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.

Bonnes pratiques : diagrammes en barres

Diagrammes en barres : dynamite plots

Graphiques en barres : décalage de position

Diagrammes en barres : utiliser des données agrégées

Cas d’usage des cartes thermiques

Cartes thermiques

Des heatmaps pertinentes

Alternatives aux heat maps

Quand de bonnes données produisent de mauvais graphiques

Suppression de l’origine

Daltonisme

Problèmes typiques

Best Practices

Ce cours sur ggplot2 s’appuie sur ce que vous avez appris en introduction pour produire des graphiques explicatifs pertinents. Les statistiques seront calculées à la volée et vous verrez comment les coordonnées et les facettes facilitent la communication. Vous explorerez aussi les bonnes pratiques de visualisation de données avec ggplot2 afin de comprendre ce qui fonctionne et pourquoi. À la fin du cours, vous aurez tout le nécessaire pour créer une fonction de tracé personnalisée pour explorer un grand jeu de données, en combinant statistiques et visuels de qualité.

Introduction to Data Visualization with ggplot2

Apprenez à utiliser les facettes, systèmes de coordonnées et statistiques dans ggplot2 pour des graphiques clairs.

Visualisation de données intermédiaire avec ggplot2

Apprenez à utiliser les facettes, les systèmes de coordonnées et les statistiques dans ggplot2 pour créer des graphiques explicatifs.

Scientifique de données associé en R

Visualisation des données  en R

Daltonisme

Exercice interactif pratique