Package R ggplot2
Ggplot2 est un package de R qui permet de réaliser des graphiques plus perfectionnés, et au design plus moderne. Pour cela, il existe deux fonctions :
- QPLOT (pour "Quick Plot") qui est la fonction "de base" du package (mais qui offre de grandes possibilités). Syntaxe générale : qplot(x,y,data=database)
- GGPLOT va permettre de créer des graphiques extrêmement perfectionnés. Sa syntaxe diffère de la syntaxe habituelle : ggplot(data=data,aes=(x,y)) +layers. La fonction ggplot (argument data et aes pour "aesthetic mapping") va permettre de créer le graphique en lui même, et les layers vont permettre d'ajouter des paramètres modifiant la représentation.
##### On installe le package
install.packages("ggplot2")
Une fois installé, il suffit de charger le package, avant de vouloir l'utiliser.
### On charge le package library(ggplot2)
Sommaire
Jeu de données :
Pour illustrer, on utilise le jeu de données « iris » de R, qui contient 150 observations de 5 variables : 4 variables de type quantitatif, et une de type qualitatif (Species).
- Sepal.Length : longueur de la sépale
- Sepal.Width : largeur de la sépale Petal.Length : longueur du pétale
- Petal.Width : largeur du pétale
- Species : espèce.
### On charge les données data(iris)
La fonction head(dataset) permet d’avoir un aperçu des premières lignes du jeu de données :
head(iris)
Attention ! pour utiliser ggplot2, les données doivent être sous la forme « data.frame », ce qui peut être vérifié par : class(dataset), et corrigé si besoin avec as.data.frame(dataset)
class(iris) as.data.frame(iris)
QPLOT
La syntaxe ressemble effectivement à celle de la fonction plot() (package "de base" de R).
qplot(x, y = NULL, ..., data, facets = NULL, margins = FALSE, geom = "auto", stat = list(NULL), position = list(NULL), xlim = c(NA,NA), ylim = c(NA, NA), log = "", main = NULL, xlab = deparse(substitute(x)), ylab = deparse(substitute(y)), asp = NA)
Objet géométrique
L’argument geom() (pour objet géométrique) va permettre de réaliser différents graphiques à une ou deux dimensions. Par défaut :
| Type de la variable | Objet par défaut |
|---|---|
| Quantitative | geom ="histogram" |
| Qualitative | geom="bar" |
| Deux variables quantitatives | geom="point" (scatterplot) |
De nombreux graphiques sont possibles (voir geom dans la documentation du package ggplot2, ou en page 56). Parmi les plus utilisés :
Pour une variable à analyser :
- histogram : histogramme (variable quantitative continue)
- density : trace la courbe de densité (variable quantitative continue)
- freqpoly : polynôme de fréquence (variable quantitative continue)
- bar : diagramme en bâton (variable discrète)
Pour deux variables :
- point : scatterplot (deux variables continues)
- smooth : trace une courbe de tendance et son écart-type (deux variables continues)
- boxplot : boxplot (une variable quantitative continue, une variable discrète)
Séries temporelles
- line : trace des lignes entre les points (de la gauche vers la droite)
- path : trace des lignes entre les points (dans n’importe quelle direction)
A noter également que les objets géométriques peuvent être combinés (à partir du moment où cela est raisonnable sur le plan statistique).
Une dimension
Variable quantitative, continue.
Histogramme
C'est le graphique tracé par défaut lorsque la variable indiquée est de type quantitatif (continu).
qplot(Sepal.Length,data=iris,geom="histogram") #par défaut
On peut l'améliorer : changer la couleur de remplissage (argument fill) et/ou la couleur de la bordure (argument colour) :
qplot(Sepal.Length,data=iris,geom="histogram",fill=I("orange")) ## couleur de remplissage en orange
qplot(Sepal.Length,data=iris,geom="histogram",fill=I("orange"),colour=I("black")) ## et bordure en noir
De plus, QQPLOT permet d’adapter la largeur des classes utilisées pour tracer l’histogramme, et donc d’avoir un degré de précision plus ou moins élevé, grâce à l’argument binwidth.
