Facet katmanı temelleri

Facet'leme, verileri kategorik bir değişkene göre gruplara ayırır ve her grubu kendi panelinde çizer. Verileri bir veya iki kategorik değişkene göre bölmek için facet_grid() en uygunudur.

Kategorik değişkenler A ve B için kod kalıbı şöyledir:

plot +
  facet_grid(rows = vars(A), cols = vars(B))

Bu, A ve B değerlerinin her ikili birleşimi için bir panel çizer.

Burada alıştırma yapmak için mtcars veri setini kullanacağız. cyl ve am veri setinde faktör olarak kodlanmamış olsa da, ggplot2 bu değişkenleri facet'lerde kullanıldığında faktöre dönüştürür.

Bu egzersiz

ggplot2 ile Orta Düzey Veri Görselleştirme

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

ggplot(mtcars, aes(wt, mpg)) + 
  geom_point() +
  # Facet rows by am
  ___

Kodu Düzenle ve Çalıştır

Bu egzersiz

ggplot2 ile Orta Düzey Veri Görselleştirme

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

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: Facets katmanı Exercise 2: Facet katmanı temelleri

Geçerli Egzersiz

Exercise 3: Birçok değişken Exercise 4: Formül gösterimi Exercise 5: Facet etiketleri ve sırası Exercise 6: Yüzleri etiketleme Exercise 7: Sıralama ayarlama Exercise 8: Faset çizim alanları Exercise 9: Değişken çizim alanları I: sürekli değişkenler Exercise 10: Değişken çizim alanları II: kategorik değişkenler Exercise 11: Facet wrap ve kenar boşlukları Exercise 12: Birçok düzey için sarmalama Exercise 13: Kenar grafikleri

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