ggplot2 in R: guida per principianti alla grammatica dei grafici

ggplot2 costruisce i grafici a livelli

ggplot2 è il pacchetto di grafici più usato in R, e il motivo per cui molti lo adorano è un'idea di design: la grammatica dei grafici. R base ti dà una funzione per ogni grafico, plot(), hist(), barplot(), ognuna con i suoi argomenti. ggplot2 ti dà invece un piccolo insieme di pezzi componibili, un dataset, una mappatura dalle colonne alle proprietà visive e dei livelli di disegno, che si combinano con + in qualsiasi grafico. Impari la grammatica una volta e ogni nuovo tipo di grafico è la stessa frase con una parola cambiata. In più, le impostazioni predefinite (pannello grigio, assi sensati, legende automatiche) sono presentabili senza alcuno sforzo di stile.

È un pacchetto aggiuntivo, quindi richiede un'installazione una tantum e un caricamento per ogni sessione:

install.packages("ggplot2")   # once, on your machine
library(ggplot2)              # at the top of every script that uses it

Un'aspettativa da conoscere subito: ggplot2 vuole un data frame (non vettori sparsi), idealmente in formato lungo tidy, cioè una riga per osservazione e una colonna per variabile. Se i tuoi dati sono in formato largo, trasformarli in formato lungo di solito dissolve quello che sembrava un problema di grafici.

Il modello mentale: dati, mappatura, geometria

Ogni ggplot risponde a tre domande, una per parte:

1. Dati: quale data frame? ggplot(mtcars, ...)
2. Mappatura: quali colonne guidano quali proprietà visive? aes(x = wt, y = hp)
3. Geometria: come vanno disegnate le osservazioni? + geom_point()

Ecco l'anatomia, pezzo per pezzo:

ggplot(mtcars, aes(x = wt, y = hp)) +
    geom_point()

• ggplot(mtcars, ...) avvia un grafico i cui dati predefiniti sono mtcars. Da solo disegna un pannello grigio vuoto: non ci sono ancora livelli.
• aes(x = wt, y = hp) è la mappatura estetica: la posizione orizzontale viene dalla colonna wt, quella verticale da hp. Nota che scrivi nomi di colonna nudi, non mtcars$wt: la mappatura viene valutata dentro i dati che hai fornito.
• + geom_point() aggiunge un livello che disegna ogni riga come un punto. Il + è davvero un'addizione di livelli: il grafico è un oggetto che costruisci poco a poco, e puoi continuare ad aggiungere, un altro geom, le etichette, un tema, ognuno con un altro +.

Eseguilo e otterrai lo stesso grafico a dispersione peso contro cavalli della versione in R base nella guida al grafico a dispersione, su un pannello grigio con linee di griglia bianche. Sostituisci geom_point() con geom_line() e la stessa mappatura diventa un grafico a linee: è la grammatica che fa il suo lavoro.

I geom che userai davvero

Una dozzina di geom copre quasi tutto il lavoro di tutti i giorni:

geom_point()       # scatter plot: two numeric variables
geom_line()        # line chart: trends over an ordered variable
geom_col()         # bar chart from pre-computed heights (needs y)
geom_bar()         # bar chart that counts raw rows for you (no y)
geom_histogram()   # distribution of one numeric variable (set binwidth)
geom_boxplot()     # distributions compared across groups
geom_smooth()      # fitted trend line; method = "lm" for straight

I livelli si impilano, ed è qui che ggplot2 inizia a battere R base in espressività: geom_point() + geom_smooth(method = "lm") è un grafico a dispersione con una retta di regressione e una banda di confidenza, in una riga leggibile. Siccome i grafici sono oggetti, puoi anche salvare una base e creare varianti a partire da essa:

p <- ggplot(mtcars, aes(x = wt, y = hp)) + geom_point()

p + geom_smooth(method = "lm")   # one variant
p + geom_smooth()                # another (loess curve)

Mappare contro impostare: la classica confusione di aes()

L'errore che ogni principiante di ggplot2 commette, di solito nella prima settimana: mettere un colore letterale dentro aes(). La regola è breve, dentro aes() significa "varia con i dati"; fuori significa "impostazione fissa", e le due posizioni fanno cose completamente diverse:

# MAPPING: color varies by a column - each cylinder count gets its own
# color, and a legend appears automatically
ggplot(mtcars, aes(x = wt, y = hp, color = factor(cyl))) +
    geom_point(size = 2)

