Datenvisualisierung mit base R und ggplot2

Data Science 1 - Programmieren & Visualisieren

Saskia Otto & Monika Eberhard

Universität Hamburg, IMF

Wintersemester

Lernziele

Am Ende dieser VL- und Übungseinheit werden Sie

einfache Diagramme zur Datenexploration mithilfe der R Basisfunktionen erstellen können.
wissen, wie Grafiken als PDF, JPEG oder PNG Dateien gespeichert werden können.
das Prinzip der geschichteten Diagrammerstellung in ggplot2 verstanden haben.
die wichtigsten geom_XXX() Funktionen kennen und anwenden können (Histogramm, Säulendiagramm, Boxplot, Streudiagramm).
den Unterschied zwischen geom_bar() und geom_col() verstehen.

2 verbreitete Typen

Grafiken mit base R

Funktionen sind bereits Bestandteil der Basisversion.
Gut geeignet für eine einfache und schnelle Datenexploration.
Nicht sehr intuitiv und weniger geeignet für komplexe Grafiken.
Dokumentation ist vollständig, aber wenig einsteigerfreundlich.

Grafiken mit ggplot2 Paket

Besser geeignet bei komplexeren Grafiken.
Klarere Syntax.
Besser dokumentiert.
Viele Beispiele im Internet.

Grafiken mit base R

2 Funktionstypen

High-level Funktionen

Erstellen vollständige Diagramme.

plot(x = iris$Sepal.Length,
  y = iris$Sepal.Width)

Low-level Funktionen

Fügen weitere Elemente in den aktuellen Plot.

plot(x = iris$Sepal.Length,
  y = iris$Sepal.Width)
abline(h = 3, lwd = 5, col = "blue")

High-level Funktionen | Überblick

Funktion	Beschreibung
`plot()`	Generische Funktion mit vielen Methoden (kontextabhängig)
`barplot()`	Säulen- bzw. Balkendiagramm
`boxplot()`	Boxplot
`contour()`	Plot mit Höhenlinien
`coplot()`	sog. ‘conditional plot’
`curve()`	Kurven über einem Intervall für eine Funktion
`hist()`	Histogramm
`image()`	Erstellt kontextabhängige ‘Bildraster’ (auch in 3D)
`mosaicplot()`	Mosaikplot für kategorielle Daten
`pairs()`	Streudiagramm-Matrix für paarweise Gegenüberstellungen
`pie()`	Tortendiagramm
`qqplot()`	QQ-Plot

High-level Funktionen | Beispiele

High-level Funktionen | Dokumentation

Können über ihre Argumente modifiziert und angepasst werden.
In den Hilfen von ?plot und ?plot.default werden viele Argumente von Grafikfunktionen genannt und erklärt.
Es gibt jedoch auch globale Einstellungen für Grafiken, die alle nachfolgenden Grafiken verändern können: par().
Die Hilfe von ?par listet wesentlich mehr Argumente, die auch in den high-level Funktionen genutzt werden können.

High-level Funktionen | Argumente

Argument	Beschreibung
adj	Ausrichtung von Text (zentriert,…)
axes	Achsen sollen (nicht) eingezeichnet werden
bg	Hintergrundfarbe der Grafik
bty	Art der Box um die gezeichnete Grafik
cex	Größe der Schriftzeichen in der Grafik
col	Farben (der Linien, der Punkte, etc.)
las	Ausrichtung der Achsenbeschriftung
lty,lwd	Linientyp (gestrichelt,…) und Linienbreite
main,sub	Überschrift und Unterschrift
mfrow	mehrere Grafiken in einem Bild
pch	Darstellung eines Punktes
type	Typ der Darstellung (Linien, Punkte, Nichts)
xlab,ylab	x-/y-Achsenbeschriftung
xlim,ylim	Größe der Grafik in x-/y-Richtung

High-level Argumente | Demonstration 1

plot(
  x = 1:10,
  y = c(5,9,3,1,14,2,3,6,13,10)
)

High-level Argumente | Demonstration 2

plot(
  x = 1:10,
  y = c(5,9,3,1,14,2,3,6,13,10),
  type = "b" # =both (line + point)
)

High-level Argumente | Demonstration 3

plot(
  x = 1:10,
  y = c(5,9,3,1,14,2,3,6,13,10),
  type = "b", # =both (line + point)
  pch = 20,
  cex = 6,
  col = "red"
)

High-level Argumente | Demonstration 4

plot(
  x = 1:10,
  y = c(5,9,3,1,14,2,3,6,13,10),
  type = "b", # =both (line + point)
  pch = 20,
  cex = 6,
  col = "red",
  xlab = "X", ylab = "Y",
  main = "Grafiküberschrift"
)

Wichtige low-level Grafikfunktionen

Funktion	Beschreibung
`abline()`	Zeichnet eine kontextabhängige Linie
`arrows()`	Zeichnet Pfeile
`axis()`	Zeichnet Achsen (jede Achse einzeln!)
`grid()`	Zeichnet ein Gitternetz
`legend()`	Erstellt eine Legende im Plot
`lines()`	Zeichnet schrittweise Linien
`mtext()`	Schreibt Text in den Rand (s.unten)
`points()`	Zeichnet Punkte
`polygon()`	Zeichnet ausgefüllte Polygone
`rect()`	Zeichnet (vektorwertig) ein Rechteck
`segments()`	Zeichnet (vektorwertig) Linien
`text()`	Schreibt Text in den Plot
`title()`	Beschriftet den Plot

Wo soll die Grafik erscheinen?

