8 советов по лучшей визуализации данных

Практические советы по улучшению вашего GGPlot

Ggplot - лучший пакет визуализации данных R. Его популярность, вероятно, объясняется простотой использования - всего несколько строк кода, вы можете создавать отличные визуализации. Это особенно хорошо для новичков, которые только начинают свой путь в R, так как очень обнадеживает то, что вы можете создать что-то визуальное с помощью всего двух строк кода:

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

В этой статье я хочу выделить гибкость и настраиваемость ggplot. Альтернативы, такие как Matplotlib и Seaborn (оба Python) и Excel, также просты в использовании, но они менее настраиваемы. В этой статье я расскажу о 8 конкретных шагах, которые вы можете сделать, чтобы улучшить свой ggplot.

Чтобы убедиться в практическом применении советов в этой статье, я остановлюсь на двух темах:

Предположим, что читатель немного знаком с ggplot: Если вы поняли фрагмент кода, приведенный выше, у вас все хорошо. Если вы не знакомы с ggplot, я постараюсь сделать советы как можно более независимыми от языка, поэтому, если вы используете базовый R, Python или другие инструменты визуализации, эти советы все равно могут быть полезны.
Легко следовать: если вы хотите запустить пример кода самостоятельно, все, что вам нужно, это R и tidyverse. Никаких внешних наборов данных не требуется, поскольку мы будем использовать набор данных diamonds, который включен в ggplot.

1. Темы - ваш лучший друг

Темы управляют всем отображением, не связанным с данными, и являются простым способом изменить внешний вид вашего графика. Для этого требуется всего одна дополнительная строка кода, а в ggplot уже есть 8 отдельных тем.

ggplot(data = diamonds, aes(x = Sepal.Width, y = Sepal.Length)) + 
  geom_point() + 
  theme_bw()

Темы ggplot просты. Они не особо выделяются, но они великолепно выглядят, легко читаются и передают суть. Кроме того, если вы хотите использовать одну и ту же тему снова и снова, вы можете установить глобальную тему с помощью одной строки кода, и она будет применяться ко всем ggplots.

# Set global theme
theme_set(theme_bw())

Для получения более подробной информации по 8 темам вы можете посетить эту ссылку.

Темы также легко настраиваются. Помимо 8 тем, которые поставляются с ggplot, вы также можете создать свою собственную тему, но, что более важно, использовать темы, которые уже были созданы другими. В нескольких компаниях, в которых я работал, у всех были внутренние темы ggplot. Например, я помог создать theme_fb() в Facebook при участии дизайнеров компании.

Если вы хотите использовать другие темы вне ggplot, наиболее популярным пакетом является ggthemes, в котором есть несколько интересных опций, например theme_fivethirtyeight(), theme_wsj(), and theme_economist(). Примеры этих тем приведены ниже, но я определенно рекомендую проверить эту ссылку, чтобы узнать больше.

2. Facets - это сверхдержава.

При визуализации данных всегда нужно думать о том, сколько измерений данных вы хотите отобразить. Большинству графиков, как правило, требуется только 1-2 измерения данных, чтобы понять суть, например:

Рост x вес баскетболистов на диаграмме рассеяния
Рост игроков в Лос-Анджелес Лейкерс на гистограмме

По мере того, как вы увеличиваете количество измерений, один график будет становиться все более загроможденным, что затрудняет понимание точки. Например:

Рост x вес баскетболистов на диаграмме рассеяния, но разные цветные точки для каждой из 30 команд. Это будет трудно прочитать, потому что вам понадобится 30 разных цветов для обозначения разных команд и легенда, чтобы перечислить все названия команд.

Вот где сияет магия огранки. Что, если нам не нужно ограничиваться одним графиком? Моя гипотеза, почему многие из нас думают так, состоит в том, что мы привыкли визуализировать данные в Excel, где мы ограничены одним график. В ggplot мы можем нарушить этот способ мышления, и для этого требуется всего одна строчка кода. Фасеты позволяют нам легко добавлять до двух дополнительных измерений в наши визуализации.

Давайте посмотрим, как мы можем использовать грани для визуализации данных бриллиантов.

На базовом уровне мы можем увидеть взаимосвязь между каратом алмаза и его ценой, что является основной целью этого набора данных:

ex2 <- 
  diamonds %>%
  sample_n(5000) %>%
  ggplot(aes(x = carat, y = price)) +
  geom_point()
ex2

На этом графике показаны только два измерения данных, но есть и другие, которые также важны. Огранка, цвет и чистота алмаза - все это может быть связано с ценой алмаза. Один из способов ввести эти размеры - сделать точки разного цвета или использовать точки разной формы, но вместо этого давайте попробуем фасетирование.

