Для работы с группами наблюдений, которые отделяются друг от друга по значениям категориального признака, удобно использовать функции group_by() для создания группированного датасета и summarise() или mutate() для подсчета каких-то значений для групп. Группировать датафрейм можно как по значениям одного столбца, так и по нескольким столбцам.
Отбираем из датафрейма starwars только персонажей с планет Набу и Татуин.
2
Группируем датафрейм по комбинациям значений из столбцов eye_color и species.
3
Для каждой получившейся группы строк рассчитываем их число (записываем в новый столбец n) и максимальное значение по столбцу height (записываем в столбец max_height). Все остальные столбцы, не спользуемые при группировке, исчезают.
4
Добавлям столбец max_height_of_all, в который записываем максимальное значение из столбца max_height. Поскольку, к этому моменту осталась группировка датафрейма по столбцу eye_color, в новом столбце окажутся несколько значений - для каждого цвета глаз.
# A tibble: 7 × 5
# Groups: eye_color [5]
eye_color species n max_height max_height_of_all
<chr> <chr> <int> <int> <int>
1 blue Human 6 188 188
2 brown Human 5 185 185
3 brown <NA> 2 185 185
4 orange Gungan 3 224 224
5 red Droid 2 97 97
6 yellow Droid 1 167 202
7 yellow Human 2 202 202
Применив функцию group_by(), вы получаете группированный датафрейм. Обратите внимание, что функция summarise() по умолчанию снимает один уровень группировки (по одному столбцу), а mutate() не влияет на группировку совсем. Если вы группировали датафрейм, например, по двум столбцам, то после одного использования summarise() датафрейм все еще останется граппированным по первому из перечисленных в group_by() столбцов. Чтобы вручную избавиться от граппировки датафрейма, необходимо применить функцию ungroup().
Отбираем из датафрейма starwars только персонажей с планет Набу и Татуин.
2
Группируем датафрейм по комбинациям значений из столбцов eye_color и species.
3
Для каждой получившейся группы строк рассчитываем их число (записываем в новый столбец n) и максимальное значение по столбцу height (записываем в столбец max_height). Все остальные столбцы, не спользуемые при группировке, исчезают.
4
Снимаем все группировки с датафрейма.
5
Добавлям столбец max_height_of_all, в который записываем максимальное значение из столбца max_height. В этот раз группировок не осталось, поэтому будет посчитано одно значение по всему столбцу max_height.
# A tibble: 7 × 5
eye_color species n max_height max_height_of_all
<chr> <chr> <int> <int> <int>
1 blue Human 6 188 224
2 brown Human 5 185 224
3 brown <NA> 2 185 224
4 orange Gungan 3 224 224
5 red Droid 2 97 224
6 yellow Droid 1 167 224
7 yellow Human 2 202 224
Стоит отметить, что в новых версиях пакета {dplyr} у функций mutate() и summarise() появился параметр .by, которым можно заменить использование функции group_by(). Обратите внимание, что в данном случае при использовании функции summarise() с параметром .by в результате получится негруппированный датафрейм.
Отбираем из датафрейма starwars только персонажей с планет Набу и Татуин.
2
Задаем группировку по комбинациям значений из столбцов eye_color и species (параметр by). Для каждой получившейся группы строк рассчитываем их число (записываем в новый столбец n) и максимальное значение по столбцу height (записываем в столбец max_height).
3
Добавлям столбец max_height_of_all, в который записываем максимальное значение из столбца max_height. В этот раз группировок не осталось, поэтому будет посчитано одно значение по всему столбцу max_height.
# A tibble: 7 × 5
eye_color species n max_height max_height_of_all
<chr> <chr> <int> <int> <int>
1 blue Human 6 188 224
2 yellow Droid 1 167 224
3 red Droid 2 97 224
4 yellow Human 2 202 224
5 brown Human 5 185 224
6 orange Gungan 3 224 224
7 brown <NA> 2 185 224
Задача подсчета количества наблюдений по группам встречается достоточно часто, поэтому для комбинации функций group_by(groupping_var) %>% summarise(n = n()) есть более лаконичная замена - функция count(groupping_var). Обратите внимание на то, что у функции count() есть параметр sort, который позволяет сразу же отсортировать результат по убыванию.
Отбираем из датафрейма starwars только персонажей с планет Набу и Татуин.
2
Считаем количество персонажей с различными комбинациями значений из столбцов eye_color и species. Параметр sort позволяет включить сортировку по убыванию.