qplot(Sepal.Length,data=iris,geom="histogram",fill=I("orange"),binwidth=1) ## larges classes
qplot(Sepal.Length,data=iris,geom="histogram",binwidth=0.05) ## classes ressérées
Courbe de densité
qplot(Sepal.Length,data=iris,geom="density",colour=I("red"))
Polynôme de fréquence
qplot(Sepal.Length,data=iris,geom="freqpoly",colour=I("blue"))
Variable discrète
Le graphique produit par défaut est un diagramme en bâton (à ne pas confondre avec un histogramme !!! voir Statistiques descriptives avec R)
qplot(Species,data=iris,geom="bar",fill=I("yellow")) #par défaut
Deux dimensions
Deux variables continues =
Scatterplot
Le graphique produit par défaut par la fonction est un nuage de points classique.
#Deux variables continues qplot(Sepal.Length,Sepal.Width, data=iris, geom="point") #par défaut
Les arguments de la fonction peuvent être modifiés, par exemple pour produire un graphique avec des points bleu (et non noirs)....
## changer la couleur
qplot(Sepal.Length,Sepal.Width, data=iris,colour = I("blue"))
... ou pour produire un graphique avec des « + » à la place des points.
## changer le symbole qplot(Sepal.Length,Sepal.Width, data=iris,shape=I(3))
Il est aussi possible de modifier la taille des points sur le graphique, à l’aide de l’argument size par exemple pour affiner les points ou les grossir(par défaut, size=I(2)).
## taille qplot(Sepal.Length,Sepal.Width, data=iris,size=I(1))
Enfin, l’argument alpha est utile en cas de nombre conséquent d’observations qui vont se superposer sur le graphique (ce qui n’est pas le cas ici). En ajustant la transparence, il permet d’améliorer la lisibilité du graphique. Par défaut alpha=I(1), et l’utilisateur peut fixer alpha=I(1/x), avec x le nombre nécessaire d’observations qui se superposent pour obtenir une couleur opaque.
## transparence qplot(Sepal.Length,Sepal.Width, data=iris,alpha=I(1/10))
Courbe de tendance
qplot(Sepal.Length,Sepal.Width, data=iris, geom="smooth")
à noter que la méthode pour tracer la courbe de tendance peut être changée par l’utilisateur grâce à l’argument «method= (par défaut, method=« loess » pour un nombre d’observations faible). Par exemple, method=« lm » permet de tracer une droite de regression linéaire.
qplot(Sepal.Length,Sepal.Width, data=iris, geom="smooth",method="lm") # lm
Il peut être utile de combiner l'objet géométrique courbe de tendance avec un nuage de points :
qplot(Sepal.Length,Sepal.Width, data=iris, geom=c("point","smooth"),method="lm") #combiné
Le tracé peut être plus ou moins sinueux grâce à l’argument span, allant de 0 à 1.
##sinuosité
qplot(Sepal.Length,Sepal.Width, data=iris, geom=c("point","smooth"),span=0.2)
qplot(Sepal.Length,Sepal.Width, data=iris, geom=c("point","smooth"),span=1)
Une variable continue, une discrète
Il n'est pas rare de vouloir représenter la distribution une variable continue, selon différentes sous-populations définies par une variable discrète. Pour cela on peut utiliser un boxplot. (voir Statistiques descriptives avec R). QPLOT va également permettre des représentations plus perfectionnées des graphiques présentés précédemment, en tenant compte de ces différentes sous-populations.
Boxplot
#Une continue, une discrete
qplot(Species,Sepal.Length, data=iris, geom="boxplot",fill=I("purple"))
== Sous-populations : sur un même graphique
On peut présenter les observations issues de différentes sous-populations définies par les niveaux de la variable facteur group, soit d’une couleur différente (contour ou remplissage), soit d’un symbole différent. Rappel :
- argument colour = bordure
- argument fill = remplissage
- argument shape = symbole
Par exemple l’argument colour=group permet de présenter d'une couleur différente sur le nuage de points, les observations issues de différentes sous-populations, définies par les niveaux de la variable facteur group.