Используйте facet_wrap (), если вы хотите разбить график только по одному измерению:

ex2 +
  facet_wrap(~cut)

Используйте facet_grid (), если вы хотите разбить график на два измерения:

ex2 +
  facet_grid(color~cut)

Это всего лишь два примера того, как вы можете использовать facet_wrap() и facet_grid(), но ключевой вывод из этого раздела заключается в том, что с ggplot вы не ограничены мыслями о визуализации в одном графике.

3. Цвета!

Цвета служат двум ключевым целям при визуализации данных:

Делает визуализацию более привлекательной
Представляет дополнительное измерение данных

Есть много способов раскрасить ваши ggplots, но для простоты в этом разделе основное внимание уделяется палитрам Viridis, которые мне больше всего нравятся:

Цветные: максимально широкая палитра, чтобы можно было легко увидеть различия.
Однородные по восприятию: значения, близкие друг к другу, имеют похожие цвета, а значения, расположенные на большом расстоянии друг от друга, имеют более разные цвета, последовательно во всем диапазоне значений.
Устойчивость к дальтонизму: чтобы вышеуказанные свойства были верны для людей с распространенными формами дальтонизма, а также при печати с оттенками серого.

Вы можете узнать больше о цветах, приведенных выше здесь, но в этом разделе основное внимание уделяется 4 ключевым функциям, которые позволяют использовать эти цвета:

scale_color_viridis_d() & scale_fill_viridis_d(): добавьте этот оператор в свой график ggplot, чтобы раскрасить / заполнить график дискретной / категориальной переменной. (обратите внимание на букву «d» в конце функции)
scale_color_viridis_c() & scale_fill_viridis_c(): добавьте этот оператор в свой график ggplot, чтобы раскрасить / заполнить график на непрерывной переменной. (Обратите внимание на букву «c» в конце функции)

# Discrete
ggplot(data = diamonds %>% sample_n(1e3), 
         aes(x = carat, y = price,
             color = cut)) + 
  geom_point() +
  scale_color_viridis_d()

# Continuous
ggplot(data = diamonds %>% sample_n(1e3), 
       aes(x = carat, y = price,
           color = depth)) + 
  geom_point() +
  scale_color_viridis_c(option = 'A')

Совет: здесь я использую параметр option, чтобы изменить цветовую палитру в viridis. Вы можете переключаться между вариантами A – E, которые отражают различные цветовые схемы, указанные выше.

4. Цвет против заливки: узнайте разницу

Я представил это в последнем разделе, но я хотел рассмотреть его более подробно, потому что это может сбивать с толку при первом использовании ggplot. Чтобы раскрасить график ggplot, используйте color или fill, в зависимости от типа графика.

Так в чем разница? Как правило, fill определяет цвет, которым заполнен (т.е. geom_bar()), тогда как color определяет цвет, которым геом обведены (т.е. geom_point()).

ggplot(data = diamonds, aes(x = price)) +
  geom_histogram(color = 'blue',
                 fill = 'red')

Вывод: если вы попытаетесь раскрасить график и окажется, что ничего не изменилось, просто переключите color на fill или наоборот.

Подробнее о StackOverflow

5. Наклейте на него этикетку.

Хорошие визуализации имеют краткие и описательные метки. Они помогают читателям понять, что они видят, и это особенно важно, если вы ожидаете, что вашей визуализацией будут делиться. К счастью, пометить в ggplot очень просто.

Ниже приведены наиболее полезные функции маркировки ggplot с указанием того, как часто их, вероятно, следует использовать. Вы можете выбрать, какие метки вы хотите использовать - например, если вы хотите только добавить заголовок, вы нужно только ввести параметр заголовка в labs().

ggplot(data = diamonds %>% sample_n(1e3), 
       aes(x = carat, y = price, color = cut)) + 
  geom_point() +
  labs(title = 'title example',
       x = 'x-axis example',
       y = 'y-axis example',
       color = 'color example',
       subtitle = 'subtitle example',
       caption = 'caption example',
       tag = 'tag example')

Примечание. Поле цвета доступно только в том случае, если у вас есть цвет в качестве эстетики в вашем графике ggplot. Этот метод маркировки также будет работать независимо от того, используете ли вы заливку, цвет, размер, альфа-канал и т. Д.

6. Аннотации к линиям

В теме рассказа истории с помощью вашей визуализации, линейные аннотации - очень полезный инструмент. Вот некоторые примеры, которые я использовал лично:

Отметка периода до / после на линейном графике
Нанесение среднего значения x или y на диаграмму рассеяния
Аннотирование целевого показателя, которого мы хотим достичь

Каким бы ни был вариант использования, наличие линейной аннотации помогает донести важный момент до тех, кто будет просматривать вашу визуализацию. Чтобы добавить линию к вашему графику ggplot, вы воспользуетесь одним из следующих способов:

geom_hline (): добавляет горизонтальную линию (имеет точку пересечения y)
geom_vline (): добавляет вертикальную линию (имеет точку пересечения с x).