# A tibble: 7 × 3
eye_color species n
<chr> <chr> <int>
1 blue Human 6
2 brown Human 5
3 orange Gungan 3
4 brown <NA> 2
5 red Droid 2
6 yellow Human 2
7 yellow Droid 1
Столбчатая диаграмма
Распределение категориального признака
Распределение категориального признака, т.е. количества наблюдений, относящихся к каждой категории, удобно визуализировать с помощью столбчатой диаграммы. Для создания столбчатой диаграммы в {ggplot2} есть две функции - geom_bar() и geom_col(), которые отличаются тем, по каким данным вы планируете отрисовывать график. Разберемся на примере с данными о пингвинах.
Чтобы ответить на вопрос, сколько пингвинов каждого вида представлено в наборе данных penguins, достаточно указать среди графических переменных x = species (название столбца, в котором находится категориальная переменная) и использовать геометрическую функцию geom_bar(). Функция geom_bar() проведет подсчёт количества строк, в которых встречается каждое из названий вида пингвинов в указанном столбце species, и отрисует эти значения как высоту столбцов в диаграмме.
ggplot(penguins, aes(x = species)) +geom_bar()
То, что функция geom_bar() делает “под капотом”, можно посчитать самостоятельно с помощью функций group_by() и summarise() или функции count(). Таким образом, мы можем получить саммари-датафрейм, в котором будут всего 3 строчки - столько, сколько уникальных значений в столбце, по которому проводилась группировка.
penguins |>group_by(species) |>summarise(n =n())
# A tibble: 3 × 2
species n
<fct> <int>
1 Adelie 152
2 Chinstrap 68
3 Gentoo 124
penguins |>count(species)
species n
1 Adelie 152
2 Chinstrap 68
3 Gentoo 124
Имея такой датафрейм, где в отдельном столбце записаны значения, которые будут показаны на графике с помощью высоты столбцов (укажем в качестве графической переменной y), можно построить столбчатую диаграмму, используя геометрическую функцию geom_bar() с указанием параметра stat = "identity" или используя функцию geom_col(). В случает функции geom_bar() параметр stat = "identity" отключает подсчёт строк (иначе по умолчанию работает stat = "count") и “заставляет” брать значения для y из столбца, никак их не трансформируя.
penguins |>count(species) |>ggplot(aes(x = species, y = n)) +geom_bar(stat ="identity")
penguins |>count(species) |>ggplot(aes(x = species, y = n)) +geom_col()
Добавление цвета
Чтобы разукрасить столбцы в разные цвета, необходимо добавить цвет в графические переменные. Обратите внимание, что цвет столбца будет определять переменная fill, а цвет обводки столбца - color.
penguins |>ggplot(aes(x = species, fill = species)) +geom_bar()
penguins |>ggplot(aes(x = species, color = species)) +geom_bar(linewidth =2)
Поскольку легенда в данном случае дублирует подписи по оси Х, её можно убрать.
penguins |>ggplot(aes(x = species, fill = species)) +geom_bar() +theme(legend.position ="none")
Добавление второго категориального признака
С помощью цвета также можно добавить на график информацию о втором категориальном признаке, например, пол пингвина. По умолчанию будет отрисована стековая столбчатая диаграмма - в этом случае в функции geom_bar() используется параметр position = "stack".
ggplot(penguins, aes(x = species, fill = sex)) +geom_bar()
Чтобы получить группированную столбчатую диаграмму, нужно изменить параметр на position = "dodge".
ggplot(penguins, aes(x = species, fill = sex)) +geom_bar(position ="dodge")
Вместо числа наблюдений можно визуализировать процент. В этом случае нужно изменить значение параметра на position = "fill".
ggplot(penguins, aes(x = species, fill = sex)) +geom_bar(position ="fill")
Круговая диаграмма
В качестве альтернативы столбчатой диаграммы для изображения распределения категориального признака можно использовать круговую диаграммы. Однако примите во внимание то, что визуально сравнивать высоту столбцов проще, чем площади секторов или углы. Большое количество категорий также не рекомендуется визуализировать с помощью круговой диаграммы.