Die sog. ‘graphics devices’

Screen device (default) - Fenster im Programm

File device - Ausgabeformat als Rasterdatei (JPEG, PNG, TIFF,..) oder Vektordatei (PDF, EPS)

Ausgabeformate und ihre Funktionen

Ausgabeformate | Demonstration

Screen device

plot(1:10)

→ Die Ausgabe erscheint standardmäßig auf dem Bildschirm

Ausgabe als PDF-Datei

pdf('Grafik1.pdf') # Device wird gestartet
plot(1:10) # Grafik wird erstellt
points(0.5:9.5, col=1:10, pch=1:10) # Erweiterungen
#... weitere Erweiterungen an der Grafik
dev.off() # Device muss geschlossen werden

Das Schließen mit dev.off() ist besonders wichtig, sonst werden alle folgenden Grafiken mit in dem PDF gespeichert und nicht in der Konsole angezeigt!

Visualisierung mit ‘ggplot2’

Ein System für kreative Grafiken

Basierend auf ‘The Grammar of Graphics’.
Das heutige Fundament für die Erstellung von Diagrammen in R nach dem visual encoding Prinzip
Sehr gute Dokumentation.
- https://ggplot2.tidyverse.org
- Übersicht aller ggplot2 Funktionen gibt es auf https://ggplot2.tidyverse.org/reference/
- RStudio/Posit cheatsheet
- komplettes Buch (Onlineversion)
Eine steigende Anzahl von Erweiterungen, die von ‘R Usern’ in der R Gemeinschaft entwickelt wurden: https://exts.ggplot2.tidyverse.org/

Galerie der ggplot2 Erweiterungen

Weblink: https://exts.ggplot2.tidyverse.org

Umsetzung des visual encoding in ggplot2

Mehr zum Thema ‘visual encoding’ in der Vorlesung 11 (Grundlagen der Datenvisualisierung).

Die 8 Ebenen in ggplot2

Eine Demonstration mit dem internen Datensatz ‘iris’

Fotos von Radomil Binek, Danielle Langlois, und Frank Mayfield (von links nach rechts); Zugriff über Wikipedia (unter CC-BY-SA 3.0 Lizenz).

Ebene 1 - Data

Grafik starten mit `ggplot()`

ggplot(data = iris)

Ebene 2 - Aesthetic mapping | 1

Globale Variablenzuordnung von x und y

ggplot(data = iris) +
  aes(
    x = Sepal.Length,
    y = Petal.Length)

Noch besser innerhalb der ggplot Funktion:

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length)
  )

Ebene 3 - Geometries | 1

Punkte-Geometrie hinzufügen

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length)
  ) +
  geom_point()

Ebene 3 - Geometries | 2

Die Punktfarbe einheitlich anpassen

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length)
  ) +
  geom_point(colour = "green")

Ebene 2 - Aesthetic mapping | 2

Variablen-spezifische Farbwahl (lokal)

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length)
  ) +
  geom_point(aes(colour = Species))

Ebene 2 - Aesthetic mapping | 3

Falsch: Einheitliche Farbwahl ‘mappen’

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length)
  ) +
  geom_point(aes(colour = "green"))

Ebene 3 - Geometries | 3

Weitere Geometrie hinzufügen: geglättete Kurve

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length)
  ) +
  geom_point(aes(colour = Species)) +
  geom_smooth()

Ebene 3 - Geometries | 4

Weitere Geometrie hinzufügen: Trendlinie

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length)
  ) +
  geom_point(aes(colour = Species)) +
  geom_smooth(method = "lm")

Ebene 2 - Aesthetic mapping | 4

Art-spezifische Trendlinien über die Farbe (lokal)

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length)
  ) +
  geom_point(aes(colour = Species)) +
  geom_smooth(aes(colour = Species),
    method = "lm")

Ebene 2 - Aesthetic mapping | 5

Globale Farbwahl (für alle Geometrien)

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length,
    colour = Species)
  ) +
  geom_point() +
  geom_smooth(method = "lm")

Ebene 4 - Scales

Farbskala anpassen

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length,
    colour = Species)
  ) +
  geom_point() +
  geom_smooth(method = "lm") +
  scale_colour_manual(values =
    c("orange","cyan3", "#68228B"))

Ebene 5 - Facets

Datenpunkte aufteilen

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length,
    colour = Species)
  ) +
  geom_point() +
  geom_smooth(method = "lm") +
  scale_colour_manual(values =
    c("orange","cyan3", "#68228B")) +
  facet_wrap(~Species, nrow = 2)