# SETTING: every point is literally steelblue - no legend, no mapping
ggplot(mtcars, aes(x = wt, y = hp)) +
    geom_point(color = "steelblue", size = 2)

Ed ecco la trappola vera e propria:

# WRONG: "blue" inside aes() is treated as data, not as a color
ggplot(mtcars, aes(x = wt, y = hp, color = "blue")) +
    geom_point()

Questo disegna punti rosa salmone con una legenda la cui unica voce è etichettata "blue". Il motivo: aes() associa colonne a proprietà, quindi color = "blue" crea una finta colonna con una sola categoria il cui valore è ovunque la parola "blue", e ggplot assegna a quella categoria il suo primo colore predefinito, che guarda caso è un salmone rossastro. Se volevi "rendere blu i punti", il colore va fuori dalla mappatura: geom_point(color = "blue"). La stessa regola vale per size, shape, fill e alpha. (Nota anche factor(cyl) nell'esempio di mappatura: cyl è numerico, e avvolgerlo in factor() chiede colori distinti per gruppo invece di una sfumatura di colore continua.)

Etichette, facet e temi

labs() dà un nome a tutto in un unico posto, e un grafico non è finito finché non ha etichette vere:

ggplot(mtcars, aes(x = wt, y = hp, color = factor(cyl))) +
    geom_point(size = 2) +
    labs(title = "Horsepower vs. weight",
         x     = "Weight (1000 lbs)",
         y     = "Horsepower",
         color = "Cylinders")

I facet sono la funzionalità di punta di ggplot2: dividono un grafico in piccoli multipli, un pannello per gruppo, con assi condivisi così i pannelli si confrontano onestamente:

ggplot(mtcars, aes(x = wt, y = hp)) +
    geom_point() +
    facet_wrap(~ cyl)

Compaiono tre pannelli, uno per le auto a 4, 6 e 8 cilindri, disposti in una griglia con il valore del gruppo scritto sopra ogni pannello. In R base è un gioco di prestigio con par(mfrow) e limiti condivisi impostati a mano; qui è una riga. I facet premiano i dati tidy, ed è per questo che ggplot2 si abbina così naturalmente a una pipeline dplyr: filtra e riassumi, poi passa il risultato direttamente a ggplot().

I temi cambiano lo stile di tutto ciò che non rappresenta i dati con una sola chiamata: + theme_minimal() (sfondo bianco pulito), + theme_bw(), + theme_classic() (solo assi, niente griglia), oppure il grigio predefinito. Scegline uno per progetto e sii coerente: un report in cui tutte le figure condividono un tema si legge come un unico documento invece che come un album di ritagli.

Salvare con ggsave(), e quando R base va ancora bene

ggsave() scrive su disco il grafico più recente, deducendo il formato dall'estensione del file:

ggsave("hp-vs-weight.png", width = 8, height = 5)          # last plot shown
ggsave("hp-vs-weight.pdf", plot = p, width = 8, height = 5) # a saved object

width e height sono in pollici per impostazione predefinita; impostali esplicitamente, perché la dimensione dei caratteri scala con le dimensioni dell'output e i valori predefiniti raramente corrispondono alla destinazione della figura.

Quanto a quando valga la pena: per un'occhiata di cinque secondi a una variabile durante un'analisi, plot() di R base e simili richiedono meno codice e nessuna dipendenza, e non c'è nessun premio per chi usa ggplot2 ovunque. ggplot2 si guadagna il posto appena una figura coinvolge gruppi, legende, facet o un pubblico: la grammatica scala verso una complessità che i grafici base gestiscono solo con fatica.

Cosa ti porti a casa

• ggplot2 compone ogni grafico con dati + mappatura aes() + livelli geom, uniti da +; impari la grammatica una volta e la riusi per ogni tipo di grafico.
• aes() associa le colonne alle proprietà visive, con nomi di colonna nudi valutati nel tuo data frame.
• Dentro aes() = varia con i dati (e ottiene una legenda); fuori = impostazione fissa. aes(color = "blue") è il bug classico.
• labs() per i titoli, facet_wrap(~ group) per i piccoli multipli, theme_minimal() e simili per lo stile, ggsave() con dimensioni esplicite per esportare.
• Occhiata veloce in solitaria: R base. Gruppi, facet o un pubblico: ggplot2.

Con questo si chiude il capitolo sui grafici: da qui, il passo successivo naturale sono le statistiche descrittive, per dare dei numeri alle forme che questi grafici rivelano.