В {ggplot2} круговая диаграмма получается из столбчатой путём перевода графика в полярные координаты с помощью функции coord_polar().
ggplot(penguins, aes(x ="", fill = species)) +geom_bar() +coord_polar("y", start=0) +theme_void()
Распределение количественного признака
Иногда столбчатая диаграмма может быть использована для визуализации некоторой статистики распределения количественного признака, например, среднего значения. Для этого можно воспрользоваться параметрами stat = "summary" и fun = "mean", чтобы сообщить функции geom_bar(), что необходимо посчитать некоторую статистику по переданному в качестве графической переменной y признаку, а именно воспользовать функцией mean для подсчёта среднего. Визуализируем среднее значение длины крыла пингвинов каждого вида.
ggplot(penguins, aes(x = species, y = flipper_len, fill = species)) +geom_bar(stat ="summary", fun ="mean") +theme(legend.position ="none")
В качестве альтернативного пути, мы могли бы подсчитать среднее по группам пингвинов самостоятельно с помощью функций group_by() и summarise(), а затем воспользоваться функцией geom_col() (или geom_bar(stat = "identity")), чтобы отрисовать столбики по готовым значениям.
penguins |>group_by(species) |>summarise(avg_flipper_len =mean(flipper_len, na.rm =TRUE)) |>ggplot(aes(x = species, y = avg_flipper_len, fill = species)) +geom_col() +theme(legend.position ="none")
При таком подходе можно также легко добавить “усы”, которые бы показывали отклонение от среднего значения. В этом примере посчитаем и визуализируем среднее ± стандартное отклонение. Обратите внимание на то, что в качестве графических переменных можно указывать алгебраические выражения с именами столбцов, а также применять математические и другие функции к ним.
Датафрейм penguins группируем по столбцу species и для каждой группы считаем следующие значения.
2
Для каждой группы считаем среднее значение по столбцу flipper_len, записываем его в столбец avg_flipper_len.
3
Для каждой группы считаем значение стандартного отклонения по столбцу flipper_len, записываем его в столбец sd_flipper_len.
4
Инициализируем график и начинаем задавать графические переменные.
5
По X откладываем категориальную переменную - виды пингвинов.
6
По Y откладываем посчитанные значения средней длины крыла из столбца avg_flipper_len.
7
Графические переменные ymin и ymax будут определять положение нижней и верхней границы “усов”. Нижняя граница соответствует значению среднее - стандартное отклонение, а верхняя - значению среднее + стандартное отклонение.
8
Окрашиваем столбики в разные цвета в зависимости от вида пингвина.
9
Поскольку используем готовые значения, чтобы определить высоту столбцов, используем geom_col() для отрисовки столбиков.
10
“Усы” добавляем на график с помощью geom_errorbar(). Указываем их ширину, чтобы “усы” были поуже столбиков.
11
Удаляем легенду.
Более компактный код для отрисовки такого же графика можно получить, если использовать функцию stat_summary(). Функции stat_ похожи на функции geom_, с их помощью определяется тип визуализации, но они позволяет лучше контролировать статистические преобразования, применяемые к данным. В этом случае столбчатую диаграмму с “усами” можно отрисовать по исходному датафрейму, без необходимости самостоятельно подсчитывать значения среднего и стандатного отклонения.
ggplot(penguins, aes(x = species, y = flipper_len, fill = species)) +geom_bar(stat ="summary", fun ="mean") +stat_summary(fun = mean, fun.max =function(x) mean(x) +sd(x),fun.min =function(x) mean(x) -sd(x),geom ="errorbar", width =0.5) +theme(legend.position ="top")
В качестве разброса (“усов”) необязательно показывать именно стандартное отклонение, можно использовать другие статистики:
SD - стандартное отклонение
SE, или SEM - стандартная ошибка среднего - \(SE = \frac{SD}{\sqrt{n}}\)
CI - доверительный интервал
IQR - интерквартильный размах
В любом случае в подписи к графику должно быть указано, что конкретно изображает столбчатая диаграмма и “усы”, без этого интерпретировать график однозначно не получится.
ggbarplot() из пакета {ggpubr}
Некоторые пакеты предоставляют дополнительные геометрические функции или готовые отдельные функции для отрисовки достаточно сложных вариантов визуализаций. Например, ту же столбчатую диаграмму с “усами” можно построить с помощью функции ggbarplot() из пакета {ggpubr} (пакет не входит в {tidyverse}, его нужно установить отдельно: install.packages("ggpubr")).
library(ggpubr)ggbarplot(penguins, x ="species", y ="flipper_len", fill ="species", add ="mean_sd")
Альтернативы столбчатой диаграмме с “усами”
Некоторые журналы не рекомендуют использовать столбчатые диаграммы для визуализации выборочных статистик.