Ebene 6 - Coordinates

Das Koordinatensystem bspw. drehen

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length,
    colour = Species)
  ) +
  geom_point() +
  geom_smooth(method = "lm") +
  scale_colour_manual(values =
    c("orange","cyan3", "#68228B")) +
  facet_wrap(~Species, nrow = 2) +
  coord_flip()

Ebene 7 - Guides

Legende und Achsenbeschriftung anpassen

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length,
    colour = Species)
  ) +
  geom_point() +
  geom_smooth(method = "lm") +
  scale_colour_manual(values =
    c("orange","cyan3", "#68228B")) +
  facet_wrap(~Species, nrow = 2) +
  coord_flip() +
  guides(colour = guide_none()) +
  labs(x = "Länge Kelchblatt (cm)",
    y = "Länge Kronblatt (cm)")

Kurzform für das Ausblenden der Legende: guides(colour = "none")

Ebene 8 - Theme

Ändern des Layouts (der Nicht-Datenelemente)

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length,
    colour = Species)
  ) +
  geom_point() +
  geom_smooth(method = "lm") +
  scale_colour_manual(values =
    c("orange","cyan3", "#68228B")) +
  facet_wrap(~Species, nrow = 2) +
  coord_flip() +
  guides(colour = guide_none()) +
  labs(x = "Länge Kelchblatt (cm)",
    y = "Länge Kronblatt (cm)") +
  theme_dark()

Zum Abschluss: speichere die Grafik

Mit `ggsave()`

ggplot(
  data = iris,
  mapping = aes(
    x = Sepal.Length,
    y = Petal.Length,
    colour = Species)
  ) +
  geom_point() +
  geom_smooth(method = "lm") +
  ...

ggsave("Iris_length_relationships.pdf", width = 4, height = 4)

Das zuletzt angezeigte Diagramm wird gespeichert – hier als PDF mit 4 x 4 inch. Das Dateiformat ergibt sich aus der Endung (.pdf, .png, .jpg, …). Ohne width und height wird die Größe des aktuellen Grafikfensters übernommen.

Zusammenfassung der einzelnen Ebenen

1. Daten

Starte mit dieser Funktion und übergebe einen Datensatz an die Funktion: ggplot(data)

2. Aesthetic mapping

Als nächstes müssen die Datenvariablen den Koordinaten zugeordnet werden, damit ein leeres Koordinatensystem dargestellt wird. Dies geschieht in der aes() Funktion. Weitere visuelle Eigenschaften (sog. aesthetics) sind z.B. Größe, Farbe, Form, etc.

Zuordnung alleinstehend oder innerhalb von ggplot() gilt für alle Ebenen.
Zuordnung in geom_XXX() Funktion gilt nur für diese Ebene.

3. Geometrien

geom_XXX(): Kombiniere ein geometrisches Objekt/Grundelement, welches die Daten repräsentiert, mit den Abbildungseigenschaften, einer Statistik und einer Positionsanpassung, z.B. geom_point() oder geom_col().

4. ‘Scales’

Sog. ‘scale’ Funktionen bestimmen, wie Datenwerte in visuelle Eigenschaften übersetzt werden (überschreiben die Standardeinstellungen), wie z.B. scale_fill_manual().

5. ‘Faceting’

facet_XXX() Funktionen erstellen kleinere Diagramme, die verschiedene Teilmengen der Daten anzeigen; nützlich zur Untersuchung von Interaktionen mit kategorialen Variablen.

6. Koordinatensystem

Funktionen wie coord_flip() bestimmen die Darstellung des XY-Koordinatensystems und somit die Positionierung der Daten.

7. ‘Guides’

Mit der guides() Funktion und weiteren guide_XXX() Helferfunktionen kann die Anzeige der Achsen und Legende bestimmt werden.

8. ‘Themes’

Sog. ‘theme’ Funktionen bestimmen die Anzeige aller Nicht-Datenelemente des Plots. Es können alle Einstellungen mit einem kompletten Thema wie theme_classic() überschrieben oder einzelne Einstellungen mit theme() verändert werden.

Grafik speichern

Das aktuell angezeigte ggplot Diagramm lässt sich mit ggsave() speichern: ggsave("plot.png", width = 5, height = 5) → speichert den Plot als PNG mit 5 x 5 inch ab (das Format ergibt sich aus der Dateiendung).

ggplots als Objekte abspeichern | 1

Nützlich, um weitere Ebenen später hinzuzufügen,
wenn der Basisplot Grundlage für mehrere Diagramme sein soll (reduziert Tipparbeit)
oder wenn mehrere Diagramme kombiniert werden sollen.

p1 <- ggplot(iris,
  aes(
    x = Sepal.Length,
    y = Petal.Length,
    colour = Species
    )
  ) +
  geom_point()
p1

ggplots als Objekte abspeichern | 2

Nützlich, um weitere Ebenen später hinzuzufügen,
wenn der Basisplot Grundlage für mehrere Diagramme sein soll (reduziert Tipparbeit)
oder wenn mehrere Diagramme kombiniert werden sollen.

