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.

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

Best Practices

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

Daltonismo

Visualizzazione dei dati intermedia con ggplot2

Esercizio pratico interattivo