Поэтому в случае малых выборок (\(n<20\)) на столбчатую диаграмму добавляйте точки - индивидуальные наблюдения, а если размеры выборок достаточно большие, используйте ящики с усами, скрипичные диаграммы и их вариации и комбинации.
Факторы
Как вы, вероятно, заметили, виды пингвинов на столбчатых диаграммах выше всегда появлялись в одном и том же порядке, а именно отсортированные по алфавиту. Такая сортировка категориального признака не всегда бывает удобной. Чтобы её изменить, воспользуемся факторами.
Факторы - это отдельный тип данных в R, используемый для работы с категориальными переменными. Упорядочить значения категориальной переменной можно с помощью уровней фактора (levels). Преобразовать любой вектор в вектор с факторами можно с помощью функции factor(). Обратите внимание на то, что при отображении вектора с факторами появляется и строка с указанием уровней фактора, например, Levels: Adelie Chinstrap Gentoo.
# Как в встроенном датафрейме в базовом R, # все строковые столбцы преобразованы в факторные# Для наглядности преобразуем их обратно в строковыеpenguins$species <-as.character(penguins$species)set.seed(123)ten_penguins <- penguins %>%slice_sample(n =10) # случайные 10 строк из датафрейма# Это строковый векторten_penguins$species
Указывать порядок уровней фактора можно при задании графических переменных, как в примере выше. Однако может быть удобнее заранее создать столбец с факторами или преобразовать столбец с категориями в факторы.
penguins |>mutate(species =factor(species, levels =c("Chinstrap", "Adelie", "Gentoo"))) |>ggplot(aes(x = species, y = flipper_len, fill = species)) +geom_boxplot() +theme(legend.position ="none")
В отличие от функции as.factor() из базового R, которая преобразует вектор в вектор с факторами и сортирует уровни по алфавиту, функция as_factor() из {forcats} сортирует уровни по фактора по порядку их встречи в векторе.
# По алфавитуas.factor(ten_penguins$species) |>levels()
[1] "Adelie" "Chinstrap" "Gentoo"
# По порядку встречиas_factor(ten_penguins$species) |>levels()
[1] "Gentoo" "Adelie" "Chinstrap"
Далее будут рассмотрены несколько ситуаций, в которых пригождаются функции из пакета {forcats}.
Упорядочение уровней фактора
fct_inorder()- упорядочить уровни фактора в порядке встречаемости в векторе
fct_infreq() - упорядочить уровни фактора по частоте встречаемости.
fct_rev() - изменить порядок уровней на обратный.
fct_shuffle() - перемешать уровни
Например, изобразим количество пингвинов разных видов с помощью столбчатой диаграммы и расположим столбцы по убыванию их высоты, используя функцию fct_infreq().
Если в наборе данных, с которым вы работаете, представлены несколько крупных категорий, а также много мелких, которые не представляют большого интереса и которые можно объединить в одну категорию под названием, например, Other, стоит воспользоваться функциями семейства fct_lump():
fct_lump_n() - оставляет n самых многочисленных уровней, остальные объединяет
fct_lump_min() - оставляет уровни, встречающиеся не реже указанного числа раз
fct_lump_prop() - оставляет уровни, встречающиеся не чаще указанной частоты
fct_lump_lowfreq() - максимально наполняет группу Other так, чтобы она все равно оставалась самой малопредставленной
Прежде чем начинать создавать график с помощью {ggplot2} важно убедиться в том, что данные, по которым планируется отрисовать график, содержатся в датафрейме в нужном формате. Для того, чтобы получилось корректно задать графические переменные с помощью функции aes(), необходимо, чтобы каждый признак, который будет “отложен” по какой-то из “осей” графика, был записан в свой отдельный столбец.
Широкий формат (wide format) датафрейма подразумевает, что несколько переменных, похожих по своей природе, разнесены по разным столбцам. Например, измерения по нескольким временным точкам записаны в разные столбцы.