p1 <- ggplot(iris,
  aes(
    x = Sepal.Length,
    y = Petal.Length,
    colour = Species
    )
  ) +
  geom_point()

p2 <- p1 +
  geom_smooth(method = "lm") +
  scale_colour_manual(values =
    c("orange","cyan3", "#68228B"))
p2

ggplot - Die wichtigsten geom_XXX() Funktionen

4 Diagrammtypen, die Sie schon kennen

Diagrammtyp	geom-Funktion	Typische Fragestellung
Histogramm	`geom_histogram()`	Wie ist eine metrische Variable verteilt?
Säulendiagramm	`geom_bar()` / `geom_col()`	Wie viele Beobachtungen pro Gruppe? / Wie groß ist ein Wert pro Gruppe?
Boxplot	`geom_boxplot()`	Wie unterscheiden sich Verteilungen zwischen Gruppen?
Streudiagramm	`geom_point()`	Gibt es eine Beziehung zwischen zwei metrischen Variablen?

Aus den Calc-Übungen und der VL zur deskriptiven Statistik kennen Sie bereits diese 4 Diagrammtypen → das Grundgerüst ist immer gleich: ggplot(Daten, aes(...)) + geom_XXX(). Nur die geom-Funktion und das Mapping ändern sich!

Histogramm | `geom_histogram()`

Nur eine metrische Variable auf der x-Achse – die Häufigkeiten (y) berechnet ggplot2 selbst:

Verteilung der Kronblattlänge

ggplot(iris, aes(x = Petal.Length)) +
  geom_histogram(
    binwidth = 0.25,   # Klassenbreite
    fill = "#004586", 
    colour = "white"   # Rand der Säulen
  ) +
  labs(
    x = "Kronblattlänge (cm)", 
    y = "Häufigkeit"
  )

→ Mit binwidth (Klassenbreite) oder bins (Anzahl Klassen) legen Sie die Einteilung fest. Probieren Sie verschiedene Werte aus, die Form der Verteilung kann sich deutlich ändern!

Säulendiagramm | `geom_bar()` - ggplot2 zählt selbst

Nur x angeben, die Höhe = Anzahl der Zeilen pro Kategorie:

Anzahl Messwerte pro Art

x (Species) ist hier bereits kategorial (nominal):

ggplot(iris, aes(x = Species)) +
  geom_bar() +
  labs(x = "Iris Art", y = "Anzahl")

Anzahl Blüten pro Kronblattbreiten-Klasse

x (Petal.Width) in Klassen (ordinal) umwandeln:

iris |>
  mutate(PW_klasse = cut(Petal.Width,
    breaks = c(0, 0.5, 1, 1.5, 2.5),
    labels = c("≤ 0.5", "0.5–1", "1–1.5", "> 1.5"))) |>
  ggplot(aes(x = PW_klasse)) +
  geom_bar() +
  labs(x = "Kronblattbreite (cm)", y = "Anzahl Blüten")

Säulendiagramm | `geom_col()` - Werte liegen schon vor

x und y angeben, z.B. nach einer Aggregation mit dplyr:

Gruppenvergleich: Mittlere Kronblattlänge pro Art

iris |>
  group_by(Species) |>
  summarise(PL_mean = mean(Petal.Length)) |>
  ggplot(aes(x = Species, y = PL_mean)) +
  geom_col()

Säulendiagramm | `geom_col()` - Werte liegen schon vor

x und y angeben, z.B. nach einer Aggregation mit dplyr:

Gruppenvergleich: Mittlere Kronblattlänge pro Art

iris |>
  group_by(Species) |>
  summarise(
    PL_mean = mean(Petal.Length),
    PL_sd   = sd(Petal.Length)
  ) |>
  ggplot(aes(x = Species, y = PL_mean)) +
  geom_col() +
  geom_errorbar(aes(ymin = PL_mean - PL_sd, 
      ymax = PL_mean + PL_sd),
    width = 0.2) +
  labs(y = "Mittlere Kronblattlänge (cm) ± SD")

Mittelwerte immer mit Fehlerbalken zeigen! Und angeben, welches Maß sie darstellen: SD (Streuung der Daten), SE (Genauigkeit des Mittelwerts: sd(x) / sqrt(n())) oder 95 %-KI.

Boxplot | `geom_boxplot()`

Eine kategoriale Variable (x) und eine metrische Variable (y) – für den Vergleich von Verteilungen zwischen Gruppen:

Kelchblattlänge pro Art

ggplot(iris, 
  aes(x = Species, y = Sepal.Length)) +
  geom_boxplot(fill = "coral3") +
  labs(x = "Art", 
    y = "Kelchblattlänge (cm)")

→ Zur Erinnerung: Die Box umfasst die mittleren 50% der Werte (1. bis 3. Quartil), der Strich in der Box ist der Median, Punkte außerhalb der ‘Whisker’ sind potenzielle Ausreißer.

