Wykres słupkowy w R: barplot() z liczebności i tabel

Wykresy słupkowe porównują kategorie

Wykres słupkowy odpowiada na pytanie "ile czego?": jeden słupek na kategorię, a długość słupka pokazuje jej wartość. W bazowym R służy do tego funkcja barplot(), a jej wejściem jest po prostu wektor wysokości. Jeśli nadasz wektorowi nazwy, staną się one podpisami pod słupkami:

visits <- c(Mon = 42, Tue = 51, Wed = 47, Thu = 60, Fri = 78)

barplot(visits,
        main = "Store visits by day",
        ylab = "Visits")

Pięć szarych słupków podpisanych dniami, rosnących od skromnego poniedziałku do piątkowego szczytu prawie dwa razy wyższego. Nic do instalowania, nic do konfigurowania: jeśli umiesz zbudować nazwany wektor, umiesz go narysować.

Edytory na tej stronie pokazują tylko wynik tekstowy, więc wywołania barplot() to statyczne fragmenty do wklejenia w lokalnej sesji R. Krok zliczania przed nimi działa jednak bez problemu, a to on jest najważniejszy.

Prawdziwy schemat pracy: najpierw table(), potem barplot()

W praktyce rzadko masz gotowe, zliczone wysokości. Masz surową kolumnę etykiet kategorii (jeden wiersz na odpowiedź w ankiecie, zamówienie, użytkownika), a prawdziwa praca to zliczanie. table() robi to jednym wywołaniem, a jej wynik to nazwany wektor liczebności, czyli dokładnie to, czego chce barplot():

responses <- c("Yes", "No", "Yes", "Maybe", "Yes", "No",
               "Yes", "Yes", "Maybe", "No", "Yes", "Yes")

t <- table(responses)
print(t)

# Sorted, so the biggest bar comes first:
print(sort(t, decreasing = TRUE))

Wykres to już tylko jedna linijka więcej:

barplot(sort(t, decreasing = TRUE),
        main = "Survey responses",
        ylab = "Count")

Te dwa kroki, table() i potem barplot(), to najczęstszy sposób tworzenia wykresu słupkowego w R. Posortowanie tabeli to tanie ulepszenie: słupki ułożone według wysokości czyta się szybciej niż alfabetycznie, chyba że kategorie mają naturalny porządek (dni, miesiące, poziomy dawki). Wtedy czynnik z poprawnie uporządkowanymi poziomami sprawi, że table() nie ułoży ich alfabetycznie. Dla słupków wymagających prawdziwej agregacji (sumy lub średnie w grupach zamiast liczby wierszy) najpierw wykonaj krok group-by-summarize i przekaż wynik do barplot().

Etykiety i styl

Etykiety zwykle pochodzą z nazw wektora, ale names.arg je nadpisuje, co przydaje się, gdy kody w danych nie nadają się dla odbiorców:

barplot(visits,
        names.arg = c("Monday", "Tuesday", "Wednesday",
                      "Thursday", "Friday"),
        col    = "steelblue",
        border = NA,
        main   = "Store visits by day",
        las    = 2)

• col wypełnia słupki kolorem; przekaż wektor, żeby pokolorować każdy słupek osobno, ale nie używaj tęczy bez powodu. Kolor powinien coś znaczyć, np. wyróżniać ten jeden słupek, o którym mówisz.
• border = NA usuwa obrys słupków, co daje czystszy wygląd.
• las = 2 obraca etykiety osi prostopadle do niej, co rozwiązuje problem nachodzących na siebie długich nazw kategorii. Przy naprawdę długich nazwach połącz to z większym dolnym marginesem (par(mar = c(8, 4, 4, 2))).

