En este módulo, profundizaremos en las capacidades avanzadas de ggplot2, una de las librerías más populares para la visualización de datos en R. Aprenderemos a crear gráficos complejos y personalizados, a trabajar con facetas y a utilizar temas para mejorar la presentación de nuestros gráficos.
Contenido
Facetas en ggplot2
Las facetas permiten dividir un gráfico en múltiples paneles basados en los valores de una o más variables. Esto es útil para comparar subgrupos dentro de un conjunto de datos.
Ejemplo: Facetado Simple
library(ggplot2) # Cargar datos data(mpg) # Crear gráfico con facetas p <- ggplot(mpg, aes(x = displ, y = hwy)) + geom_point() + facet_wrap(~ class) print(p)
En este ejemplo, facet_wrap(~ class) divide el gráfico en paneles según la variable class.
Ejemplo: Facetado por Filas y Columnas
Aquí, facet_grid(drv ~ cyl) crea una cuadrícula de gráficos donde las filas están basadas en drv y las columnas en cyl.
Temas y Personalización
Los temas en ggplot2 permiten personalizar la apariencia de los gráficos, incluyendo colores, fuentes y estilos.
Ejemplo: Uso de Temas Predefinidos
theme_minimal() aplica un tema predefinido minimalista al gráfico.
Ejemplo: Personalización de Temas
p <- ggplot(mpg, aes(x = displ, y = hwy)) +
geom_point() +
theme(
panel.background = element_rect(fill = "lightblue"),
panel.grid.major = element_line(color = "white"),
axis.text = element_text(size = 12, color = "blue"),
axis.title = element_text(size = 14, face = "bold")
)
print(p)En este ejemplo, personalizamos varios aspectos del tema, como el fondo del panel, las líneas de la cuadrícula y los textos de los ejes.
Anotaciones y Etiquetas
Las anotaciones y etiquetas son útiles para destacar puntos específicos o agregar información adicional a los gráficos.
Ejemplo: Agregar Etiquetas a Puntos
p <- ggplot(mpg, aes(x = displ, y = hwy)) + geom_point() + geom_text(aes(label = model), vjust = -1, size = 3) print(p)
geom_text(aes(label = model)) agrega etiquetas con el nombre del modelo a cada punto.
Ejemplo: Anotaciones
p <- ggplot(mpg, aes(x = displ, y = hwy)) +
geom_point() +
annotate("text", x = 6, y = 40, label = "High Efficiency", color = "red", size = 5)
print(p)annotate("text", ...) agrega una anotación de texto en una posición específica del gráfico.
Gráficos Compuestos
Los gráficos compuestos combinan múltiples gráficos en una sola visualización. Esto es útil para comparar diferentes aspectos de los datos en un solo lugar.
Ejemplo: Uso de patchwork para Gráficos Compuestos
library(patchwork) p1 <- ggplot(mpg, aes(x = displ, y = hwy)) + geom_point() p2 <- ggplot(mpg, aes(x = class, y = hwy)) + geom_boxplot() combined <- p1 + p2 print(combined)
En este ejemplo, utilizamos la librería patchwork para combinar dos gráficos en uno solo.
Ejercicios Prácticos
Ejercicio 1: Facetado y Personalización
Crea un gráfico de dispersión utilizando el conjunto de datos mpg, facetado por la variable manufacturer. Personaliza el tema del gráfico para que tenga un fondo gris claro y los textos de los ejes en color verde.
Solución
p <- ggplot(mpg, aes(x = displ, y = hwy)) +
geom_point() +
facet_wrap(~ manufacturer) +
theme(
panel.background = element_rect(fill = "grey90"),
axis.text = element_text(color = "green")
)
print(p)Ejercicio 2: Anotaciones y Etiquetas
Crea un gráfico de dispersión utilizando el conjunto de datos mpg. Agrega etiquetas a los puntos que representan los modelos con hwy mayor a 35. Añade una anotación en la posición (4, 40) con el texto "High Efficiency".
Solución
p <- ggplot(mpg, aes(x = displ, y = hwy)) +
geom_point() +
geom_text(data = subset(mpg, hwy > 35), aes(label = model), vjust = -1, size = 3) +
annotate("text", x = 4, y = 40, label = "High Efficiency", color = "red", size = 5)
print(p)Conclusión
En este módulo, hemos explorado las capacidades avanzadas de ggplot2, incluyendo el uso de facetas, la personalización de temas, la adición de anotaciones y etiquetas, y la creación de gráficos compuestos. Estas herramientas te permitirán crear visualizaciones de datos más complejas y personalizadas, mejorando la presentación y el análisis de tus datos. En el próximo módulo, nos adentraremos en la creación de visualizaciones interactivas con plotly.
Programación en R: De Principiante a Avanzado
Módulo 1: Introducción a R
- Introducción a R y RStudio
- Sintaxis Básica de R
- Tipos y Estructuras de Datos
- Operaciones y Funciones Básicas
- Importación y Exportación de Datos
Módulo 2: Manipulación de Datos
- Vectores y Listas
- Matrices y Arreglos
- Data Frames
- Factores
- Manipulación de Datos con dplyr
- Manipulación de Cadenas
Módulo 3: Visualización de Datos
- Introducción a la Visualización de Datos
- Gráficos Base R
- Fundamentos de ggplot2
- ggplot2 Avanzado
- Visualizaciones Interactivas con plotly
Módulo 4: Análisis Estadístico
- Estadísticas Descriptivas
- Distribuciones de Probabilidad
- Pruebas de Hipótesis
- Correlación y Regresión
- ANOVA y Pruebas Chi-Cuadrado
Módulo 5: Manejo Avanzado de Datos
- Manejo de Fechas y Tiempos
- Reestructuración de Datos
- Trabajo con Grandes Conjuntos de Datos
- Web Scraping
- APIs y JSON
Módulo 6: Conceptos Avanzados de Programación
- Escritura de Funciones
- Depuración y Manejo de Errores
- Programación Orientada a Objetos en R
- Programación Funcional
- Computación Paralela
Módulo 7: Aprendizaje Automático con R
- Introducción al Aprendizaje Automático
- Preprocesamiento de Datos
- Aprendizaje Supervisado
- Aprendizaje No Supervisado
- Evaluación y Ajuste de Modelos
Módulo 8: Temas Especializados
- Análisis de Series Temporales
- Análisis de Datos Espaciales
- Minería de Textos y Procesamiento de Lenguaje Natural
- Bioinformática con R
- Análisis de Datos Financieros