Graphiques marginaux

Les facettes sont très utiles pour visualiser des sous-ensembles d’une variable, mais parfois vous voulez voir à la fois ces sous-ensembles et toutes les valeurs d’une variable.

Ici, l’argument margins de facet_grid() va vous aider.

FALSE (par défaut) : pas de marges.
TRUE : ajoute des marges pour chaque variable utilisée pour les facettes.
c("variable1", "variable2") : ajoute des marges uniquement pour les variables indiquées.

Pour faciliter la lecture des facettes, nous avons créé deux variables factor avec des étiquettes adaptées — fam pour le type de transmission et fvs pour le type de moteur, respectivement.

Agrandissez la fenêtre graphique pour mieux voir vos tracés.

Cet exercice fait partie du cours

<cours>Visualisation de données intermédiaire avec ggplot2</cours>

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

ggplot(mtcars, aes(x = wt, y = mpg)) + 
  geom_point() +
  # Facet rows by fvs and cols by fam
  ___

Modifier et exécuter le code

Cet exercice fait partie du cours

<cours>Visualisation de données intermédiaire avec ggplot2</cours>

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

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.

Exercise 1: Stats with geoms Exercise 2: Smoothing Exercise 3: Grouping variables Exercise 4: Modifying stat_smooth Exercise 5: Modifying stat_smooth (2)Exercise 6: Stats: sum and quantile Exercise 7: Quantiles Exercise 8: Using stat_sum Exercise 9: Stats outside geoms Exercise 10: Preparations Exercise 11: Using position objects Exercise 12: Plotting variations

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.

Exercise 1: Coordinates Exercise 2: Zooming In Exercise 3: Aspect ratio I: 1:1 ratios Exercise 4: Aspect ratio II: setting ratios Exercise 5: Expand and clip Exercise 6: Coordinates vs. scales Exercise 7: Log-transforming scales Exercise 8: Adding stats to transformed scales Exercise 9: Double and flipped axes Exercise 10: Useful double axes Exercise 11: Flipping axes I Exercise 12: Flipping axes II Exercise 13: Polar coordinates Exercise 14: Pie charts Exercise 15: 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.

Exercise 1: La couche de facettage Exercise 2: Notions de base de la couche de facettes Exercise 3: De nombreuses variables Exercise 4: Notation par formule Exercise 5: Libellés et ordre des facettes Exercise 6: Étiqueter les facettes Exercise 7: Définir l’ordre Exercise 8: Espaces de tracé des facettes Exercise 9: Espaces de tracé variables I : variables continues Exercise 10: Espaces de tracé variables II : variables catégorielles Exercise 11: Facet wrap et marges Exercise 12: Enrouler lorsque les niveaux sont nombreux Exercise 13: Graphiques marginaux

Exercice actuel

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.

Exercise 1: Best practices: bar plots Exercise 2: Bar plots: dynamite plots Exercise 3: Bar plots: position dodging Exercise 4: Bar plots: Using aggregated data Exercise 5: Heatmaps use case scenario Exercise 6: Heat maps Exercise 7: Useful heat maps Exercise 8: Heat map alternatives Exercise 9: When good data makes bad plots Exercise 10: Suppression of the origin Exercise 11: Color blindness Exercise 12: Typical problems