## ajoute de la couleur qplot(Sepal.Length,Sepal.Width, data=iris,colour=Species)
On peut faire de même sur un graphique de type scatterplot grâce à l’argument shape=group, avec cette fois des symboles différents, selon le niveau de la variable group.
qplot(Sepal.Length,Sepal.Width, data=iris,geom="point",shape=Species) #symboles
C’est aussi réalisable sur des courbes de densité (argument colour).
# densité qplot(Sepal.Length, data=iris,geom="density",colour=Species)
Pour un histogramme, l’agument à utiliser est fill=group pour modifier le remplissage.
#histogramme qplot(Sepal.Length,data=iris,geom="histogram",fill=Species)
Attention à ne pas confondre fill=I("red") (utilisé pour paramétrer le remplissage en rouge, valable aussi pour l'argument colour..) et fill=group (utilisé pour changer la couleur selon les sous-populations définies pas la variable group). Déclarer fill="red" et non fill=I("red") aurait pour conséquence de créer une nouvelle variable "red", et de représenter les observations de couleurs différentes selon les modalités prises par cette variable (soit une seule). R ne produira pas de message d'erreur, mais le graphique sera obtenu de manière erronée.
#histogramme qplot(Sepal.Length,data=iris,geom="histogram",fill="red")
Le graphique correct serait :
#histogramme
qplot(Sepal.Length,data=iris,geom="histogram",fill=I("red"))
== Sous-populations : différents graphiques
QPLOT offre aussi la possibilité de créer plusieurs graphiques juxtaposés, correspondant à un même graphique pour chacune des différentes sous-populations définies par une variable group. On utilise l’argument facets=.
facets= . ~ group va présenter les graphiques cote à cote (horizontalement), tandis que facets= group ~ . les superposera (verticalement).
Par exemple ici, l’histogramme pour la variable Sepal.Length, pour chaque espèce. On constate qu’il est préférable de les présenter verticalement, sinon les histogrammes sont écrasés et peu lisibles.
qplot(Sepal.Length,data=iris,facets = Species ~ .,geom="histogram",binwidth=0.1,fill=I("orange")) #ordre vertical
qplot(Sepal.Length,data=iris,facets = . ~ Species,geom="histogram",binwidth=0.1,fill=I("orange")) #ordre horizontal
Données en séries temporelles
Line et path sont utilisés dans le cas de séries temporelles. On rappelle que la différence entre les deux provient du fait que path relie les points dans n’importe quelle direction (pourvu qu’il apparaissent en suivant dans la base de données), tandis que line relie les points de gauche à droite.
Ainsi, on utilisera line, par exemple pour tracer l’évolution d’un phénomène en fonction de la date, tandis que l’on utilisera path pour relier les différents points selon l’ordre chronologique, dans un graphique à deux dimensions (dont aucune n’est temporelle).
Pour illustrer, étant donné que les données "iris" sont en coupe transversale, on utilise le jeu de données « longley » qui contient des données macro-économiques annuelles (16 observations, entre 1947 et 1962).
data(longley) #on charge le jeu de données head(longley)
Geom line
Par exemple, on peut utiliser l’argument line pour tracer l’évolution temporelle du taux de chômage.
#evolution temporelle du nombre de personnes au chômage.
qplot(Year,Unemployed/Population, data=longley, geom="line",colour=I("red"))
Geom path
On trace ensuite par exemple le nombre de personnes au chômage en fonction du taux de chômage. L’argument path va permettre de relier les points pour visualiser la variation d’année en année.
#Nombre de personnes au chômage en fonction du taux de chômage qplot(Unemployed/Population,Unemployed, data=longley, geom="path")
Ici, même sans ajouter la couleur le graphique est clair (il y a peu d’observations, et les tracés ne se superposent pas). Mais dans d'autres cas, l'ajout de ce dégradé de couleur selon l'année permet de rendre le graphique beaucoup plus lisible.
#Ajoute la couleur pour l'année qplot(Unemployed/Population,Unemployed, data=longley, geom="path",colour=Year)
Comme pour tout graphique, il est possible (et conseillé) d’ajouter un titre au graphique et au axes.
## ajout titre qplot(Sepal.Length,Sepal.Width, data=iris,xlab="Longueur de la sépale",ylab="Largeur de la sépale",main="Iris data scatterplot")
