Ein Bild sagt mehr als tausend Worte – deshalb ist R ggplot2 ein so mächtiges Werkzeug für die grafische Datenanalyse. In diesem Kapitel gehst du vom einfachen Plotten von Daten dazu über, verschiedene statistische Methoden anzuwenden. Dazu gehören verschiedene lineare Modelle, deskriptive und inferenzstatistische Kennzahlen (Mittelwert, Standardabweichung und Konfidenzintervalle) sowie eigene Funktionen.

Statistiken mit Geoms

Glättung

Gruppierungsvariablen

stat_smooth anpassen

stat_smooth anpassen (2)

Statistiken: Summe und Quantil

Quantile

Verwendung von stat_sum

Stats außerhalb von Geoms

Vorbereitungen

Positionsobjekte verwenden

Varianten plotten

Statistiken

Die Koordinaten-Layer bieten spezielle und sehr nützliche Werkzeuge, um Daten effizient und präzise zu kommunizieren. Hier schauen wir uns an, wie du diese Layer wirkungsvoll nutzt, damit du lognormal verteilte Datensätze, Variablen mit Einheiten und periodische Daten klar visualisieren kannst.

Koordinaten

Heranzoomen

Seitenverhältnis I: 1:1-Verhältnisse

Seitenverhältnis II: Verhältnisse festlegen

Erweitern und zuschneiden

Koordinaten vs. Skalen

Logarithmische Transformation von Skalen

Statistiken zu transformierten Skalen hinzufügen

Doppelte und gespiegelte Achsen

Sinnvolle Doppelskalen

Achsen kippen I

Achsen umkehren II

Polarkoordinaten

Kreisdiagramme

Windrosen-Diagramme

Mit Facets kannst du Plots in mehrere Fenster aufteilen, die jeweils Teilmengen des Datensatzes zeigen. Hier lernst du, wie du Facets umbrichst und in einem Raster anordnest sowie benutzerdefinierte Beschriftungen vergibst.

Die Facets-Ebene

Grundlagen der Facet-Ebene

Viele Variablen

Formelnotation

Facet-Beschriftungen und -Reihenfolge

Facets beschriften

Reihenfolge festlegen

Facet-Zeichenflächen

Variable Plotbereiche I: stetige Variablen

Variable Plotbereiche II: kategoriale Variablen

Facet-Wrap & Ränder

Wrapping bei vielen Ausprägungen

Randdiagramme

Facets

Jetzt, da du die technischen Fähigkeiten für starke Visualisierungen hast, ist es wichtig, sie so aussagekräftig wie möglich zu gestalten. In diesem Kapitel betrachtest du drei Plot-Typen, die in der Data-Viz-Community oft kritisch gesehen werden: Heatmaps, Tortendiagramme und „Dynamite Plots“. Du lernst die Fallstricke dieser Plots kennen und wie du diese Fehler vermeidest.

Best Practices: Balkendiagramme

Balkendiagramme: Dynamit-Plots

Balkendiagramme: Position dodging

Balkendiagramme: Aggregierte Daten verwenden

Use-Case-Szenario für Heatmaps

Heatmaps

Nützliche Heatmaps

Alternativen zur Heatmap

Wenn gute Daten schlechte Plots ergeben

Unterdrückung des Ursprungs

Farbenblindheit

Typische Probleme

Best Practices

Dieser ggplot2-Kurs baut auf deinem Wissen aus dem Einführungskurs auf und zeigt dir, wie du aussagekräftige erklärende Plots erstellst. Statistiken werden dynamisch berechnet, und du siehst, wie Koordinaten und Facets die Kommunikation unterstützen. Außerdem vertiefst du Best Practices der Datenvisualisierung mit ggplot2, damit du verstehst, was warum gut funktioniert. Am Ende des Kurses hast du alle Werkzeuge, um eine eigene Plot-Funktion zu erstellen, mit der du einen großen Datensatz erkundest – mit Statistik und starken Visualisierungen.

Introduction to Data Visualization with ggplot2

Lerne, Facetten, Koordinatensysteme und Statistiken in ggplot2 zu nutzen, um erklärende Diagramme zu erstellen.

Fortgeschrittene Datenvisualisierung mit ggplot2

In diesem Kurs nutzt du Facets, Koordinatensysteme und Statistik in ggplot2, um aussagekräftige Diagramme zu erstellen.

Associate Data Scientist in R

Datenvisualisierung  in R

Unterdrückung des Ursprungs

Interaktive praktische Übung