Daltonismo

El daltonismo Rojo-Verde es sorprendentemente prevalente, lo que significa que una parte de tu audiencia no podrá interpretar tu gráfico si dependes de estéticas basadas en el color.

¿Cuándo sería apropiado usar rojo y verde en un gráfico?

Este ejercicio forma parte del curso

Visualización de datos intermedia con ggplot2

ejercicio interactivo práctico

Convierte la teoría en práctica con uno de nuestros ejercicios interactivos

Empezar ejercicio

Este ejercicio forma parte del curso

Visualización de datos intermedia con ggplot2

IntermedioNivel de habilidad

4.8+

Empieza el curso gratis

Una imagen vale más que mil palabras, por eso R ggplot2 es una herramienta tan potente para el análisis gráfico de datos. En este capítulo pasarás de simplemente representar datos a aplicar distintos métodos estadísticos. Esto incluye varios modelos lineales, estadísticas descriptivas e inferenciales (media, desviación estándar e intervalos de confianza) y funciones personalizadas.

Exercise 1: Estadísticas con geoms Exercise 2: Suavizado Exercise 3: Variables de agrupación Exercise 4: Modificar stat_smooth Exercise 5: Modifying stat_smooth (2)Exercise 6: Estadísticas: suma y cuantil Exercise 7: Cuantiles Exercise 8: Usar stat_sum Exercise 9: Estadísticas fuera de los geoms Exercise 10: Preparativos Exercise 11: Usar objetos de posición Exercise 12: Variaciones en los gráficos

Las capas de coordenadas ofrecen herramientas específicas y muy útiles para comunicar datos de forma eficiente y precisa. Aquí veremos distintas maneras de usar estas capas con eficacia, para que puedas visualizar con claridad conjuntos de datos lognormales, variables con unidades y datos periódicos.

Exercise 1: Coordenadas Exercise 2: Acercar (zoom)Exercise 3: Relación de aspecto I: proporciones 1:1 Exercise 4: Relación de aspecto II: establecer proporciones Exercise 5: Expandir y recortar Exercise 6: Coordenadas vs. escalas Exercise 7: Transformaciones logarítmicas en las escalas Exercise 8: Añadir estadísticas a escalas transformadas Exercise 9: Ejes dobles e invertidos Exercise 10: Ejes dobles útiles Exercise 11: Invertir ejes I Exercise 12: Invertir ejes II Exercise 13: Coordenadas polares Exercise 14: Gráficos de tarta Exercise 15: Gráficos de rosa de vientos

Los facetados te permiten dividir los gráficos en varios paneles, cada uno mostrando subconjuntos del conjunto de datos. Aquí aprenderás a envolver facetados y ordenarlos en una cuadrícula, además de proporcionar etiquetas personalizadas.

Exercise 1: La capa de facetas Exercise 2: Conceptos básicos de la capa de facetas Exercise 3: Muchas variables Exercise 4: Notación con fórmulas Exercise 5: Etiquetas y orden de facetas Exercise 6: Etiquetar facetas Exercise 7: Definir el orden Exercise 8: Espacios de trazado en facetas Exercise 9: Espacios de trazado variables I: variables continuas Exercise 10: Espacios variables para el trazado II: variables categóricas Exercise 11: Facet wrap y márgenes Exercise 12: Envolver para muchos niveles Exercise 13: Gráficos con márgenes

Ahora que ya tienes las habilidades técnicas para crear visualizaciones de calidad, es importante que las hagas lo más significativas posible. En este capítulo, revisarás tres tipos de gráficos que la comunidad de visualización de datos suele desaconsejar: mapas de calor, gráficos de tarta y dynamite plots. Aprenderás los problemas de estos gráficos y cómo evitar cometer esos errores tú mismo.

Exercise 1: Mejores prácticas: gráficos de barras Exercise 2: Gráficos de barras: dynamite plots Exercise 3: Gráficos de barras: posición con dodge Exercise 4: Gráficos de barras: uso de datos agregados Exercise 5: Caso de uso de los mapas de calor Exercise 6: Mapas de calor Exercise 7: Mapas de calor útiles Exercise 8: Alternativas al mapa de calor Exercise 9: Cuando buenos datos generan malos gráficos Exercise 10: Supresión del origen Exercise 11: Daltonismo

Ejercicio actual

Exercise 12: Problemas típicos