Grammar of Graphics

Grafická gramatika představuje set pravidel, které staví obrázek ze základních kamenů:

• podkladových dat
• geometrických objektů (body, čáry, sloupce…)
• osy (spojité či diskrétní, převrácené či logaritmické)
• souřadnicových systémů (kartézský, polární, zeměpisný)
• popisků a titulků
• facetů (dílčích grafů)
• animace (v rozšířeních ggplotu)

Základy ggplotu

ggplot2 je obecný, a tedy složitý, nástroj. Má smysl začít s jednoduchými grafy, a ke složitějším se propracovat.

Základem volání je funkce ggplot, které předáme jako argument dataset, a vnoříme funkci aes(), která upravuje vzhled (estetiku, anglicky aesthetic) – typicky určí, jak namapovat osy a barvy. Dále je třeba přidat některý z geometrických objektů.

Estetiky, které je možné pro grafy definovat, jsou:

• souřadnice (x a y, ve speciálních případech théta = θ)
• barva (color – pro body a čáry jediná barva, pro polygony a koláče barva okraje)
• tvar (shape – pouze pro body)
• výplň (fill – pouze pro polygony a koláče)
• průsvitnost (alpha)

Pro začátek si připravíme data frame ročních průměrů ceny základních potravin – tedy piva a vína.

alkohol <- potraviny_csv %>% # vytvoříme objekt alkohol tak, že vezmeme potraviny a pak ...
  filter(reprcen_txt %in% c("Jakostní víno bílé [0,75 l]", # vybereme pivo a víno, a pak...
                            "Pivo výčepní, světlé, lahvové [0,5 l]")) %>% 
  filter(uzemi_txt == "Česká republika") %>%  # pouze celková čísla (bez regionů), a pak...
  group_by(rok = lubridate::year(obdobiod), reprcen_txt) %>%  # dopočteme rok, a pak ...
  summarise(prumer = mean(hodnota))

V prvním ggplotu zadáme dataset (data = ...) a v aes() funkci nastavíme proměnné pro osy x a y. Doplníme funkci geom_point() pro bodový graf.

ggplot(data = alkohol, aes(x = rok, y = prumer)) +
  geom_point()

Graf má jednu velkou vadu – není poznat, které hodnoty představují pivo, a které víno.

Pro rozlišení musíme využít namapovat sloupec reprcen_txt na některou z estetik. Smysl dávají dvě: tvar bodu (shape) a barva.

ggplot(data = alkohol, aes(x = rok, y = prumer, shape = reprcen_txt)) +
  geom_point()

ggplot(data = alkohol, aes(x = rok, y = prumer, color = reprcen_txt)) +
  geom_point()

Pokud se nám defaultní barvy nelíbí (což se může stát) tak upravíme paletu. Například na oblíbenou paletu paní Cynthie Brewer.

ggplot(data = alkohol, aes(x = rok, y = prumer, color = reprcen_txt)) +
  geom_point() +
  scale_color_brewer(palette = "RdYlBu")

Čáry z bodů uděláme záměnou geomu z point na line.

ggplot(data = alkohol, aes(x = rok, y = prumer, color = reprcen_txt)) +
  geom_line() +
  scale_color_brewer(palette = "RdYlBu")

Tlustší čáru získáme upřesněním šířky čáry (lwd = line width) v rámci geom_line().

ggplot(data = alkohol, aes(x = rok, y = prumer, color = reprcen_txt)) +
  geom_line(lwd = 2) +
  scale_color_brewer(palette = "RdYlBu")

Geom typu col zařídí sloupcový graf. Pozor, musíme také změnit barvu z color (znamená barvu okraje) na fill (znamená výplň).

