Een beeld zegt meer dan duizend woorden. Daarom is R ggplot2 zo’n krachtig hulpmiddel voor grafische data-analyse. In dit hoofdstuk ga je van simpelweg data plotten naar het toepassen van diverse statistische methoden. Denk aan verschillende lineaire modellen, beschrijvende en inferentiële statistiek (gemiddelde, standaarddeviatie en betrouwbaarheidsintervallen) en aangepaste functies.

Stats met geoms

Vloeiend verloop (smoothing)

Groepeer-variabelen

stat_smooth aanpassen

stat_smooth aanpassen (2)

Statistieken: som en kwartiel

Kwantielen

stat_sum gebruiken

Stats buiten geoms

Voorbereiding

Positieobjecten gebruiken

Variaties plotten

Statistiek

De lagen voor coördinaten bieden specifieke en zeer nuttige tools om data efficiënt en nauwkeurig te communiceren. We bekijken hier verschillende manieren om deze lagen effectief te gebruiken, zodat je lognormale gegevenssets, variabelen met een eenheid en periodieke data helder kunt visualiseren.

Coördinaten

Inzoomen

Beeldverhouding I: 1:1-verhoudingen

Beeldverhouding II: verhoudingen instellen

Uitbreiden en afknippen

Coördinaten vs. schalen

Log-transformaties van schalen

Statistieken toevoegen aan getransformeerde schalen

Dubbele en gespiegeld assen

Handige dubbele assen

Assen omdraaien I

Assen omdraaien II

Poolcoördinaten

Cirkeldiagrammen

Windroos-grafieken

Met facetten kun je grafieken opsplitsen in meerdere vakken, die elk een subset van de gegevensset tonen. Je leert hier hoe je facetten kunt wrappen en in een raster rangschikken, en hoe je aangepaste labels toevoegt.

De facet-laag

Basis van de facet-laag

Veel variabelen

Formulenotatie

Facet-labels en volgorde

Facetlabels toevoegen

Volgorde instellen

Facet-plotruimtes

Variabele plotruimtes I: continue variabelen

Variabele plotruimtes II: categorische variabelen

Facet wrap & marges

Wrap voor veel niveaus

Marges in grafieken

Facetten

Nu je de technische vaardigheden hebt om sterke visualisaties te maken, is het belangrijk dat je ze zo betekenisvol mogelijk maakt. In dit hoofdstuk bekijk je drie soort grafieken die in de dataviz-community vaak worden afgeraden: heatmaps, taartdiagrammen en dynamite plots. Je leert welke valkuilen daarbij horen en hoe je voorkomt dat je deze fouten zelf maakt.

Best practices: staafdiagrammen

Staafdiagrammen: dynamietplots

Staafdiagrammen: position dodging

Staafdiagrammen: geaggregeerde gegevens gebruiken

Use-case voor heatmaps

Heatmaps

Nuttige heatmaps

Alternatieven voor heatmaps

Wanneer goede data slechte grafieken oplevert

Het onderdrukken van de oorsprong

Kleurenblindheid

Typische problemen

Best practices

Deze ggplot2-cursus bouwt voort op je kennis uit de introductiecursus om betekenisvolle, verklarende grafieken te maken. Statistieken worden on the fly berekend en je ziet hoe Coordinates en Facets helpen bij de communicatie. Je verkent ook best practices voor datavisualisatie met ggplot2, zodat je goed begrijpt wat werkt en waarom. Aan het einde van de cursus heb je alle tools om een aangepaste plotfunctie te maken om een grote gegevensset te verkennen, waarbij je statistiek en sterke visuals combineert.

Introduction to Data Visualization with ggplot2

Leer facetten, coördinatensystemen en statistieken in ggplot2 te gebruiken voor duidelijke grafieken.

Gevorderde datavisualisatie met ggplot2

Leer hoe je facetten, coördinatensystemen en statistieken in ggplot2 kunt gebruiken om handige grafieken te maken die dingen uitleggen.

Associate Data Scientist in R

Datavisualisatie  in R

Het onderdrukken van de oorsprong

Gevorderde datavisualisatie met ggplot2

Interactieve oefening met praktijkervaring