Słupki grupowane i skumulowane z macierzy

Aby pokazać naraz dwa wymiary kategorii, np. sprzedaż według kanału i kwartału, przekaż do barplot() macierz. Każda kolumna staje się jedną pozycją na osi kategorii, a wiersze stają się słupkami składowymi:

sales <- matrix(c(12, 18,   15, 22,   20, 19,   24, 27),
                nrow = 2,
                dimnames = list(c("Online", "Retail"),
                                c("Q1", "Q2", "Q3", "Q4")))

# Grouped: rows stand next to each other within each quarter
barplot(sales, beside = TRUE,
        col = c("steelblue", "orange"),
        legend.text = rownames(sales),
        main = "Sales by channel and quarter")

# Stacked: rows pile up into one total bar per quarter (the default)
barplot(sales, beside = FALSE,
        col = c("steelblue", "orange"),
        legend.text = rownames(sales))

beside = TRUE stawia oba kanały ramię w ramię w każdym kwartale, co najlepiej sprawdza się przy bezpośrednim porównywaniu kanałów. Domyślny wariant skumulowany podkreśla sumę w każdym kwartale, a podział widać wewnątrz słupka. Uczciwie pokazuje sumy, ale utrudnia porównywanie wewnętrznych segmentów między słupkami, bo ich podstawy się przesuwają. legend.text = rownames(sales) dodaje legendę, dzięki której obie wersje są czytelne.

Jeszcze jeden przełącznik: horiz = TRUE układa słupki wzdłuż osi poziomej. To najwygodniejszy układ przy wielu kategoriach o długich nazwach: każda etykieta stoi w osobnym wierszu obok swojego słupka i nie trzeba jej obracać.

Wykres słupkowy czy histogram?

Te dwa wykresy są bez przerwy mylone, a różnicę warto poznać w pół minuty. Wykres słupkowy porównuje odrębne kategorie: oś to zbiór etykiet, słupki są rozdzielone, a zmiana ich kolejności jest dozwolona. Histogram dzieli na przedziały jedną zmienną liczbową: oś to ciągła skala, słupki się stykają, bo przedziały następują po sobie, a zmiana ich kolejności nie miałaby sensu. Jeśli kolumna zawiera słowa ("Yes", "Chrome", "Q3"), potrzebujesz barplot(table(x)). Jeśli zawiera pomiary (wzrost, ceny, czasy odpowiedzi), potrzebujesz histogramu i hist(x).

ggplot2: geom_col a geom_bar

Wersja w ggplot2 ma dwa geomy, a wybór zależy od tego, czy zliczanie jest już zrobione:

library(ggplot2)

# geom_bar(): raw observations in, counting done for you
ggplot(survey, aes(x = response)) +
    geom_bar(fill = "steelblue")

# geom_col(): heights already computed, one row per bar
totals <- data.frame(day = c("Mon", "Tue", "Wed", "Thu", "Fri"),
                     visits = c(42, 51, 47, 60, 78))

ggplot(totals, aes(x = day, y = visits)) +
    geom_col(fill = "steelblue")

geom_bar() to table() wbudowane w wykres: przyjmuje jeden wiersz na obserwację i zlicza. geom_col() przyjmuje zagregowane dane i mapuje kolumnę y na wysokość słupka, co odpowiada klasycznemu barplot(). Podanie już zliczonych danych do geom_bar() to typowa pułapka początkujących: zlicza on wiersze (po jednym), więc każdy słupek ma tę samą wysokość.

Co warto zapamiętać

• barplot(heights) rysuje nazwany wektor, a table(x) tworzy dokładnie taki kształt z surowych danych kategorycznych, więc barplot(table(x)) to podstawowy idiom.
• Posortuj tabelę (albo ustaw poziomy czynnika) przed rysowaniem; kolejność słupków jest częścią przekazu.
• Macierz daje słupki grupowane (beside = TRUE) lub skumulowane (domyślnie); dodaj legend.text = rownames(m).
• names.arg, col, las = 2 i horiz = TRUE obsługują podpisy; słupki poziome są najlepsze przy długich nazwach.
• Kategorie → wykres słupkowy; przedziały liczbowe → histogram. W ggplot2: surowe wiersze → geom_bar(), obliczone wysokości → geom_col().

Dalej: samo ggplot2, czyli gramatyka, która buduje wszystkie te wykresy i wiele innych z tych samych kilku łączonych elementów.