IntroR - Chapitre II - Visualisation Graphique
Pierre-O Goffard
17 janvier 2019
Nous allons voir comment utiliser la librairie ggplot2 pour visualiser les données.
library(ggplot2)Il s’agit d’une composante de la librairie tidyverse.
Un graphique ggplot comprends les éléments de bases suivant
- ggplot(data = ) : Les données à visualiser
- geom_: La forme géométrique pour visualiser les données, cela inclut la couleur des courbes, le remplissage des barre, la taille/forme/couleur des points.
- aes(): Le lien entre les axes du graphique (X et Y) et les vatriables du jeu de données (à placer dans ggplot ou geom_)
- labs(): Précise le nom des axes, du titre, de la légende
- theme(): Apparence globale comprenant le fond, le quadrillage. Pour le texte: la police, sa taille et sa couleur.
D’autres éléments peuvent se rajouter comme
- xlim(), ylim(): limiter la longeur des axes
- coord_: Changer la projection des données sur les axes (coord_polar() ou coord_flip()), changer l’aspect ratio coord_fixed()
- scale_x_continuous scale_y_continuouss: Changer l’échelle de graduation d’une variable quantitative
- theme_bw() pour changer l’aspect global du graphique (par défaut theme_gray())
Analyse univariée
Reprenons le jeu de données Insurance dans la librairie MASS.
library(insuranceData)
data(AutoClaims)
# Résumé statistiques des données
summary(AutoClaims)## STATE CLASS GENDER AGE PAID
## STATE 15:2180 C11 :1151 F:2582 Min. :50.00 Min. : 9.5
## STATE 02:1122 C71 :1129 M:4191 1st Qu.:54.00 1st Qu.: 523.7
## STATE 04: 666 C7 : 913 Median :62.00 Median : 1001.7
## STATE 06: 622 C6 : 911 Mean :63.81 Mean : 1853.0
## STATE 17: 491 C1 : 726 3rd Qu.:72.00 3rd Qu.: 2137.4
## STATE 03: 348 C7B : 686 Max. :97.00 Max. :60000.0
## (Other) :1344 (Other):1257Variable quantitative
La variable Claims est une variables quantitative. L’analyse de la distribution d’une variable quantitative passe par la production d’un histogramme
# Repère cartésien et chargement des données
ggplot(data = AutoClaims, aes(x = PAID)) +
# Histogramme
geom_histogram()## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
et d’une boîte à moustache.
ggplot(data = AutoClaims, aes(y = PAID)) +
# Boîte à moustache
geom_boxplot() 
Vous pouvez tester l’alternative à la boxplot avec geom_violin, réduire l’échelle de l’axe y avec ylim pour lire plus facilement les quartiles et le mettre à l’horizontal via coord_flip().
Nous allons maintenant customiser nos graphiques. Nous souhaitons
les mettre l’un à coté de l’autre (paquet gridExtra),
Ajouter des noms pour les axes labs(x = "“, y =”“, title =”"),
Changer la taille de la police (theme(axis.text.x= element_text(family, face, colour, size)), où
- family pour la famille de police
- face pour type de police, e.g. italic
- colour pour la couleur
- size pour la taille en pts
- mettre un peu de couleur (fill = ‘couleur’)
Ajouter la moyenne empirique sur la boîte à moustache et l’histogramme.
Changer le découpage des blocs pour l’histogramme.