Если такие данные нужно визуализировать с помощью {ggplot2}, то например, чтобы показать временной тренд с помощью линейной диаграммы, необходимо будет перевести датафрейм из широкого формата в длинный. В датафрейме в длинном формате (long format) названия переменных и их значения хранятся в двух столбцах: один для имен переменных, другой - для значений. Преобразование длинного формата в широкий производится с помощью функции pivot_longer() из пакета {tidyr} (входит в tidyverse). При использовании этой функции необходимо указать столбцы, которые будут переведены в “длинный” формат. Дополнительно удобно использовать параметр names_to и values_to, чтобы задать названия новых столбцов, в которые будут записаны названия переменных и их значения.
Используя “длинный” датафрейм, строим линейную диаграмму.
2
Добавляем идентификаторы пациентов в виде подписей у последней временной точки. На вход этой geom-функции даем фильтрованный датасет, в котором есть данные только по последней временной точке.
3
Для подписей задаем X-координату - поскольку по оси X отложен категориальный признак, то указываем просто номер нужной категории. С помощью hjust немного сдвигаем подписи вправо.
4
Преобразуем подписи по оси X - удаляем лишние символы перед указанием года обследования.
5
Задаем цветовую палитру и убираем легенду.
6
Меняем названия осей X и Y.
Перевести датафрейм из длинного формата в широкий можно с помощью функции pivot_wider(). Чтобы использовать эту функции нужно указать, из каких столбцов брать названия переменных (names_from), которые будут соответствовать названиям новых столбцов, и сами значения (values_from). При использовании этой функции важно, чтобы в датафрейме оставался столбец или несколько, значения в которых были бы уникальны для каждого наблюдения. Иначе не получится восстановить соответствие между значениями переменных внутри индивидуальных наблюдений.
Удаляем строки с пропущенными значениями в столбцах height, eye_color и sex.
2
Преобразуем цвета глаз (столбец eye_color) в факторы - записываем их в новый столбец fct_eye_color. Оставляем только 5 наиболее часто встречающихся цветов, остальные записываем в категорию Other.
3
Преобразуем информацию о поле персонажа (столбец sex) в факторы - записываем их в новый столбец fct_sex. Категории пола, встретившиеся в датасете менее 10 раз, записываем в категорию Other sex.
4
Сортируем уровни фактора, указывающего на пол персонажа, в зависимости от максимального значения роста персонажа в каждой категории пола.
5
Строим график плотности распределения роста персонажей с разделением на группы по цвету глаз. Записываем график в переменную.
6
Показываем график.
В такой ситуации разумно использовать фасеты (facets) - разбить график на несколько и собрать их в панель. Это можно сделать с помощью функции facet_wrap() из пакета {ggplot2}. Если вы хотите разбить график по двум или более категориальным переменным, то вам пригодится функция facet_grid(). У этих функций немного необычный синтаксис: столбец с категориальной переменной, по которой вы хотите разбить график на несколько, необходимо указывать через тильду ~ или задавать при помощи функции vars().
Разбиваем график на панель графиков с помощью facet_wrap() по категориям, соответствующим цвету глаз персонажа.
2
Убираем легенду - каждый график в панели будет подписан, поэтому диблирующая информацию легенда не нужна.
Заголовки графиков в панели настраиваются также необычным образом - с помощью объектов типа labeller. Кроме того, вам может пригодиться параметр scales, который определяет, будет ли для всех графиков использоваться единый масштаб или нет.
Разбиваем график на панель графиков с помощью facet_grid() по категориям, соответствующим цвету глаз и полу персонажа.
2
Корректируем названия категорий, отображаемые на графике.
3
Делаем шкалу по оси X индивидуальной для каждого столбца графиков.
4
Убираем легенду - каждый график в панели будет подписан, поэтому диблирующая информацию легенда не нужна.
5
Настраиваем отображение названий категорий - делаем текст жирным.
Объединение графиков в панели
Каждый график, нарисованный с помощью {ggplot2} или совместимых пакетов, представляет собой ggplot-объект. Несколько графиков можно собрать в панель, разместив графики на одной странице, согласно определенной схеме (layout). Существует несколько пакетов, которые позволяют создавать такие панели из графиков в R: {patchwork}, {cowplot} и др. Эти пакеты не входят к коллекцию tidyverse - их нужно устанавливать дополнительно.
Потренируйтесь создавать и сохранять графики. Готовые графики показаны для ориентира, не нужно пытаться их воспроизвести до мелочей.
Задание 1
Задание 1.1
Ваш коллега собрал данные о том, сколько людей появилось на своих рабочих местах в лаборатории за прошедшую неделю. Давайте изобразим эти данные в виде столбчатой диаграммы. Подпишите график, оси, добавьте цвета, поиграйте с дизайном. Обратите внимание, что дни недели на графике должны идти в правильном порядке (постарайтесь добиться этого самым кратким способом).
