Grafieken in R
Albart Coster
John Bastiaansen
Grafieken in R
In R zijn verschillende mogelijkheden om grafieken te maken, wij gebruiken het pakket ggplot2
install.packages("ggplot2")
require(ggplot2)
Het pakket is geschreven door Hadley Wickham en wordt op dit moment veel gebruikt om grafieken in R te maken. Zie de handleiding ?ggplot2 of de website van het pakket http://ggplot2.org/.
Grafiek van laatste melkcontrole
Stel dat we grafieken van de melkproducties op de laatste melkcontrole willen maken. Daarvoor moeten we eerst de datum van de laatste melkcontrole weten, vervolgens kunnen we die gegevens selecteren en gebruiken:
d <- max(df$DATUM)
## Error: max not meaningful for factors
Dit levert een probleem op,we moeten R vertellen dat kolom DATUM geen factor is maar een kolom met datums:
class(df$DATUM)
## [1] "factor"
df$DATUM <- as.Date(df$DATUM, "%Y-%m-%d")
class(df$DATUM)
## [1] "Date"
d <- max(df$DATUM)
df1 <- df[df$DATUM == d, ]
p <- ggplot(data = df1, aes(x = DIL, y = PROD_KG))
p + geom_point()
## Warning: Removed 13 rows containing missing values (geom_point).
p is de basisgrafiek, het aes argument in functie ggplot geeft aan dat we een grafiek willen maken waar de x-as door DIL wordt gevormd en de y-as door PROD_KG. Functie geom_point vertelt dat we een puntengrafiek aan p willen toevoegen.
We krijgen een waarschuwing omdat sommige waardes van PROD_KG NA zijn, het is handig om deze regels uit de tabel te verwijderen, dan krijgen we deze melding niet meer:
df1 <- df1[!is.na(df1$PROD_KG), ]
df <- df[!is.na(df$PROD_KG), ]
p <- ggplot(data = df1, aes(x = DIL, y = PROD_KG))
Verbeterde grafiek
De vorige grafiek geeft gegevens van dieren van verschillende leeftijden weer, stel dat we nu een kleur per laktatienummer willen toekennen, opnieuw via functie geom_point:
p + geom_point(aes(colour = NLACT))
Dit is niet helemaal zoals we het willen, doordat R de laktatienummers ziet als getallen, terwijl hij ze moet zien als factoren:
p + geom_point(aes(colour = factor(NLACT)))
Net zoals in vorige onderdeel is het aantal laktatienummers te groot, we gaan dit beperken tot 3:
df$NLACTcat <- cut(df$NLACT, c(0, 1, 2, 20), labels = c(1, 2, "3+"))
df1 <- df[df$DATUM == d, ]
p <- ggplot(data = df1, aes(x = DIL, y = PROD_KG))
p + geom_point(aes(colour = NLACTcat))
Aanpassingen aan de grafiek
De x-as van de grafiek gaat van 0 tot bijna 1000 DIL, we kunnen de range van de x-as aanpassen met de xlim functie, en de range van de y-as met de ylim functie. We voegen geom_point(aes(colour = NLACTcat)) eerst permanent toe aan de grafiek:
p <- p + geom_point(aes(colour = NLACTcat))
p + xlim(c(0, 365)) + ylim(c(0, 60))
## Warning: Removed 67 rows containing missing values (geom_point).
Verder is er de labs functie om labels van de grafiek aan te passen:
p + xlim(c(0, 365)) + ylim(c(0, 60)) + labs(x = "Dagen in laktatie", y = "Dagproductie (kg/dag)",
title = "Grafiek van de melkproductie")
## Warning: Removed 67 rows containing missing values (geom_point).
We kunnen de legende ook aanpassen of verwijderen
p + theme(legend.position = "none")
p + theme(legend.position = "top")
p + theme(legend.position = c(0.9, 0.8))
Trendlijn
Het kan handig zijn om een soort gemiddelde weer te geven, hier gebruiken we een methode die het gemiddelde op 1 punt berekent op basis van omliggende punten, waarbij de invloed van punten met de afstand tot het punt afneemt, loess.
p + geom_point(aes(x = DIL, y = PROD_KG, colour = NLACTcat)) + stat_smooth()
## geom_smooth: method="auto" and size of largest group is <1000, so
## using loess. Use 'method = x' to change the smoothing method.
De lijntjes zijn wat te dun, en we zien liever niet die betrouwbaarheidsgrens eromheen:
p + geom_point(aes(x = DIL, y = PROD_KG, colour = NLACTcat)) + stat_smooth(size = 1.2,
se = FALSE)