Default pro sloupcový graf jsou sloupce na sobě.

ggplot(data = alkohol, aes(x = rok, y = prumer, fill = reprcen_txt)) +
  geom_col() +
  scale_fill_brewer(palette = "RdYlBu")

Sloupcový graf se sloupečky vedle sebe získáme upřesněním position = "dodge" při volání geom_col()

ggplot(data = alkohol, aes(x = rok, y = prumer, fill = reprcen_txt)) +
  geom_col(position = "dodge") +
  scale_fill_brewer(palette = "RdYlBu")

Správný graf potřebuje nadpis; vytvoříme ho pomocí labs() jako labels.

ggplot(data = alkohol, aes(x = rok, y = prumer, color = reprcen_txt)) +
  geom_point() +
  scale_color_brewer(palette = "RdYlBu") +
  labs(title = "Vývoj cen")

Osy a legenda jsou defaultně nadepsány názvem proměnné; to jde opět změnit voláním labs().

ggplot(data = alkohol, aes(x = rok, y = prumer, color = reprcen_txt)) +
  geom_point() +
  scale_color_brewer(palette = "RdYlBu") +
  labs(title = "Vývoj cen",
       x = "Rok měření",
       y = "Průměrná cena v Kč",
       color = "Základní životní jistoty")

Graf, který nezačíná osu Y na nule si říká o malér. Rozsah osy Y natvrdo vynutíme uvedením horní a dolní meze do ylim(); pro osu X by to bylo xlim().

ggplot(data = alkohol, aes(x = rok, y = prumer, color = reprcen_txt)) +
  geom_point() +
  scale_color_brewer(palette = "RdYlBu") +
  labs(title = "Vývoj cen",
       x = "Rok měření",
       y = "Průměrná cena v Kč",
       color = "Základní životní jistoty") +
  ylim(0, 115)

Někomu může nevyhovovat šedé pozadí grafu. Odstraníme ho nastavením tématu – theme_*. Zde theme_linedraw(). Protože by světle žlutá nebyla na bílém pozadí vidět tak nastavíme barvy ručně.

ggplot(data = alkohol, aes(x = rok, y = prumer, color = reprcen_txt)) +
  geom_point() +
  scale_color_manual(values = c("Jakostní víno bílé [0,75 l]" = "goldenrod2",
                                "Pivo výčepní, světlé, lahvové [0,5 l]" = "cornflowerblue"))+
  labs(title = "Vývoj cen",
       x = "Rok měření",
       y = "Průměrná cena v Kč",
       color = "Základní životní jistoty") +
  ylim(0, 115) +
  theme_linedraw()

Často použijeme osu časovou, k tomu nám pomůže vánoční kapr. Je patrné, že zatímco cenu piva sledují statistici měsíčně, tak cenu kapra pouze před Vánoci.

Na časové ose je třeba upravit interval popisků (date_breaks) a jejich formát; symbol %m znamená číslo měsíce a %Y čtyřmístný rok.

Abychom zpřehlednili překrývající se hodnoty, tak v geom_point() nastavíme průhlednost (alpha) a body mírně rozhážeme do stran (position = "jitter").

V obchodním prostředí často využijeme možnost osy s popisky měn. Slouží k tomu funkce dollar_format() z knihovny scales.

library(scales)

kapr <- potraviny_csv %>% 
  filter(reprcen_txt %in% c("Kapr živý [1 kg]", "Pivo výčepní, světlé, lahvové [0,5 l]")
         & uzemi_txt != "Česká republika"
         & obdobiod >= "2017-06-01" 
         & obdobiod <= "2018-12-31") 

ggplot(kapr, aes(x = obdobiod, y = hodnota, color = reprcen_txt)) +
  geom_point(alpha = 0.5, position = "jitter") +
  scale_color_manual(values = c("goldenrod2", "cornflowerblue")) +
  scale_x_date(date_breaks = "1 month", date_labels = "%m – %Y") + # rozteč a formát popisků
  scale_y_continuous(limits = c(0, 115), # omezení hodnot (aby byla vidět nula)
                     labels = dollar_format(prefix = "", suffix = " Kč")) +  # měnový formát popisků
  labs(title = "Pivo a kapr",
       x = "Měsíc měření",
       y = "Průměrná cena",       
       color = "Základní životní jistoty") +
  theme_linedraw() +
  theme(axis.text.x = element_text(angle = 90)) # popisky na výšku, aby se vešly

Koláčové grafy se v erkových kruzích moc nenosí (obdobně jako grafy se dvěma osami) ale prostředí obchodu je občas vyžaduje.