Streudiagramm | `geom_point()`

Zwei metrische Variablen – für die Untersuchung von Beziehungen:

Nicht-lineare Beziehung: Ozon ~ Temperatur

airquality |>
  ggplot(aes(x = Temp, y = Ozone)) +
  geom_point() +
  geom_smooth() +
  labs(x = "Temperatur (°F)",
    y = "Ozon (ppb)")

→ Mit geom_smooth() wird eine Glättungskurve hinzugefügt, mit geom_smooth(method = "lm") eine Regressionsgerade.

Ausblick: Welches Diagramm wann?

Es gibt noch viele weitere Diagrammtypen und geom-Funktionen. Dieser Entscheidungsbaum hilft bei der Wahl – wie man ihn nutzt und welche Diagramme für welche Fragestellung geeignet sind, besprechen wir in der VL zu den Grundlagen der Datenvisualisierung.

Your turn …

Quiz 1-5 | ggplots

ggplot(data = iris,
  mapping = aes(x = Petal.Length)) +
  geom_histogram()

Q2 | Gruppenvergleich

Quiz
Demo

ggplot(iris,
  aes(x = Species,
    y = Petal.Width)) +
  geom_boxplot(aes(fill = Species))

Q3 | Gruppenvergleich

Quiz
Demo

ggplot(iris,
  aes(x = Species,
    y = Petal.Width)) +
  geom_point(alpha = 0.1, size = 5,
    colour = 'red')

Q4 | Beziehung

Quiz
Demo

iris |>
  ggplot(aes(x = Petal.Length, y = Sepal.Length)) +
  geom_point(aes(size = Petal.Width))

Q5 | Beziehung

Quiz
Demo

ggplot(data = mtcars,
  aes(wt, mpg, label = rownames(mtcars))) +
  geom_point(aes(size = gear)) +
  geom_text(aes(colour = factor(cyl)),
    hjust = 0, nudge_x = 0.05) +
  xlim(1,8)

Zurück zu unseren Demos..

Von Calc zu R wechseln | Demo A

Lineare Regression zum
Fütterungsversuch beim Kabeljau

Was haben wir gerade gelernt?

# ------------------------------ Vorbereitung ----------------------------------

#### Laden von Paketen
library(tidyverse)
# library(readODS)
# library(readxl)
library(DSBtools)
options(DSBtools.language = "de") # Ausgabe auf Deutsch


#### Eigene Funktionen


# -------------------- Import und Datenaufbereitung ----------------------------

#### Import einer Textdatei im CSV-Format (das gängigste Format)
kabeljau_csv <- read.csv(file = "data/Wachstum-Futter.csv")
str(kabeljau_csv) # --> Output ist ein data frame


#### Import von Calc- und Excel-Dateien (ODS- und XLSX-Format)

# Import einer ODS-Datei mit dem 'readODS' Paket
kabeljau <- readODS::read_ods("data/DS1_W03_Streudiagramm_Kabeljau.ods",
  sheet = "Daten_Visualisierung")
str(kabeljau) # --> Output ist ein Tibble

# Import einer XLSX-Datei mit z.B. dem 'readxl' Paket
kabeljau_xlsx <- readxl::read_excel("data/DS1_W03_Streudiagramm_Kabeljau.xlsx",
  sheet = "Daten_Visualisierung")
str(kabeljau_xlsx) # --> Output ist ein Tibble


#### Datensichtung und -transformation

# Anpassen der Spaltennamen
names(kabeljau) <- c("verzehr", "wachstum")
str(kabeljau)

# Wertebereich prüfen
summary(kabeljau)

# Beziehung explorieren: Ist sie linear? Gibt es Ausreisser?
explore_var(x = kabeljau$verzehr, y = kabeljau$wachstum,
  xlab = "Verzehr/Konsum (J/g/Tag)", ylab = "Wachstum (J/g/Tag)")



# ---------------------- Lineare Regression: Berechnung ------------------------
# (-> Lektion L03 in DSB-02-Datenexploration mit R)

#### Manuelle Berechnung

# Um Tipparbeit zu sparen, speichern wir die Spalten als einzelne Vektoren
x <- kabeljau$verzehr
y <- kabeljau$wachstum

# Steigungsparameter b berechnen
b <- cov(x = x, y = y)/ var(x) # der shortcut mit der Kovarianz und Varianz
b

# Achsenabschnitt a berechnen
a <- mean(y) - b*mean(x)
a

# Das Bestimmtheitsmass R^2 berechnen
y_pred <- a + b*x   # die vorhergesagten Werte
ss_gesamt <- sum( (y - mean(y))^2 ) # Summenquadrate Gesamt
ss_regression <- sum( (y_pred - mean(y))^2 ) # Summenquadrate der Regression
R2 <- round(ss_regression/ss_gesamt, 4)
R2