Соседней лаборатории понравился эксперимент вашего коллеги и они тоже решили собрать данные о количестве людей на рабочих местах в разные дни. Теперь у вас есть данные из двух лабораторий, давайте их визуализируем на одном графике с помощью столбчатой диаграммы. Подпишите график, оси, добавьте цвета, поиграйте с дизайном. Дни недели на графике должны быть указаны в правильном порядке.
Прочитайте датасет про исчезнувшие виды растений по ссылке https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2020/2020-08-18/plants.csv.
Изучите датасет!
Что в нем есть:
binomial_name - название вида растения,
country - страна произрастания,
continent - континент произрастания,
group - таксономическая группа (Цветковое растение - Flowering plant, и т.д.),
year_last_seen - период, когда было замечено в природе последний раз,
threat_ и action_ - виды угроз и действий по сохранению вида,
red_list_category - категория в Красной книге: Extinct или Extinct in the Wild.
Больше информации о датасете по ссылке: https://github.com/rfordatascience/tidytuesday/blob/master/data/2020/2020-08-18/readme.md.
Постройте столбчатую диаграмму числа исчезнувших видов цветковых растений и не-цветковых растений на каждом континенте. Сохраните график в файл.
Пояснения:
В колонке group оставьте группу Flowering plants (цветковые растения), остальные группы растений объедините в группу Non-flowering plants (не-цветковые растения). Используйте возможности пакета forcats.
Посчитайте число исчезнувших видов (Extinct) по каждому континенту, в каждой таксономической группе (Flowering plants и Non-flowering plants).
Нарисуйте группированную столбчатую диаграмму (2 отдельных столбца, для Flowering plants и Non-flowering plants, расположенные рядом). По горизонтали расположите континенты.
Пусть континенты будут расположены в порядке убывания количества стран на них.
Осмысленно подпишите оси.
Перенесите легенду наверх, уберите название легенды.
Обозначьте Flowering plants желтым и Non-flowering plants зеленым.
Задание 3
Загрузите датасет, содержащий динамику использования сои в пищевой и непищевой промышленности за несколько последних десятков лет. Ссылка для скачивания: https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2021/2021-04-06/soybean_use.csv.
Изучите датасет! Про него можно прочитать дополнительно, например, здесь: https://github.com/rfordatascience/tidytuesday/blob/master/data/2021/2021-04-06/readme.md.
Информация про датасет:
entity - континент, часть континента или страна,
code - код страны,
year - год,
human_food - сколько сои было использованно в пищевой промышленности (в тоннах),
animal_feed - сколько сои было использовано в производстве кормов для животных (в тоннах),
processed - сколько сои было использовано в непищевой промышленности (производство биотоплива и т.д.) (в тоннах).
Отберите для анализа данные только по 6 континентам: c("Africa", "Europe", "Asia", "Northern America", "South America", "Australia & New Zealand"), за 33 года - 1981-2013. Нарисуйте столбчатую диаграмму, которая бы изображала среднее количество сои по трем типам промышленности, использованной за 33 года на всех 6 обитаемых континентах. Изобразите разброс 3/4 SD (чтобы линии разброса выровнялись со столбцами, возможно, вам понадобится параметр position = position_dodge(width = 0.9)). Отсортируйте континенты по среднему количеству сои, использованной во всех областях промышленности за исследуемый период. Логарифмируйте ось Y с помощью подходящей функции scale_y_*. Измените формат числовых подписей по оси Y.
Добавьте осознанные названия осей. Поверните названия континентов, чтобы они отображались целиком, на 45 градусов. Уберите название легенды и поменяйте цвета (например, на c("#ffb4a2", "#e5989b", "#b5838d")) и названия категорий промышленности в легенде (чтобы было более приятно читать).
Сохраните график в файл.
Задание 4
Задание 4.1
Напишите функцию, которая бы рассчитывала ядерно-цитоплазматическое соотношение (“N:C” или “karyoplasmic” ratio) по формуле \(\frac{NucleusVol}{CellVol}\), где NucleusVol - объем ядра (мкм3), CellVol - объем клетки (мкм3).
На небольшом примере продемонстрируйте работу этой функции.