## geom_smooth: method="auto" and size of largest group is <1000, so
## using loess. Use 'method = x' to change the smoothing method.
Het is duidelijk dat het gemiddelde na ca 400 DIL niet meer interessant is:
p + geom_point(aes(x = DIL, y = PROD_KG, colour = NLACTcat)) + stat_smooth(size = 1.2,
se = FALSE, data = df1[df1$DIL < 400, ])
## geom_smooth: method="auto" and size of largest group is <1000, so
## using loess. Use 'method = x' to change the smoothing method.
En verder willen we graag een gemiddelde voor elk laktatienummer:
p + geom_point(aes(x = DIL, y = PROD_KG, colour = NLACTcat)) + stat_smooth(size = 1.2,
se = FALSE, data = df1[df1$DIL < 400, ], aes(colour = NLACTcat))
## geom_smooth: method="auto" and size of largest group is <1000, so
## using loess. Use 'method = x' to change the smoothing method.
We kunnen het gemiddelde ook schatten met een rechte lijn, door middel van regressie:
p + geom_point(aes(x = DIL, y = PROD_KG, colour = NLACTcat)) + stat_smooth(method = "lm",
size = 1.2, se = FALSE, data = df1[df1$DIL < 400, ], aes(colour = NLACTcat))
Samenvattingen
Soms willen we grafieken van gemiddeldes zien, bijvoorbeeld de gemiddelde melkproductie per melkcontrole. Hiervoor is functie stat_summary, en binnen die functie moeten we aangeven dat we het gemiddelde willen berekenen met functie mean:
p1 <- ggplot(data = df, aes(x = DATUM, y = PROD_KG))
p1 + stat_summary(fun.y = "mean", geom = "point", size = 3, colour = "red")
p1 + stat_summary(fun.y = "mean", geom = "bar", colour = "red", fill = "red")
We kunnen ook een gemiddelde per lakatienummer maken:
p2 <- ggplot(data = df, aes(x = as.numeric(DATUM), y = PROD_KG, colour = NLACTcat))
p2 + stat_summary(fun.y = "mean", geom = "point", size = 3)
Soms kan het interessant zijn om gegevens van individuele dieren weer te geven. Stel dat we de gemiddelde melkproductie van elk laktatienummer per datum willen weergeven.
p1 <- ggplot(data = df, aes(x = DATUM, y = PROD_KG, colour = NLACTcat,
pch = NLACTcat))
p1 + geom_point(size = 0.75) + stat_summary(fun.y = "mean", geom = "point",
size = 3)
Als we nu het algemeen gemiddelde ook willen weergeven:
p1 + geom_point(size = 0.75) + stat_summary(fun.y = "mean", geom = "point",
size = 3) + stat_summary(show_guide = FALSE, fun.y = "mean", geom = "point",
size = 3, col = "black", aes(group = 1))
Tabellen van grafieken
Soms is het lastig om gegevens duidelijk in 1 grafiek weer te geven, een tabel van grafieken kan dan helpen. In ggplot2 wordt dit aangeduid met facetting en we gebruiken hiervoor functie facet_grid. Stel dat we een tabel willen maken van de producties bij de laatste 4 melkcontroles, om een of andere reden moeten we kolom DATUM eerst omzetten naar een kolom van gewone tekst:
df$DATUM <- as.character(df$DATUM)
class(df$DATUM)
## [1] "character"
## verder moeten we datums van de laatste 4 melkcontroles vinden:
dd <- unique(df$DATUM)
dd <- dd[order(dd, decreasing = TRUE)][1:4]
p3 <- ggplot(data = df[df$DATUM %in% dd, ], aes(x = DIL, y = PROD_KG)) +
geom_point()
p3 + facet_grid(. ~ DATUM)
We kunnen ook laktatienummer gebruiken om een tweede dimensie aan de tabel toe te voegen, nu hoeven we geen kleuren meer te gebruiken voor de laktatienummers:
ggplot(data = df[df$DATUM %in% dd, ], aes(x = DIL, y = PROD_KG)) + geom_point() +
facet_grid(NLACTcat ~ DATUM) + xlim(c(0, 365))
Grafieken opslaan
Het is duidelijk dat R nuttig is om grafieken te maken, we kunnen deze grafieken ook opslaan in verschillende formaten:
Als pdf met functie pdf:
pdf(file = "grafiek_p3.pdf", width = 10, height = 10)
print(p3)
dev.off()
## pdf
## 2
Als jpeg met functie jpeg:
jpeg(file = "grafiek_p3.jpeg", width = 600, height = 600)
print(p3)
dev.off()
## pdf
## 2
Als svg bestand, om in webpagina’s toe te voegen, met functie svg:
svg(file = "grafiek_p3.svg", width = 10, height = 10)
print(p3)
dev.off()
## pdf
## 2
Samenvatting
In dit onderdeel van de workshop hebben we het volgende behandeld:
- Grafieken maken met functie
ggplot van pakket ggplot2
- Tabellen van grafieken maken
- Grafieken aanpassen en opslaan
Terug naar hoofdpagina van de cursus
