En bild säger mer än tusen ord, och just därför är ggplot2 ett så kraftfullt verktyg för grafisk dataanalys. I det här kapitlet går du från att enkelt rita data till att tillämpa en rad statistiska metoder – bland annat olika linjära modeller, deskriptiv och inferentiell statistik (medelvärde, standardavvikelse och konfidensintervall) samt egna funktioner.

Statistik med geoms

Utjämning

Gruppera variabler

Modifiera stat_smooth

Modifiera stat_smooth (2)

Statistik: summa och kvantil

Kvantiler

Använda stat_sum

Statistik utanför geoms

Förberedelser

Använda positionsobjekt

Visualisera variationer

Statistik

Koordinatlager erbjuder specifika och mycket användbara verktyg för att kommunicera data på ett effektivt och korrekt sätt. Här går vi igenom hur du bäst använder dessa lager för att tydligt visualisera lognormala datamängder, variabler med enheter och periodiska data.

Koordinater

Zooma in

Bildförhållande I: 1:1-förhållanden

Bildförhållande II: ange förhållanden

Expandera och klipp

Koordinater vs. skalor

Log-transformera skalor

Lägga till statistik på transformerade skalor

Dubbla och vända axlar

Användbara dubbla axlar

Vända på axlarna I

Vända på axlarna II

Polära koordinater

Cirkeldiagram

Vindrosdiagram

Med facetter kan du dela upp diagram i flera paneler, där varje panel visar en delmängd av datamängden. Här lär du dig att radbryta facetter och arrangera dem i ett rutnät, samt att lägga till anpassade etiketter.

Facetslagret

Grunderna i facetlager

Många variabler

Formelnotation

Facet-etiketter och ordning

Märk upp fasetter

Ange ordning

Facetternas plottyta

Variabla plottningsutrymmen I: kontinuerliga variabler

Variabla plottningsutrymmen II: kategoriska variabler

Facet wrap & marginaler

Radbrytning för många nivåer

Marginalplots

Facetter

Nu när du har de tekniska färdigheterna att skapa bra visualiseringar är det viktigt att göra dem så meningsfulla som möjligt. I det här kapitlet granskar du tre diagramtyper som ofta avråds från inom datavisualiseringsvärlden: värmekartor, cirkeldiagram och dynamitdiagram. Du lär dig vilka fallgropar som finns och hur du undviker dessa misstag.

Bästa praxis: stapeldiagram

Stapeldiagram: dynamitdiagram

Stapeldiagram: position dodging

Stapeldiagram: Använda aggregerad data

Användningsfall för heatmaps

Värmekartor

Användbara heatmaps

Alternativ till värmekarta

När bra data ger dåliga diagram

Att dölja origo

Färgblindhet

Vanliga problem

Bästa praxis

Den här kursen i ggplot2 bygger vidare på dina kunskaper från introduktionskursen och fokuserar på att skapa meningsfulla förklarande diagram. Du beräknar statistik direkt i koden och ser hur koordinater och facetter underlättar kommunikationen av data. Du utforskar också principer för god datavisualisering med ggplot2, så att du förstår vad som fungerar och varför. När du är klar med kursen har du alla verktyg som behövs för att skriva en egen ritfunktion och utforska stora datamängder – med statistik och välgjorda visualiseringar.

Introduction to Data Visualization with ggplot2

Lär dig använda facetter, koordinatsystem och statistik i ggplot2 för att skapa meningsfulla diagram.

Datavisualisering med ggplot2 – fortsättningskurs

Lär dig använda facetter, koordinatsystem och statistik i ggplot2 för att skapa meningsfulla förklarande diagram.

Associate Data Scientist i R

Datavisualisering  i R

Färgblindhet

Datavisualisering med ggplot2 – fortsättningskurs

Interaktiv övning med praktiskt arbete