Changer la graduation de l’axe des abscisse dans l’histogramme via scale_x_continuous
# Librairie pour placer les graphiques l'un à côté de l'autre
library(gridExtra)
# Histogramme dans l'objet h
h <- ggplot(data = AutoClaims, aes(x = PAID)) +
# Histogramme bleu avec moins de barres
geom_histogram(fill = 'blue',
breaks =seq(0, 60000, 200)) +
# Noms des axes et titres
labs(x = "Montant des sinistres",
y = "Fréquence",
# \n permet d'aller à la ligne
title = "Histogramme des \n montant de sinistres") +
# Taille de la police et ajustement horizontal du titre entre 0 (à gauche)
# et 1 (à droite)
theme(axis.text.x = element_text(size = 10),
axis.text.y = element_text(size = 10),
axis.title.x = element_text(size = 10),
axis.title.y = element_text(size = 10),
plot.title = element_text(hjust = 1/2, size = 14)
) +
scale_x_continuous(breaks = c(0, 30000, 60000))
# Boxplot dans l'objet b
b <- ggplot(data = AutoClaims, aes(y = PAID)) +
# Boxplot rouge
geom_boxplot( fill = 'red') +
# Label axe des y
labs(y = 'Montant des sinistres', title = 'Boîte à moustache des \n montants de sinistres') +
theme(axis.text.x = element_blank(),
axis.ticks.x = element_blank(),
plot.title = element_text(hjust = 1/2, size = 14))
# Les deux graphiques l'un à côté de l'autre
grid.arrange(h, b, ncol=2)
Variable qualitative
Nous allons utiliser le jeu de données ozone.csv comprenant des mesures d’ozone quotidiennes à Rennes.
#Mac
#ozone <- read.csv2("~/Dropbox/PO/Enseignements/ISFA/R/BDD/ozone.csv")
#PC
ozone <- read.csv2("C:/Users/pierr/Dropbox/Enseignements/ISFA/R/BDD/ozone.csv")La variable vent est une variable qualitative dont les modalités sont les directions du vent.
# Effectifs pour chaque modalité
table(ozone$vent)##
## Est Nord Ouest Sud
## 10 31 50 21Pour apprécier la répartition des directions de vents, on a recours à un diagramme en bar
ggplot(data = ozone, aes(x = vent)) +
# Diagramme en barre vert
geom_bar(fill = 'green')
On peut personaliser le diagramme en bar et
- attribuer une couleur différente à chaque barre (fill = variable dans la fonction aes()).
- Afficher des proportions plutôts que les effectifs.
library(scales)
ggplot(data = ozone) +
# ..count.. est une variable calculée automatiquement lorsqu'on utilise geom_bar
geom_bar(aes(x = vent, y = (..count..) / sum(..count..), fill = vent)) +
scale_y_continuous(labels = percent) +
labs( y = 'pourcentage')
# # Pour afficher les valeurs sous le format pourcentageOn peut aussi produire un diagramme en secteur, pour ce faire, il faut transformer le diagramme en bar via un passage en coordonnées polaires (+ coord_polar()).
ggplot(data = ozone) +
#Diagramme en barre ne contenant qu'une seule barre
geom_bar(mapping = aes(x = 1, fill = vent), position = 'fill') +
# Passage en coordonnées polaires
coord_polar(theta ='y')
On peut améliorer le visuel en supprimant l’axe qui s’intitule x et en plaçant des marqueurs aux points de démarcation des différents secteurs.
# Récupération des pourcentages cummulés
cum_percent_vent <- cumsum(rev(table(ozone$vent))) / length(ozone$vent)
names(cum_percent_vent) <- NULL
ggplot(data = ozone) +
#Diagramme en barre ne contenant qu'une seule barre
geom_bar(mapping = aes(x = 1, fill = vent), position = 'fill') +
# Passage en coordonnées polaires
coord_polar(theta ='y') +
# On place les marqueurs de manière adéquate
scale_y_continuous(breaks = round(cum_percent_vent * 100) / 100) +
# On efface tout ce qui concerne l'axe des y qui correspond au module en coordonées polaires
theme(axis.text.y = element_blank(),
axis.title.y = element_blank(),
axis.ticks.y = element_blank()
)
Analyse bivariée
Relation entre deux variables quantitatives
Lorsque l’on étudie deux variables quantitatives, on distingue généralement deux cas:
- L’étude de la relation entre une variable à prédire \(Y\) (réponse) et d’un prédicteur ou covariable \(X\). Il s’agit d’une régression où l’on cherche à identifier une fonction \(f\) telle que \[ Y\approx f(X). \] On doit alors (en plus de calculer des coefficients de corrélation) tracer \(Y\) en fonction de \(X\).
- L’étude d’une quantité au cours du temps, lorsqu’on a des observations à des intervalles de temps réguliers. On trace alors la fonction \(X(t)\) en fonction du temps \(t\), on parle dans ce cas de série temporelles. On cherche à observer des tendances et des saisonalités.
