Un’immagine vale più di mille parole: ecco perché ggplot2 in R è uno strumento così potente per l’analisi grafica dei dati. In questo capitolo passerai dal semplice plotting dei dati all’applicazione di vari metodi statistici, tra cui diversi modelli lineari, statistiche descrittive e inferenziali (media, deviazione standard e intervalli di confidenza) e funzioni personalizzate.

Statistiche con i geoms

Smussamento

Variabili di raggruppamento

Modificare stat_smooth

Modifying stat_smooth (2)

Statistiche: somma e quantile

Quantili

Uso di stat_sum

Statistiche al di fuori dei geoms

Preparativi

Uso degli oggetti di posizione

Variazioni di grafico

Statistiche

I livelli di Coordinate offrono strumenti specifici e molto utili per comunicare i dati in modo efficiente e accurato. Qui vedremo i vari modi per usare al meglio questi livelli, così potrai visualizzare chiaramente insiemi di dati lognormali, variabili con unità di misura e dati periodici.

Coordinate

Zoom avanti

Rapporto d'aspetto I: rapporti 1:1

Rapporto d'aspetto II: impostare i rapporti

Espansione e ritaglio

Coordinate vs. scale

Trasformare le scale in log

Aggiungere statistiche a scale trasformate

Assi doppi e ribaltati

Doppi assi utili

Invertire gli assi I

Invertire gli assi II

Coordinate polari

Grafici a torta

Grafici a rosa dei venti

I Facet ti permettono di suddividere i grafici in più pannelli, ognuno con subset dell’insieme di dati. Qui imparerai a avvolgere i facet e disporli in una griglia, oltre a fornire etichette personalizzate.

Il layer dei facet

Nozioni di base sul livello di facet

Molte variabili

Notazione con formula

Etichette e ordine dei facet

Etichettare i facet

Impostare l'ordine

Spazi di tracciamento delle facet

Spazi di tracciamento variabili I: variabili continue

Spazi di tracciamento variabili II: variabili categoriche

Facet wrap e margini

Wrappare con molti livelli

Grafici con margini

Facet

Ora che hai le competenze tecniche per creare ottime visualizzazioni, è importante renderle il più significative possibile. In questo capitolo passerai in rassegna tre tipi di grafico spesso sconsigliati nella community della data viz: heat map, grafici a torta e dynamite plot. Imparerai le insidie di questi grafici e come evitare di commettere tu stesso questi errori.

Buone pratiche: grafici a barre

Bar plot: dynamite plot

Grafici a barre: position dodging

Grafici a barre: uso di dati aggregati

Scenario d’uso delle heatmap

Mappe di calore

Heat map utili

Alternative alle heat map

Quando dati validi producono grafici pessimi

Soppressione dell'origine

Daltonismo

Problemi tipici

Buone pratiche

Questo corso su ggplot2 amplia le conoscenze acquisite nel corso introduttivo per creare grafici esplicativi davvero efficaci. Le statistiche verranno calcolate al volo e vedrai come Coordinate e Facet aiutano nella comunicazione. Esplorerai anche le buone pratiche di visualizzazione dei dati con ggplot2 per assicurarti una solida comprensione di cosa funziona e perché. Al termine del corso, avrai tutti gli strumenti per creare una funzione di plotting personalizzata per esplorare un grande insieme di dati, combinando statistiche e ottima resa visiva.

Introduction to Data Visualization with ggplot2

Impara a usare faccette, sistemi di coordinate e statistiche in ggplot2 per creare grafici esplicativi.

Visualizzazione dei dati intermedia con ggplot2

Impara a usare le sfaccettature, i sistemi di coordinate e le statistiche in ggplot2 per creare grafici esplicativi che abbiano senso.

Scienziato dei dati associato in R

Visualizzazione dei dati  in R

Soppressione dell'origine

Visualizzazione dei dati intermedia con ggplot2

esercizio interattivo pratico