A picture paints a thousand words, which is why R ggplot2 is such a powerful tool for graphical data analysis. In this chapter, you’ll progress from simply plotting data to applying a variety of statistical methods. These include a variety of linear models, descriptive and inferential statistics (mean, standard deviation and confidence intervals) and custom functions.

Stats with geoms

Smoothing

Grouping variables

Modifying stat_smooth

Modifying stat_smooth (2)

Stats: sum and quantile

Quantiles

Using stat_sum

Stats outside geoms

Preparations

Using position objects

Plotting variations

Statistics

The Coordinates layers offer specific and very useful tools for efficiently and accurately communicating data. Here we’ll look at the various ways of effectively using these layers, so you can clearly visualize lognormal datasets, variables with units, and periodic data.

Coordinates

Zooming In

Aspect ratio I: 1:1 ratios

Aspect ratio II: setting ratios

Expand and clip

Coordinates vs. scales

Log-transforming scales

Adding stats to transformed scales

Double and flipped axes

Useful double axes

Flipping axes I

Flipping axes II

Polar coordinates

Pie charts

Wind rose plots

Facets let you split plots into multiple panes, each displaying subsets of the dataset. Here you'll learn how to wrap facets and arrange them in a grid, as well as providing custom labeling.

The facets layer

Facet layer basics

Many variables

Formula notation

Facet labels and order

Labeling facets

Setting order

Facet plotting spaces

Variable plotting spaces I: continuous variables

Variable plotting spaces II: categorical variables

Facet wrap & margins

Wrapping for many levels

Margin plots

Facets

Now that you have the technical skills to make great visualizations, it’s important that you make them as meaningful as possible. In this chapter, you’ll review three plot types that are commonly discouraged in the data viz community: heat maps, pie charts, and dynamite plots. You’ll learn the pitfalls with these plots and how to avoid making these mistakes yourself.

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

Nützliche Heatmaps

Interaktive praktische Übung