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.

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

Kleurenblindheid

Gevorderde datavisualisatie met ggplot2

Praktische interactieve oefening