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.

Coordonnées

Zoom avant

Rapport d’aspect I : ratios 1:1

Rapport d’aspect II : définir des ratios

Étendre et rogner

Coordonnées vs échelles

Transformation logarithmique des échelles

Ajouter des statistiques à des échelles transformées

Axes doubles et inversés

Des doubles axes utiles

Inverser les axes I

Inverser les axes II

Coordonnées polaires

Diagrammes en secteurs

Diagrammes en rose des vents

Coordinates

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: bar plots

Bar plots: dynamite plots

Bar plots: position dodging

Bar plots: Using aggregated data

Heatmaps use case scenario

Heat maps

Useful heat maps

Heat map alternatives

When good data makes bad plots

Suppression of the origin

Color blindness

Typical problems

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

Inverser les axes II

Exercice interactif pratique