Nous pouvons commencer par tracer une fonction classique \[ f(x) = \sin(x)\text{, }x\in\mathbb{R}. \] On crée un jeu de données contenant les valeurs pour \(x\) (donnant les limites de l’axes des abscisses) et les valeurs pour \(f(x)\) correspondantes. La fonction geom_point permet de produire des nuages de points.
grid <- seq(-2 * pi, 2 * pi, 4 * pi / 100)
values <- sin(grid)
sin_data <- data.frame(x = grid , f_x = values)
ggplot(data = sin_data, mapping = aes(x = grid, y = f_x)) +
# Traçage de la courbe
geom_line(linetype="solid", color="red", size=0.5) +
#Attribution d'un titre pour les axes
xlab('x') + ylab('sin(x)') +
# Dessine des lignes verticales et horizontales en guise d'axes
geom_hline(yintercept = 0) + geom_vline(xintercept = 0)
Via le jeu de données ozone, nous pouvons étudier l’incidence de la température T12 sur la hauteur du pic d’ozone mesuré max03.
ggplot(data = ozone, mapping = aes(x = T12, y = maxO3)) +
# Nuage de point
geom_point(shape=23, fill="blue", color="darkred", size=3)
Il est assez clair que les fortes températures influence positivement les mesures d’ozone! On peut calculer le coefficient de corrélation linéaire de Pearson
# Coeficient de corrélation linéaire
cor(ozone$maxO3, ozone$T12)## [1] 0.7842623Nous allons maintenant étudier les fluctuation du cac 40 au cours du temps
data(EuStockMarkets)
library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionEuStockMarkets_V1 <- data.frame(dates = date_decimal(as.numeric(time(EuStockMarkets))), EuStockMarkets)
ggplot(data = EuStockMarkets_V1, mapping = aes( x = dates, y = CAC)) + geom_line()
Nous pouvons ajouter l’évolution d’autres indices boursiers.
# Séries temporelles
ggplot(data = EuStockMarkets_V1) +
geom_line(mapping = aes( x = dates, y = CAC), colour = 'blue') +
geom_line(mapping = aes( x = dates, y = FTSE), colour = 'red') +
geom_line(mapping = aes( x = dates, y = DAX), colour = 'green') +
geom_line(mapping = aes( x = dates, y = SMI), colour = 'yellow') +
ylab('Valeur des indices boursiers européens')
L’ajout d’une légende pose problème pour l’instant nous verrons une solution plus tard.
Relation entre deux variables qualitatives
Nous allons travailler sur un jeu de données de la library questionr.
library(questionr)
data(hdv2003)
summary(hdv2003)## id age sexe
## Min. : 1.0 Min. :18.00 Homme: 899
## 1st Qu.: 500.8 1st Qu.:35.00 Femme:1101
## Median :1000.5 Median :48.00
## Mean :1000.5 Mean :48.16
## 3rd Qu.:1500.2 3rd Qu.:60.00
## Max. :2000.0 Max. :97.00
##
## nivetud poids
## Enseignement technique ou professionnel court :463 Min. : 78.08
## Enseignement superieur y compris technique superieur:441 1st Qu.: 2221.82
## Derniere annee d'etudes primaires :341 Median : 4631.19
## 1er cycle :204 Mean : 5535.61
## 2eme cycle :183 3rd Qu.: 7626.53
## (Other) :256 Max. :31092.14
## NA's :112
## occup qualif freres.soeurs
## Exerce une profession:1049 Employe :594 Min. : 0.000
## Chomeur : 134 Ouvrier qualifie :292 1st Qu.: 1.000
## Etudiant, eleve : 94 Cadre :260 Median : 2.000
## Retraite : 392 Ouvrier specialise :203 Mean : 3.283
## Retire des affaires : 77 Profession intermediaire:160 3rd Qu.: 5.000
## Au foyer : 171 (Other) :144 Max. :22.000
## Autre inactif : 83 NA's :347
## clso relig
## Oui : 936 Pratiquant regulier :266
## Non :1037 Pratiquant occasionnel :442
## Ne sait pas: 27 Appartenance sans pratique :760
## Ni croyance ni appartenance:399
## Rejet : 93
## NSP ou NVPR : 40
##
## trav.imp trav.satisf hard.rock lecture.bd
## Le plus important : 29 Satisfaction :480 Non:1986 Non:1953
## Aussi important que le reste:259 Insatisfaction:117 Oui: 14 Oui: 47
## Moins important que le reste:708 Equilibre :451
## Peu important : 52 NA's :952
## NA's :952
##
##
## peche.chasse cuisine bricol cinema sport heures.tv
## Non:1776 Non:1119 Non:1147 Non:1174 Non:1277 Min. : 0.000
## Oui: 224 Oui: 881 Oui: 853 Oui: 826 Oui: 723 1st Qu.: 1.000
## Median : 2.000
## Mean : 2.247
## 3rd Qu.: 3.000
## Max. :12.000
## NA's :5Nous pouvons éduier le lien entre le viveau d’étude nivetud et la pratique sportive sport. Pour étudier le lien entre deux variables qualitatives, on commence souvent par un tableau de contingence qui est un tableaux à double entrée indiquant des effectifs
tab_contingence <- table(hdv2003$nivetud, hdv2003$sport)
tab_contingence##
## Non Oui
## N'a jamais fait d'etudes 38 1
## A arrete ses etudes, avant la derniere annee d'etudes primaires 78 8
## Derniere annee d'etudes primaires 300 41
## 1er cycle 161 43
## 2eme cycle 109 74
## Enseignement technique ou professionnel court 307 156
## Enseignement technique ou professionnel long 71 60
## Enseignement superieur y compris technique superieur 186 255On s’intéresse notamment aux pourcentages ligne
lprop(tab_contingence)##
## Non Oui
## N'a jamais fait d'etudes 97.4 2.6
## A arrete ses etudes, avant la derniere annee d'etudes primaires 90.7 9.3
## Derniere annee d'etudes primaires 88.0 12.0
## 1er cycle 78.9 21.1
## 2eme cycle 59.6 40.4
## Enseignement technique ou professionnel court 66.3 33.7
## Enseignement technique ou professionnel long 54.2 45.8
## Enseignement superieur y compris technique superieur 42.2 57.8
## Ensemble 66.2 33.8
##
## Total
## N'a jamais fait d'etudes 100.0
## A arrete ses etudes, avant la derniere annee d'etudes primaires 100.0
## Derniere annee d'etudes primaires 100.0
## 1er cycle 100.0
## 2eme cycle 100.0
## Enseignement technique ou professionnel court 100.0
## Enseignement technique ou professionnel long 100.0
## Enseignement superieur y compris technique superieur 100.0
## Ensemble 100.0et colonne
cprop(tab_contingence)##
## Non Oui
## N'a jamais fait d'etudes 3.0 0.2
## A arrete ses etudes, avant la derniere annee d'etudes primaires 6.2 1.3
## Derniere annee d'etudes primaires 24.0 6.4
## 1er cycle 12.9 6.7
## 2eme cycle 8.7 11.6
## Enseignement technique ou professionnel court 24.6 24.5
## Enseignement technique ou professionnel long 5.7 9.4
## Enseignement superieur y compris technique superieur 14.9 40.0
## Total 100.0 100.0
##
## Ensemble
## N'a jamais fait d'etudes 2.1
## A arrete ses etudes, avant la derniere annee d'etudes primaires 4.6
## Derniere annee d'etudes primaires 18.1
## 1er cycle 10.8
## 2eme cycle 9.7
## Enseignement technique ou professionnel court 24.5
## Enseignement technique ou professionnel long 6.9
## Enseignement superieur y compris technique superieur 23.4
## Total 100.0Ces informations peuvent être visualisées à l’aide de diagramme en barres. La variable nivetud comprends cependant trop de modalités (avec des noms trop long).
