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.

Mejores prácticas: gráficos de barras

Gráficos de barras: dynamite plots

Gráficos de barras: posición con dodge

Gráficos de barras: uso de datos agregados

Caso de uso de los mapas de calor

Mapas de calor

Mapas de calor útiles

Alternativas al mapa de calor

Cuando buenos datos generan malos gráficos

Supresión del origen

Daltonismo

Problemas típicos

Best Practices

Este curso de ggplot2 amplía lo que aprendiste en el curso introductorio para crear gráficos explicativos con sentido. Calcularás estadísticas al vuelo y verás cómo las coordenadas y los facetados ayudan a comunicar. También explorarás en detalle las buenas prácticas de visualización de datos con ggplot2 para asegurar que entiendes qué funciona y por qué. Al final del curso, tendrás todas las herramientas para crear una función de graficado personalizada que te permita explorar un conjunto de datos grande, combinando estadísticas y grandes visuales.

Introduction to Data Visualization with ggplot2

Aprende a usar facetas, sistemas de coordenadas y estadísticas en ggplot2 para crear gráficos explicativos.

Visualización de datos intermedia con ggplot2

Aprende a utilizar facetas, sistemas de coordenadas y estadísticas en ggplot2 para crear gráficos explicativos significativos.

Científico de datos asociado en R

Visualización de datos  en R

Daltonismo

Visualización de datos intermedia con ggplot2

Ejercicio interactivo práctico