##### Zum Vergleich die Regression automatisch berechnen mit lm()

# Erstellung des Modells
mod <- lm(formula = wachstum ~ verzehr, data = kabeljau)
mod

# Ausgabe nur der beiden Koeffizienten
coef(mod)

# Ausgabe aller wichtigen Statistiken des Modells, inklusive von R^2
# (mehr dazu in Data Science 2)
summary(mod)



# ------------------- Lineare Regression: Visualisierung  ----------------------


#### Visualisierung mit den Basisfunktionen (-> Lektion L02 und L03 in DSB-02)
# Sog. high-level Funktion plot()
plot(x = kabeljau$verzehr, y = kabeljau$wachstum,
  pch = 15, cex = 1.2, col = "#004586",
  xlab = "Verzehr/Konsum (J/g/Tag)", ylab = "Wachstum (J/g/Tag)")
# Sog. low-level Funktionen, die Elemente in den angezeigten Plot einfügen
abline(a = a, b = b)
title(
  main = paste0("wachstum = ", round(a, 3), " + ", round(b, 3), "*verzehr"),
  sub = paste0("Bestimmtheitsmaß R^2 = ", R2)
)  # (paste0() verkettet Zeichen miteinander)


#### Visualisierung mit ggplot2 (-> siehe swirl-Kurs DSB-04)
kabeljau |>
  ggplot(aes(x = verzehr, y = wachstum)) + # initiert Plot
  geom_point(colour = "#004586", shape = 15, size = 3) +
  # Punktelemente hinzufügen
  geom_abline(slope = b, intercept = a) +
  # Achsenbeschriftung anpassen und Titel hinzufügen
  labs(x = "Verzehr/Konsum (J/g/Tag)", y = "Wachstum (J/g/Tag)",
    title = str_c("wachstum = ", round(a, 3), " + ", round(b, 3), "*verzehr"),
    subtitle = str_c("Bestimmtheitsmaß R^2 = ", R2)) +
  # das Layout anpassen
  theme_bw()

Von Calc zu R wechseln | Demo B

Deskriptive Statistik mit iris

Was haben wir gerade gelernt?

# ------------------------------ Vorbereitung ----------------------------------

#### Laden von Paketen
library(tidyverse) # laedt 9 Pakete

# # (das gleiche wie alle Pakete einzeln zu laden)
# library(dplyr)
# library(forcats)
# library(ggplot2)
# library(lubridate)
# library(purrr)
# library(readr)
# library(stringr)
# library(tibble)
# library(tidyr)

library(DSBtools)
options(DSBtools.language = "de") # Ausgabe auf Deutsch


#### Eigene Funktionen
# Variantionskoeffizient
cv <- function(x) {
  sd(x)/mean(x)
}


# -------------------- Import und Datenaufbereitung ----------------------------

#### Import von CSV-Dateien
# (-> Swirl-Lektion L01 in DSB-03-Datenaufbereitung oder per Anleitung durchs Tidyversum)

# Import der ODS-Datei, welche in den Zeilen 66-68 noch Text enthaelt
iris <- readODS::read_ods("data/DS1_W03_Saeulendiagramm_mit_iris.ods")


#### Prüfung des Imports und Datensichtung
# (-> Swirl-Lektion L02 in DSB-03)

# Prüfung des Datentyps --> IMMER DIREKT NACH DEM IMPORT VERWENDEN!
str(iris)  # str = structure

# Betrachtung des Inhalts
iris
# View(iris)

# Korrektur des Datentyps und der Zeilen
iris <- iris[1:60, ] |>
  mutate(across(Sepal.Length:Petal.Width, as.numeric)) |>
  mutate(Species = as.factor(Species))
str(iris)

# Welche Werte kommen in jeder Spalte vor?
lapply(iris, unique)

### Weitere Funktionen zur Sichtung einzelner Aspekte
head(iris) # zeigt erste 6 Zeilen (Kopfzeilen)
tail(iris) # zeigt letzte 6 Zeilen (Endzeilen)
class(iris) # Identifikation der Objektklasse (Vektor, Matrix, dataframe,..)
nrow(iris) # Anzahl Zeilen
ncol(iris) # Anzahl Spalten
dim(iris) # Anzahl aller Dimensionen
names(iris) # Spaltennamen
typeof(iris$Sepal.Length) # Datentyp von Spalte 'Sepal.Length'
typeof(iris$Species)      # Datentyp von Spalte 'Species'



# ----------------------- Deskriptive Statistik --------------------------------

#### Berechnung mehrerer Statistiken für jede Spalte im data frame

# Klassische Zusammenfassung mit base R (Ausgabe nur in der Konsole)
summary(iris)

# Shortcut mit DSBtools: Statistiken für jede Spalte, passend zum erkannten
# Variablentyp (z.B. Häufigkeiten bei 'Species', Mittelwert & Co. bei den
# metrischen Spalten). Das Ergebnis ist ein Objekt, mit dem Sie weiterarbeiten
# können - speichern Sie es dazu unter einem Namen:
describe_df(data = iris)