В приведенном ниже примере будут показаны оба эти действия в действии:

ggplot(data = diamonds %>% sample_n(1e3), 
       aes(x = carat, y = price, color = cut)) + 
  geom_point() +
  geom_hline(data = . %>% summarise(y = mean(price)),
             aes(yintercept = y)) +
  geom_vline(data = . %>% summarise(x = mean(carat)),
             aes(xintercept = x))

Обратите внимание, что приведенный выше код может выглядеть немного сложнее, чем другой код ggplot в этой статье. Я постараюсь объяснить, что там происходит. Чтобы получить среднее значение в каратах и цене, более простой способ получить эти значения - это вычислить их до ввода кода ggplot. Однако, поскольку я ленив и люблю сокращать количество переменных, которые у меня есть, я вместо этого передаю данные (diamonds %>% sample_n(1e3)) непосредственно в операторы geom_line(), которые работают так же хорошо.

7. Текстовые аннотации

В дополнение к линиям всегда полезно иметь какие-то метки данных на ваших графиках. Однако это будет полезно только в том случае, если ваши метки данных легко читаются. Например, если вы слепо примените геометрию текста, вы получите действительно уродливый график:

p <- 
  ggplot(data = diamonds %>% sample_n(1e3), 
       aes(x = carat, y = price, color = cut)) + 
  geom_point()
p + 
  geom_text(aes(label = price))

В этом разделе я расскажу о трех ключевых советах по эффективному использованию geom_text().

Фильтрация отображаемых ярлыков. Вы можете проявить творческий подход, но цель этого - показать только релевантные ярлыки данных. В приведенном ниже случае я хочу показать только цены на бриллианты в больших каратах:

p + 
  geom_text(data = . %>% filter(carat >= 2.25),
            aes(label = price))

2. hjust + vjust

На приведенном выше графике вы увидите, что текст полностью перекрывает точку, что выглядит некрасиво. Вы можете легко исправить это, выровняв текст в geom_text (). То, что я думаю об этом, похоже на выравнивание по левому и правому краю в Microsoft Word.

Как правило, диапазон значений vjust и hjust составляет от [0,1], но он также принимает отрицательные значения и значения больше единицы (он просто перемещает вашу метку дальше в указанном направлении). На приведенном ниже графике показано, как текст будет выровнен на основе ваших значений hjust и vjust:

p + 
  geom_text(data = . %>% filter(carat >= 2.25),
            aes(label = price),
            hjust = 0,
            vjust = 0)

3. цвет

Это скорее предпочтение, но знайте, что вы можете изменить цвет текста. Обычно вам нужно, чтобы ваш текст максимально контрастировал с фоном, так как это сделает его наиболее разборчивым. Это важно, если у вас есть более светлые цвета (например, желтый), которые могут быть трудночитаемыми:

p + 
  geom_text(data = . %>% filter(carat >= 2.25),
            aes(label = price),
            hjust = 0,
            vjust = 0,
            color = 'black')

# Another example where we add contrast
diamonds %>%
  group_by(clarity) %>%
  summarise(price = mean(price)) %>%
  ggplot(aes(x = clarity, y = price)) +
  geom_bar(stat = 'identity') +
  geom_text(aes(label = round(price, 2)),
            vjust = 1.25,
            color = 'white')

8. Заказ, заказ, заказ!

Наконец, упорядочение графика может облегчить чтение, и это особенно полезно для гистограмм. Все, что вам нужно сделать, это использовать fct_reorder() для значения x, чтобы оно было отсортировано по значению y:

# By default, ggplot will order by the x value
diamonds %>%
  group_by(clarity) %>%
  summarise(price = mean(price)) %>%
  ggplot(aes(x = clarity, y = price)) +
  geom_bar(stat = 'identity')

# Reordered:
diamonds %>%
  group_by(clarity) %>%
  summarise(price = mean(price)) %>%
  ggplot(aes(x = fct_reorder(clarity, price), y = price)) +
  geom_bar(stat = 'identity')

Заключительные мысли

Мне было сложно решить, какие темы я хочу осветить в этой статье. В итоге я сосредоточился на темах, которые изначально сбивали меня с толку и которые я хотел бы понять больше, когда впервые начал изучать ggplot. Надеюсь, эта статья даст вам некоторые конкретные идеи о том, как улучшить визуализацию или проясняет некоторые из наиболее сбивающих с толку / скрытых аспектов ggplot.

8 советов по лучшей визуализации данных