Aggiungere una palette di colori continua personalizzata ai grafici ggplot2

Il modo più flessibile per aggiungere una scala continua personalizzata ai grafici di ggplot2 è usare scale_color_gradientn() o scale_fill_gradientn(). Come scegliere quale usare? Abbina la funzione all'estetica che hai mappato. Per esempio, nel grafico del prezzo di casa previsto del Capitolo 1, avevi mappato fill al prezzo, quindi devi usare scale_fill_gradientn().

Queste due funzioni accettano l'argomento colors, a cui passi un vettore di colori che definisce la tua palette. Qui sta la versatilità. Puoi generare la palette come preferisci: automaticamente con strumenti come RColorBrewer o viridisLite, oppure manualmente specificando i colori per nome o con il codice esadecimale.

Le funzioni scale___gradientn() gestiscono come questi colori vengono mappati ai valori della tua variabile, anche se puoi intervenire tramite l'argomento values.

Giochiamo con alcune scale di colori alternative per la tua heatmap del prezzo di casa previsto dal Capitolo 1 (abbiamo rimosso lo sfondo della mappa per ridurre i tempi di calcolo, così puoi vedere i grafici più rapidamente).

Questo esercizio fa parte del corso

Visualizzare dati geospaziali in R

Visualizza il corso

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

library(RColorBrewer)
# 9 steps on the RColorBrewer "BuPu" palette: blups


# Add scale_fill_gradientn() with the blups palette
ggplot(preds) +
  geom_tile(aes(lon, lat, fill = predicted_price), alpha = 0.8)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Visualizzare dati geospaziali in R

IntermediárioNível de habilidade

4.6+

Inizia il corso gratis

We'll dive in by displaying some spatial data -- property sales in a small US town -- using ggplot2 and we'll introduce you to the ggmap package as a quick way to add spatial context to your plots. We'll talk about what makes spatial data special and introduce you to the common types of spatial data we'll be working with throughout the course.

Exercise 1: Introduction to spatial data Exercise 2: Grabbing a background map Exercise 3: Putting it all together Exercise 4: Insight through aesthetics Exercise 5: Useful get_map() and ggmap() options Exercise 6: Different maps Exercise 7: Leveraging ggplot2's strengths Exercise 8: A quick alternative Exercise 9: Common types of spatial data Exercise 10: Drawing polygons Exercise 11: Choropleth map Exercise 12: Raster data as a heatmap

You can get a long way with spatial data stored in data frames, but it makes life easier if they are stored in special spatial objects. In this chapter we'll introduce you to the spatial object classes provided by the sp package, particularly for point and polygon data. You'll learn how to explore and subset these objects by exploring a world map. The reward for learning about these object classes: we'll show you the package tmap which requires spatial objects as input, but makes creating maps really easy! You'll finish up by making a map of the world's population.

Exercise 1: Introducing sp objects Exercise 2: Let's take a look at a spatial object Exercise 3: What's inside a spatial object?Exercise 4: A more complicated spatial object Exercise 5: sp and S4 Exercise 6: Walking the hierarchy Exercise 7: Further down the rabbit hole Exercise 8: More sp classes and methods Exercise 9: Subsetting by index Exercise 10: Accessing data in sp objects Exercise 11: Subsetting based on data attributes Exercise 12: tmap, a package that works with sp objects Exercise 13: Introduction to tmap Exercise 14: Building a plot in layers Exercise 15: Why is Greenland so big?Exercise 16: Saving a tmap plot

While the sp package provides some classes for raster data, the raster package provides more useful classes. You'll be introduced to these classes and their advantages and then learn to display them. The examples continue with the theme of population from Chapter 2, but you'll look at some much finer detail datasets, both spatially and demographically. In the second half of the chapter you'll learn about color -- an essential part of any visual display, but especially important for maps.

Exercise 1: Il pacchetto raster Exercise 2: Che cos'è un oggetto raster?Exercise 3: Alcuni metodi utili Exercise 4: Un oggetto più complesso Exercise 5: Un pacchetto che usa oggetti Raster Exercise 6: Scale di colori Exercise 7: Scegli la palette giusta Exercise 8: Aggiungere una palette di colori continua personalizzata ai grafici ggplot2

Esercizio in corso

Exercise 9: Palette personalizzata in tmap Exercise 10: Altre informazioni sulle scale di colori Exercise 11: Un esempio di scala a intervalli Exercise 12: Un esempio di scala divergente Exercise 13: Un esempio qualitativo

In this chapter you'll follow the creation of a visualization from raw spatial data files to adding a credit to a map. Along the way, you'll learn how to read spatial data into R, more about projections and coordinate reference systems, how to add additional data to a spatial object, and some tips for polishing your maps.

Exercise 1: Reading in spatial data Exercise 2: Reading in a shapefile Exercise 3: Reading in a raster file Exercise 4: Getting data using a package Exercise 5: Coordinate reference systems Exercise 6: Merging data from different CRS/projections Exercise 7: Converting from one CRS/projection to another Exercise 8: Adding data to spatial objects Exercise 9: The wrong way Exercise 10: Checking data will match Exercise 11: Merging data attributes Exercise 12: A first plot Exercise 13: Polishing a map Exercise 14: Subsetting the neighborhoods Exercise 15: Adding neighborhood labels Exercise 16: Tidying up the legend and some final tweaks Exercise 17: Wrap up