#### Berechnung versch. Statistiken der Kronblattlaenge, gruppiert nach Art
# (-> Lektion L01 in DSB-02-Datenexploration mit R)
# (-> Lektion L06-Gruppierte Aggregation in DSB-03)

iris_summary <- iris |>
  group_by(Species) |>
  summarise(
    PL_mean = mean(Petal.Length),                         # Mittelwert
    PL_median = median(Petal.Length),                     # Median
    PL_var = var(Petal.Length),                           # Varianz
    PL_sd = sd(Petal.Length),                             # Standardabweichung
    PL_se = sd(Petal.Length)/sqrt(length(Petal.Length)),  # Standardfehler
    PL_cv = cv(Petal.Length)                              # Variationskoeffizient
  ) |>
  # die Artnamen anpassen (hier Gattungsnamen anfügen) und als Faktor speichern
  mutate(Species = factor(paste0("Iris ", Species))) |>
  # nun die Reihenfolge der Faktorstufen nach PL_mean sortieren
  mutate(Species = fct_reorder(.f = Species, .x = PL_mean, .desc = TRUE))

# Zusammenfassung ansehen
iris_summary

# Kontrolle mit DSBtools: Stimmen Ihre Werte? describe_var() berechnet die
# Statistiken der Variable 'x' getrennt für jede Gruppe in 'by'
# (Angaben zum 95%-Konfidenzintervall -> kommt in Data Science 2)
iris_stats <- describe_var(x = iris$Petal.Length, by = iris$Species)
iris_stats


#### Saeulendiagramm erstellen mit dem 'ggplot2' Paket
#  (siehe auch swirl-Kurs DSB-04-Datenvisualisierung mit ggplot2)

iris_summary |>
  ggplot(aes(x = Species, y = PL_mean)) + # initiert Plot
  # die Saeulen hinzufügen
  geom_col(fill = "#004586") +
  # die Fehlerbalken hinzufügen
  geom_errorbar((aes(ymin = PL_mean - PL_sd, ymax = PL_mean + PL_sd)),
    width = 0.2) +
  # Achsenbeschriftung anpassen
  ylab("Kronblattlänge (in cm)") +
  xlab("Schwertlilienart (Gattung Iris)") +
  # das Layout anpassen
  theme_bw()

Übungen

Optionale swirl-Lektionen zur Vertiefung

Kurs DSB-02-Datenexploration mit R

L02-Erste grafische Analyse
L04-Basisgrafik Histogramm
L05-Basisgrafik Boxplot
L06-Basisgrafik Säulendiagramm
L07-Basisgrafik Streudiagramm
L08-Globale Einstellungen und Grafiken exportieren

Kurs DSB-04-Datenvisualisierung mit ggplot2

L01-Geschichtete Grammatik-Eine Einfuehrung in ggplot2
L02-geom_Funktionen für Verteilungen kategorialer Variablen
L03-geom_Funktionen für Verteilungen kontinuierlicher Variablen
L04-geom_Funktionen für Gruppenvergleiche von Verteilungen
L05-geom_Funktionen für Gruppenvergleiche
L06-geom_Funktionen für Beziehungen
L07-geom_Funktionen für Trends

Übungsaufgaben Woche 9

Alle Aufgaben der Übungswoche finden Sie im Handbuch:

die zu bearbeitenden Übungsskripte
die (optionalen) swirl-Lektionen und
den aktuellen Stand der Fallstudie.

Die Übungsskripte und Daten liegen in Ihrem R-Projektordner DS1-R-Uebungen (Unterordner uebungsskripte bzw. data).
Öffnen Sie immer zuerst die Projektdatei DS1-R-Uebungen.Rproj, dann stimmen alle Dateipfade.

Optionale Challenge 1: Grafik erstellen

Versuchen Sie einen der beiden Plots mit dem iris Datensatz in base R bzw. ‘ggplot2’ zu reproduzieren:

Base R Diagramm
Lösung

# Weil x und y kontinuierlich sind, wird das
# Diagramm automatisch ein Streudiagramm
plot(
  x = iris$Sepal.Length,
  y = iris$Petal.Length,
  col = iris$Species,
  pch = 12,
  cex = 2,
  xlab = "Länge Kelchblatt",
  ylab = "Länge Kronblatt",
  main = "Art-spezifische Beziehung beider Blattlängen"
)

ggplot2 Diagramm
Lösung

library(tidyverse) # oder library(ggplot2)

ggplot(iris,
    aes(
      x = Sepal.Length,
      y = Petal.Length
    )
  ) +
  # Farbe und Form nur fuer die Punkte (lokal),
  # damit geom_smooth() EINE Kurve fuer alle Daten zeichnet
  geom_point(aes(color = Species, shape = Species),
    size = 2) +
  geom_smooth() +
  scale_colour_manual(values =
    c("red", "blue", "green")) +
  labs(
    x = "Länge Kelchblatt",
    y = "Länge Kronblatt",
    title = "Art-spezifische Beziehung beider Blattlängen"
  ) +
  theme_classic()

Optionale Challenge 2: Grafik erstellen
und abspeichern

Versuchen Sie folgenden Plot mit dem iris Datensatz in base R zu reproduzieren und diesen als PDF abzuspeichern:

Diagramm
Lösung

pdf("MeinErstesPDF.pdf") # Erstellt eine neue PDF Datei
boxplot(
  formula = Petal.Length ~ Species,
    # (in Boxplots werden Daten meist als Formel übergeben)
  data = iris,
  col = "yellow"
)
dev.off()  # Schließt die Datei

Wie fühlen Sie sich jetzt…?

