Staafdiagrammen: geaggregeerde gegevens gebruiken

Als het wél passend is om staafdiagrammen te gebruiken (zie de video!), dan is het fijn om een indruk te geven van het aantal waarden in elke groep.

stat_summary() houdt het aantal niet bij. stat_sum() doet dat (daar is het voor bedoeld), maar dat is lastig toegankelijk. Het is makkelijker om zelf precies te berekenen wat we willen plotten.

Hier hebben we een samenvattende data frame gemaakt, mtcars_by_cyl, met per cilinderklasse cyl het gemiddelde (mean_wt), de standaarddeviatie (sd_wt) en het aantal (n_wt) van de autogewichten. Het bevat ook het aandeel (prop) van elke cilinderklasse in de volledige gegevensset. Gebruik de console om vertrouwd te raken met de data frame mtcars_by_cyl.

Deze oefening maakt deel uit van de cursus

Gevorderde datavisualisatie met ggplot2

Cursus bekijken

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Using mtcars_cyl, plot mean_wt vs. cyl
___ +
  # Add a bar layer with identity stat, filled skyblue
  ___

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Gevorderde datavisualisatie met ggplot2

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus gratis

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.

Exercise 1: Stats with geoms Exercise 2: Smoothing Exercise 3: Grouping variables Exercise 4: Modifying stat_smooth Exercise 5: Modifying stat_smooth (2)Exercise 6: Stats: sum and quantile Exercise 7: Quantiles Exercise 8: Using stat_sum Exercise 9: Stats outside geoms Exercise 10: Preparations Exercise 11: Using position objects Exercise 12: Plotting variations

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.

Exercise 1: Coordinates Exercise 2: Zooming In Exercise 3: Aspect ratio I: 1:1 ratios Exercise 4: Aspect ratio II: setting ratios Exercise 5: Expand and clip Exercise 6: Coordinates vs. scales Exercise 7: Log-transforming scales Exercise 8: Adding stats to transformed scales Exercise 9: Double and flipped axes Exercise 10: Useful double axes Exercise 11: Flipping axes I Exercise 12: Flipping axes II Exercise 13: Polar coordinates Exercise 14: Pie charts Exercise 15: 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.

Exercise 1: The facets layer Exercise 2: Facet layer basics Exercise 3: Many variables Exercise 4: Formula notation Exercise 5: Facet labels and order Exercise 6: Labeling facets Exercise 7: Setting order Exercise 8: Facet plotting spaces Exercise 9: Variable plotting spaces I: continuous variables Exercise 10: Variable plotting spaces II: categorical variables Exercise 11: Facet wrap & margins Exercise 12: Wrapping for many levels Exercise 13: Margin plots

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.

Exercise 1: Best practices: staafdiagrammen Exercise 2: Staafdiagrammen: dynamietplots Exercise 3: Staafdiagrammen: position dodging Exercise 4: Staafdiagrammen: geaggregeerde gegevens gebruiken

Huidige oefening

Exercise 5: Use-case voor heatmaps Exercise 6: Heatmaps Exercise 7: Nuttige heatmaps Exercise 8: Alternatieven voor heatmaps Exercise 9: Wanneer goede data slechte grafieken oplevert Exercise 10: Het onderdrukken van de oorsprong Exercise 11: Kleurenblindheid Exercise 12: Typische problemen