Beeldverhouding II: verhoudingen instellen

Als waarden niet op dezelfde schaal staan, kan het lastig zijn om een passende beeldverhouding te kiezen. Een klassiek voorbeeld van William Cleveland (uitvinder van dot plots) is de gegevensset sunspots. We hebben 3200 observaties van 1750 tot 2016.

sun_plot is een plot zonder ingestelde beeldverhouding. Hij vult het hele grafische venster.

Om de beeldverhoudingen te verduidelijken, hebben we een oranje kader getekend dat 75 eenheden hoog en 75 jaar breed is. Met een 1:1-beeldverhouding zou het kader vierkant zijn. Die verhouding maakt het lastiger om de oscillaties te zien: het is beter om een bredere verhouding te forceren.

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.

# Fix the aspect ratio to 1:1
sun_plot +
  ___

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Gevorderde datavisualisatie met ggplot2

SkillTag.level.intermediateSkillTag.label

4.8+

845 reviews

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: Coördinaten Exercise 2: Inzoomen Exercise 3: Beeldverhouding I: 1:1-verhoudingen Exercise 4: Beeldverhouding II: verhoudingen instellen

Huidige oefening

Exercise 5: Uitbreiden en afknippen Exercise 6: Coördinaten vs. schalen Exercise 7: Log-transformaties van schalen Exercise 8: Statistieken toevoegen aan getransformeerde schalen Exercise 9: Dubbele en gespiegeld assen Exercise 10: Handige dubbele assen Exercise 11: Assen omdraaien I Exercise 12: Assen omdraaien II Exercise 13: Poolcoördinaten Exercise 14: Cirkeldiagrammen Exercise 15: Windroos-grafieken

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: bar plots Exercise 2: Bar plots: dynamite plots Exercise 3: Bar plots: position dodging Exercise 4: Bar plots: Using aggregated data Exercise 5: Heatmaps use case scenario Exercise 6: Heat maps Exercise 7: Useful heat maps Exercise 8: Heat map alternatives Exercise 9: When good data makes bad plots Exercise 10: Suppression of the origin Exercise 11: Color blindness Exercise 12: Typical problems