## 1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43
## 2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31
## 3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31
## 4 0.22 Fair E VS2 65.1 61 337 3.87 3.78 2.49
## 5 0.22 Premium F SI1 60.4 61 342 3.88 3.84 2.33
## 6 0.20 Premium E SI2 60.2 62 345 3.79 3.75 2.27qplot(carat, price, data = subdata, facets = color ~ ., geom = c('point', 'smooth'), colour = cut)## `geom_smooth()` using method = 'gam'
Dans cet exemple, les éléments structurant sont les suivants : * data : les données sont celles du data-frame subdata correspondant à l’extraction des diamants dont la couleur est D, E, F ou G ; * aesthetics : la variable carat est associée à l’axe des abscisses, la variable price, à l’axe des ordonnées, la variable cut à la couleur ; * geoms : il y a deux éléments géométriques superposés (deux couches) : un nuage de points et une courbe de régression avec intervalle de confiance ; * stats : implicitement, il y a un traitement statistique effectué sur les données pour le tracé des courbes de régression ; * facets : on a représenté séparément les éléments géométriques pour chaque couleur ; * scales : plus difficile à identifier ici. On va y revenir…
Enregistrer ce graphique et lui appliquer la fonction summary permet d’avoir un paercçu de ces composantes
my_plot <- qplot(carat, price, data = subdata, facets = color ~ ., geom = c('point', 'smooth'), colour = cut)
summary(my_plot)## data: carat, cut, color, clarity, depth, table, price, x, y, z
## [37406x10]
## mapping: colour = cut, x = carat, y = price
## faceting: <ggproto object: Class FacetGrid, Facet>
## compute_layout: function
## draw_back: function
## draw_front: function
## draw_labels: function
## draw_panels: function
## finish_data: function
## init_scales: function
## map: function
## map_data: function
## params: list
## render_back: function
## render_front: function
## render_panels: function
## setup_data: function
## setup_params: function
## shrink: TRUE
## train: function
## train_positions: function
## train_scales: function
## super: <ggproto object: Class FacetGrid, Facet>
## -----------------------------------
## geom_point: na.rm = FALSE
## stat_identity: na.rm = FALSE
## position_identity
##
## geom_smooth: na.rm = FALSE
## stat_smooth: na.rm = FALSE, method = auto, formula = y ~ x, se = TRUE
## position_identityOn peut générer à nouveau ce graphique en décomposant sa construction grâce aux fonctions dédiées.
ggplot(data = subdata,
mapping = aes(x = carat, y = price, colour = cut)) +
geom_point() +
geom_smooth() +
facet_grid(color ~ .)## `geom_smooth()` using method = 'gam'
Ces fonctions offrent une souplesse d’utilisation inexistante avec la fonction qplot.
ggplot(data = subdata,
mapping = aes(x = carat, y = price)) +
geom_point(mapping = aes(colour = cut)) +
geom_smooth(method = 'lm') +
facet_grid(color ~ .) +
theme_light() 
On peut sauvegarder le graphique réalisé pour une utilisation ultérieure dans R. On peut aussi l’exporter en tant qu’image pour l’ajouter à un article, etc.
my_plot <- ggplot(data = subdata,
mapping = aes(x = carat, y = price)) +
geom_point(mapping = aes(colour = cut)) +
geom_smooth(method = 'lm') +
facet_grid(color ~ .) +
theme_light()
save(my_plot, file = "essai_ggplot.Rdata")
ggsave(plot = my_plot, filename = "essai_ggplot.png", device = 'png')## Saving 7 x 5 in imageChang, Winston. 2012. R Graphics Cookbook: Practical Recipes for Visualizing Data. “ O’Reilly Media, Inc.”
Wickham, Hadley. 2016. Ggplot2: Elegant Graphics for Data Analysis. Springer.
Wilkinson, Leland. 2006. The Grammar of Graphics. Springer Science & Business Media.
Comment sélectionner des colonnes ?
Cette ligne de code est équivalente à
flights[,c("year","month","day")].Il est possible de sélectionner plusieurs colonnes contigu?s avec “:”
Il est aussi possible d’anti-sélectionner par les noms de variables :
Par ailleurs d’autres fonctions utiles de sélection sont pré-implémentées :
starts_with,ends_with,matchesetcontains.