Aesthetics voor categorische en continue variabelen

Veel aesthetics accepteren zowel continue als categorische variabelen, maar sommige zijn beperkt tot categorische gegevens. Welke aesthetics zijn alleen van toepassing op categorische gegevens?

Deze oefening maakt deel uit van de cursus

Introductie tot datavisualisatie met ggplot2

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Deze oefening maakt deel uit van de cursus

Introductie tot datavisualisatie met ggplot2

SkillTag.level.beginnerSkillTag.label

4.8+

Begin gratis met de cursus

In dit hoofdstuk zetten we je in de juiste mindset om betekenisvolle visualisaties te ontwikkelen met R. Je begrijpt dat visualisaties, als communicatiemiddel, vragen dat je eerst aan je publiek denkt. Je maakt ook kennis met de basis van ggplot2: de 7 verschillende grammaticale elementen (lagen) en aesthetic mappings.

Exercise 1: Introductie Exercise 2: Verkennen en uitleggen Exercise 3: Je eerste plot tekenen Exercise 4: Datakolomtypen beïnvloeden grafiektypen Exercise 5: De grammatica van graphics Exercise 6: Datakolommen koppelen aan esthetiek Exercise 7: Variabelen begrijpen Exercise 8: ggplot2-lagen Exercise 9: Geometrieën toevoegen Exercise 10: Eén geom of alle geoms aanpassen Exercise 11: Plots opslaan als variabelen

Aesthetic mappings zijn de hoeksteen van het grammar of graphics-plotconcept. Hier gebeurt de magie: continue en categorische data worden omgezet naar visuele schalen die in zeer korte tijd toegang geven tot veel informatie. In dit hoofdstuk leer je hoe je de beste aesthetic mappings voor je data kiest.

Exercise 1: Zichtbare aesthetics Exercise 2: Alles over aesthetics: kleur, vorm en grootte Exercise 3: Alles over aesthetics: color vs. fill Exercise 4: Alles over aesthetics: aesthetics vergelijken Exercise 5: Aesthetics voor categorische en continue variabelen

Huidige oefening

Exercise 6: Attributen gebruiken Exercise 7: Alles over attributen: color, shape, size en alpha Exercise 8: Alles over attributen: conflicten met aesthetics Exercise 9: Alles uit de kast Exercise 10: Aesthetics aanpassen Exercise 11: Labels voor aesthetics bijwerken Exercise 12: Een dummy-esthetiek instellen Exercise 13: Best practices voor aesthetics Exercise 14: Geschikte mappings

De geometrie van een plot bepaalt welke visuele elementen worden gebruikt. In dit hoofdstuk maak je kennis met de geometries die horen bij de drie meest voorkomende plottypen die je tegenkomt: scatterplots, staafdiagrammen en lijndiagrammen. We bekijken verschillende manieren om deze plots te maken.

Exercise 1: Spreidingsdiagrammen Exercise 2: Overplotting 1: grote datasets Exercise 3: Overplotting 2: Uitgelijnde waarden Exercise 4: Overplotting 3: Data met lage precisie Exercise 5: Overplotting 4: Gegevenstypen met gehele getallen Exercise 6: Histogrammen Exercise 7: Histogrammen tekenen Exercise 8: Posities in histogrammen Exercise 9: Staafdiagrammen Exercise 10: Positie in staaf- en kolomdiagrammen Exercise 11: Overlappende staafdiagrammen Exercise 12: Staafdiagrammen: sequentieel kleurenpalet Exercise 13: Lijngrafieken Exercise 14: Eenvoudige lijngrafieken Exercise 15: Meerdere tijdreeksen

In dit hoofdstuk onderzoeken we hoe inzicht in de structuur van je data datavisualisatie een stuk eenvoudiger maakt. En het is tijd om onze plots mooi te maken. Dit is de laatste stap in het dataviz-proces. Met de Themes-laag kun je in R direct publicatieklare plots maken. In de volgende cursus bekijken we extra lagen om meer variabelen aan je plots toe te voegen.

Exercise 1: Thema’s vanaf nul Exercise 2: De legenda verplaatsen Exercise 3: Thema-elementen aanpassen Exercise 4: Witruimte aanpassen Exercise 5: Flexibiliteit van thema's Exercise 6: Ingebouwde thema's Exercise 7: ggthemes verkennen Exercise 8: Thema's instellen Exercise 9: Grafieken van publicatiekwaliteit Exercise 10: Effectieve verklarende grafieken Exercise 11: Geoms gebruiken voor verklarende plots Exercise 12: annotate() gebruiken voor verfraaiingen