V ggplotu2 jsou koláčové grafy implementované jako sloupcové grafy v polárních souřadnicích místo kartézských (tj. “zatočené do kolečka”). Zatímco karteziánské souřadnice jsou definovány dvěma vzdálenostmi (osa x a y), polární souřadnice jsou definovány vzdáleností a úhlem (théta), který je třeba namapovat v rámci volání coord_polar().

silvestr <- potraviny_csv %>% 
  filter(reprcen_txt %in% c("Kapr živý [1 kg]", 
                            "Pivo výčepní, světlé, lahvové [0,5 l]", 
                            "Jakostní víno bílé [0,75 l]")
         & uzemi_txt == "Česká republika"
         & obdobiod >= "2018-12-01" 
         & obdobido <= "2019-01-01") 

ggplot(data = silvestr, aes(x = "", # souřadnice x se nepoužije (ale musí být)
                            y = hodnota, # cena jako hodnota
                            fill = reprcen_txt, # potravina jako barva
                            label = hodnota)) + # cena jako popisek
  geom_col() + # sloupcový graf ...
  coord_polar(theta = "y") + # ... zatočený do kolečka
  geom_text(position = position_stack(vjust = 0.5)) + # popisky na střed
  scale_fill_brewer(palette = "RdYlBu") + # barvičky paní Brewer
  labs(title = "Vánoční spotřební koš", # název grafu
       fill = "Základní potravina") + # název legendy
  theme_void() # téma bez příkras

Mapovou vizualizaci vytvoříme tak, že data o ceně kapra v regionech připojíme k prostorovému objektu krajů České republiky. Tyto jsou k dispozici v package RCzechia, která obsahuje administrativní regiony ČR od obcí přes ORP, okresy a kraje až k ČR jako celku, včetně klíčů do číselníků používaných statistickým úřadem.

Práce s mapami vyžaduje kromě RCzechia také knihovnu sf, která definuje objekty mapových vektorových dat a práci s nimi. Vždy je třeba připojovat data k mapě, ne mapu k datům.

Z grafu je se zdá, že cena kapra je úměrná vzdálenosti od Třeboně. To dává smysl.

library(sf)       # umožňuje práci s prostorovými daty
library(RCzechia) # prostorová data ČR - obsahuje kraje()

kapr <- potraviny_csv %>% # přepíšeme objekt kapr tím, že vezememe potraviny, a pak..
  filter(reprcen_txt %in% c("Kapr živý [1 kg]")   # vybereme kapra,
         & uzemi_txt != "Česká republika"         # pouze regionální hodnoty (tj. ne ČR jako celek)
         & lubridate::year(obdobido) == 2017) %>% # pouze hodnoty z roku 2017, a pak...
  mutate(uzemi_kod = as.character(uzemi_kod)) # převedeme kód území z čísla na text (klíče RCzechia jsou text)

krajsky_kapr <- kraje("low") %>%   # objekt krajsky_kapr vytvoříme tak, že vezmeme mapu krajů, a pak...
  inner_join(kapr, by = c("KOD_KRAJ" = "uzemi_kod")) # k nim připojíme podle klíče objekt kapr

ggplot(data = krajsky_kapr, aes(fill = hodnota)) +
  # geom_sf() ukazuje mapu; vyžaduje načtenou knihovnu sf
  geom_sf() + 
  # geom_sf_text() nakreslí na mapě popisky
  geom_sf_text(aes(label = round(hodnota)), color = "grey25") + 
  # škála barev od žluté po červenou, bez legendy (popisek stačí...)
  scale_fill_gradient(low = "yellow", high = "firebrick2", guide = "none") + 
  labs(title = "Český kapr v roce 2017",  # nadpis grafu
       subtitle = "průměrná cena v Kč po krajích") + # podtitulek
  theme_void() +
  coord_sf(datum = NA)