ggplot(data = hdv2003) +
geom_bar(aes(x = nivetud))
Nous réduisons le nombre de modalités à l’aide de la fonction levels
data("hdv2003")
hdv2003$nivetud <- as.factor(hdv2003$nivetud)
levels(hdv2003$nivetud) <- c(rep('Primaire', 3), rep('Secondaire', 2), rep('Supérieur', 3))
table(hdv2003$nivetud)##
## Primaire Secondaire Supérieur
## 466 387 1035Nous pouvons soit produire avoir une barre pour chaque modalité de la première variable qualitative (ici nivetud) splittée en fonction du nombre d’occurence des modalités de la deuxième variable qualitative (sport).
ggplot(data = hdv2003) + geom_bar(mapping = aes(x = nivetud, fill = sport), position = "stack") +
labs(x = "Niveau d'étude", y = "Effectif")
ou avoir une barre par modalité de la deuxième variable qualitative.
ggplot(data = hdv2003) + geom_bar(mapping = aes(x = nivetud, fill = sport), position = "dodge") +
labs(x = "Niveau d'étude", y = "Effectif")
Variables quantitatives et qualitatives
Lorsque qu’on étudie le lien entre une variable qualitative et une variable quantitatives, on se sert de la variable qualitative pour segmenter le jeu de données. On se demande si la distribution de la variable quantitative est la même au sein des différents groupes définis par les modalités de la variable qualitative. On peut s’interesser par exemple à la sinistralité en fonction de la présence ou non d’un avocat.
library(insuranceData)
data(AutoBi)
# La variable ATTORNEY n'est pas traité automatiquement comme une variable qualitative et donc nécessite un pré-traitement
AutoBi$ATTORNEY <- as.factor(AutoBi$ATTORNEY)
levels(AutoBi$ATTORNEY) <- c('yes', 'no')
ggplot(data = AutoBi, aes(x = ATTORNEY, y = LOSS)) + geom_boxplot()
On peut aussi étudier l’intéraction entre deux variables quantitatives au sein des groupes définis par une variable qualitative. Par exemple, l’influence de la direction du vent dans la relation entre la température et le niveau d’ozone mesuré.
ggplot(data = ozone) + geom_point(mapping = aes(x = T12, y = maxO3, color = vent))
Ce n’est pas hyper facile à lire, on peut utiliser la fonction geom_smooth afin d’exhiber des tendances.
ggplot(data = ozone, aes(x = T12, y = maxO3, color = vent)) + geom_smooth()## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
A noter qu’une technique de regression polynomial est utilisée ici (method = loess). On constate le peu d’influence de la direction du vent. On revient sur l’exemple des séries temporelles. On va ajouter une légende en créant un nouveau jeu de données contenant une variable qualitative indiquant l’indice boursier considéré. Imaginons que l’on souhaite comparer l’évolution du CAC et du DAX.
# Data frame contenant les données correspondant au CAC
CAC <- data.frame(dates = EuStockMarkets_V1$dates, valeur = EuStockMarkets_V1$CAC, indice = 'CAC')
# Data frame contenant les données correspondant au DAX
DAX <- data.frame(dates = EuStockMarkets_V1$dates, valeur = EuStockMarkets_V1$DAX, indice = 'DAX')
# On concatène ces deux data frames
CAC_DAX = rbind(CAC, DAX)
# plus qu'à faire le graphique
ggplot(data = CAC_DAX) + geom_line( mapping = aes(x = dates, y = valeur, colour = indice))
Il est possible d’enregistrer le dernier graphique produit à l’aide de la fonction ggsave. Pour l’occasion, nous allons changer le thème pour changer d’ambiance
library(ggthemes)
(p <- ggplot(data = CAC_DAX) + geom_line( mapping = aes(x = dates, y = valeur, colour = indice)) + theme_economist())
ggsave("indices_boursiers.pdf", plot = p, width = 11, height = 8)Référence
- Graphiques univariés et bivariés avec ggplot2, blogpost.
- Wickman, H. & Navarro, D. & Pedersen T. L. (2018). ggplot2: Elegant Graphics for Data Analysis. O’Reilly.
- Chang, W. R Graphics cookbook
- Scherrer, Cédric A ggplot2 tutorial for Beautiful plotting in R