Total konfus?

Dann schauen Sie sich doch mal…

…folgende Weblinks zur Diagrammerstellung mit den built-in Funktionen für Basisplots an:
das ggplot2 Cheatsheet genauer an.
und lesen Sie das Kapitel Data visualization über Datenvisualisierung mit ggplot2 in ‘R for Data Science’ (2. Auflage).

Posit Cheatsheet

Überblick an Funktionen im ggplot2 Paket

Cheatsheet zum ggplot2 Paket frei verfügbar unter diesem Link.

Total gelangweilt?

Dann testen Sie doch Ihr Wissen in folgendem Abschlussquiz und probieren Sie diese Challenges..

Abschlussquiz

Bei weiteren Fragen: saskia.otto(at)uni-hamburg.de

Diese Arbeit ist lizenziert unter einer Creative Commons Attribution-ShareAlike 4.0 International License mit Ausnahme der entliehenen und mit Quellenangabe versehenen Abbildungen.

Datenvisualisierung mit base R und ggplot2

Lernziele

Am Ende dieser VL- und Übungseinheit werden Sie

2 verbreitete Typen

Grafiken mit base R

Grafiken mit ggplot2 Paket

Grafiken mit base R

2 Funktionstypen

High-level Funktionen

Low-level Funktionen

High-level Funktionen | Überblick

High-level Funktionen | Beispiele

High-level Funktionen | Dokumentation

High-level Funktionen | Argumente

High-level Argumente | Demonstration 1

High-level Argumente | Demonstration 2

High-level Argumente | Demonstration 3

High-level Argumente | Demonstration 4

Wichtige low-level Grafikfunktionen

Wo soll die Grafik erscheinen?

Die sog. ‘graphics devices’

Ausgabeformate und ihre Funktionen

Ausgabeformate | Demonstration

Visualisierung mit ‘ggplot2’

Ein System für kreative Grafiken

Galerie der ggplot2 Erweiterungen

Umsetzung des visual encoding in ggplot2

Die 8 Ebenen in ggplot2

Eine Demonstration mit dem internen Datensatz ‘iris’

Ebene 1 - Data

Grafik starten mit ggplot()

Ebene 2 - Aesthetic mapping | 1

Globale Variablenzuordnung von x und y

Ebene 3 - Geometries | 1

Punkte-Geometrie hinzufügen

Ebene 3 - Geometries | 2

Die Punktfarbe einheitlich anpassen

Ebene 2 - Aesthetic mapping | 2

Variablen-spezifische Farbwahl (lokal)

Ebene 2 - Aesthetic mapping | 3

Falsch: Einheitliche Farbwahl ‘mappen’

Ebene 3 - Geometries | 3

Weitere Geometrie hinzufügen: geglättete Kurve

Ebene 3 - Geometries | 4

Weitere Geometrie hinzufügen: Trendlinie

Ebene 2 - Aesthetic mapping | 4

Art-spezifische Trendlinien über die Farbe (lokal)

Ebene 2 - Aesthetic mapping | 5

Globale Farbwahl (für alle Geometrien)

Ebene 4 - Scales

Farbskala anpassen

Ebene 5 - Facets

Datenpunkte aufteilen

Ebene 6 - Coordinates

Das Koordinatensystem bspw. drehen

Ebene 7 - Guides

Legende und Achsenbeschriftung anpassen

Ebene 8 - Theme

Ändern des Layouts (der Nicht-Datenelemente)

Zum Abschluss: speichere die Grafik

Mit ggsave()

Zusammenfassung der einzelnen Ebenen

1. Daten

2. Aesthetic mapping

3. Geometrien

4. ‘Scales’

5. ‘Faceting’

6. Koordinatensystem

7. ‘Guides’

8. ‘Themes’

Grafik speichern

ggplots als Objekte abspeichern | 1

ggplots als Objekte abspeichern | 2

ggplot - Die wichtigsten geom_XXX() Funktionen

4 Diagrammtypen, die Sie schon kennen

Histogramm | geom_histogram()

Verteilung der Kronblattlänge

Säulendiagramm | geom_bar() - ggplot2 zählt selbst

Anzahl Messwerte pro Art

Anzahl Blüten pro Kronblattbreiten-Klasse

Grafik starten mit `ggplot()`

Mit `ggsave()`

Histogramm | `geom_histogram()`

Säulendiagramm | `geom_bar()` - ggplot2 zählt selbst

Säulendiagramm | `geom_col()` - Werte liegen schon vor

Säulendiagramm | `geom_col()` - Werte liegen schon vor

Boxplot | `geom_boxplot()`

Streudiagramm | `geom_point()`

Lineare Regression zum
Fütterungsversuch beim Kabeljau

Optionale Challenge 2: Grafik erstellen
und abspeichern