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.

Boas práticas: gráficos de barras

Gráficos de barras: dynamite plots

Gráficos de barras: posicionamento com dodge

Gráficos de barras: usando dados agregados

Cenário de uso de heatmaps

Mapas de calor

Mapas de calor úteis

Alternativas ao heat map

Quando bons dados geram gráficos ruins

Supressão da origem

Daltonismo

Problemas típicos

Best Practices

Este curso de ggplot2 aprofunda o que você viu no curso introdutório para produzir gráficos explicativos significativos. As estatísticas serão calculadas em tempo real, e você verá como as camadas de Coordinates e Facets ajudam na comunicação. Você também vai explorar boas práticas de visualização de dados com ggplot2 para garantir um entendimento sólido do que funciona e por quê. Ao final do curso, você terá todas as ferramentas para criar uma função de plotagem personalizada para explorar um conjunto de dados grande, combinando estatísticas e ótimos visuais.

Introduction to Data Visualization with ggplot2

Aprenda a usar facetas, sistemas de coordenadas e estatísticas no ggplot2 para criar gráficos explicativos.

Visualização de Dados Intermediária com ggplot2

Aprenda a usar facetas, sistemas de coordenadas e estatísticas no ggplot2 para criar gráficos explicativos e impactantes.

Cientista de dados associado em R

Visualização de dados  em R

Daltonismo

Visualização de Dados Intermediária com ggplot2

exercicio interativo prático