1. Learn
    2. /
  2. Courses
    3. /
  3. Visualización intermedia de datos con ggplot2
  • 1

    Estadísticas

    Free

    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 del simple trazado de datos a la aplicación de diversos métodos estadísticos. Incluyen diversos modelos lineales, estadísticas descriptivas e inferenciales (media, desviación típica e intervalos de confianza) y funciones personalizadas.

  • 2

    Coordenadas

    Las capas de Coordenadas ofrecen herramientas específicas y muy útiles para comunicar datos con eficacia y precisión. Aquí veremos las distintas formas de utilizar eficazmente estas capas, para que puedas visualizar claramente conjuntos de datos lognormales, variables con unidades y datos periódicos.

  • 3

    Facetas

    Las facetas te permiten dividir los gráficos en varios paneles, cada uno de los cuales muestra subconjuntos del conjunto de datos. Aquí aprenderás a envolver facetas y a organizarlas en una cuadrícula, así como a proporcionarles un etiquetado personalizado.

  • 4

    Buenas prácticas

    Ahora que tienes las habilidades técnicas para hacer grandes visualizaciones, es importante que las hagas tan significativas como sea posible. En este capítulo, repasarás tres tipos de gráficos que suelen desaconsejarse en la comunidad de visualización de datos: los mapas de calor, los gráficos circulares y los gráficos dinamita. Aprenderás las trampas de estas tramas y cómo evitar cometer esos errores tú mismo.

Initializing

Exercise

Escalas con transformación logarítmica

Utilizar scale_y_log10() y scale_x_log10() equivale a transformar nuestro conjunto de datos real antes de llegar a ggplot2.

Utilizando coord_trans(), fijando los argumentos x = "log10" y/o y = "log10", transforma los datos una vez calculadas las estadísticas. El gráfico tendrá el mismo aspecto que al utilizar scale_*_log10(), pero las escalas serán diferentes, lo que significa que veremos los valores originales en nuestros ejes transformados log10. Esto puede ser útil, ya que las escalas logarítmicas pueden ser algo poco intuitivas.

Veámoslo en acción con datos sesgados positivamente: el cerebro y el peso corporal de 51 mamíferos del conjunto de datos msleep.

Instructions 1/3

undefined XP
  • 1
    • Utilizando el conjunto de datos msleep, traza los valores brutos de brainwt frente a los valores de bodywt como un gráfico de dispersión.
  • 2
    • Añade las capas scale_x_log10() y scale_y_log10() con valores por defecto para transformar los datos antes de trazarlos.
  • 3
    • Utiliza coord_trans() para aplicar una transformación "log10" a las escalas x y y.