Задание 4.2
Прочитайте данные по размерам ядер и клеток разных организмов из разнообразных таксономических групп, они находятся по ссылке https://raw.githubusercontent.com/kirushka/datasets/main/NC_ratio.csv. Эти данные взяты из статьи Malerba et al. 2021.
В прочитанном датафрейме 4 столбца:
SpeciesGroup - название таксономической группы,
Species - видовое название организма,
NucleusVol - объем ядра (мкм3),
CellVol - объем клетки (мкм3).
Используя функцию, которую вы создали в предыдущем задании, посчитайте ядерно-цитоплазматическое соотношение (“N:C” или “karyoplasmic” ratio) для каждого организма - запишите результат в новый столбец.
Также преобразуйте строковый столбец SpeciesGroup в столбец с факторами. Отсортируйте уровни фактора по убыванию медианного значения NC ratio.
Задание 4.3
По модифицированному датафрейму постройте точковую диаграмму, на которой по оси X отложен объем клеток, по оси Y - NC ratio, цветом показана таксономическая группа.
Добавьте на график линии тренда, построенные с помощью линейной регрессии, для каждой таксономической группы с помощью geom_smooth(method = "lm").
Чтобы использовать на графиках “математические” обозначения, греческие буквы и т.п., например, в подписях осей, можно использовать функцию expression, которой подать на вход все выражение без кавычек. Например, так: ggplot(...) + labs(x = expression(Cell~volume~(mu*m^3))).
Для настройки “tick labels”, т.е. подписей интервалов на осях, можно использовать пакет scales. Например, scale_x_log10(labels = scales::label_math(format = log10)) преобразит подписи по оси X в формат вида \(10^{log10(x)}\). Поэкспериментируйте и с другими вариантами отображения этих подписей.
Поменяйте цветовую палитру графика.
Сохраните график в файл.
Задание 4.4
Разделите график из задания 4.3 на “панельки” с помощью facet_wrap, так чтобы каждая таксономическая группа оказалась на своем графике. Сохраните график в файл.
Задание 5
Задание 5.1
Зугрузите набор данных по сериалу “Тед Лассо”. Ссылка для скачивания: https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2023/2023-09-26/richmondway.csv.
Посмотрите на этот датасет и изучите, какая информация в нем есть! Прочитать о том, что это за данные можно по ссылке.
Информация про датасет:
Character - персонаж (только Roy Kent),
Episode_order, Season, Episode, Season_Episode - номера сезонов и эпизодов сериала,
F_count_RK - число матерных слов (F-ck), произнесенных Роем Кентом в данном эпизоде,
F_count_total - число матерных слов (F-ck), произнесенных всеми персонажами в данном эпизоде,
cum_rk_season, cum_total_season, cum_rk_overall, cum_total_overall - кумулятивное число матерных слов (F-ck) в отдельном сезоне или суммарно за 3 сезона,
F_score, F_perc - отношение F_count_RK к F_count_total, то же выраженное в процентах,
Dating_flag - встречается ли Рой Кент в этом эпизоде с девушкой Кили,
Coaching_flag - работает ли Рой Кент в этом эпизоде тренером,
Imdb_rating - рейтинг эпизода на IMDB.
Постройте столбчатую диаграмму, которая бы отражала число произнесенных F-ck слов Роем Кентом и всеми героями сериала. Столбцы должны быть расположены рядом (группированная диаграмма). С помощью фасетов разделите график по сезонам сериала. Явным образом подпишите каждый график в панели (например, “Season 1” вместо “1”). Задайте свою цветовую палитру. Понятным образом подпишите оси. Сохраните график в файл.
Задание 5.2
Работайте с тем же набором данных и с помощью подходящих графиков попробуйте ответить на вопросы:
Как соотносится между собой число серий, в которых Рой Кент встречается или не встречается с Кили?
Как соотносится между собой число серий, в которых Рой Кент работает или не работает тренером?
Изобразите на одном графике и информацию про отношения с Кили, и информацию про тренерство. Поработайте над читаемостью графика. Сохраните график в файл.
Задание 5.3
Отрисуйте в виде ящика с усами распределение процента F-ck слов, произнесенных Роем Кентом, в течение каждого из трех сезонов. Как зависит этот процент от того, встречается ли Рой с Кили или нет?
Корректно ли ящик с усами показывает распределение? Как в действительности выглядят эти данные? Модифицируйте ваш график таким образом, чтобы он более наглядно отображал особенности распределения визуализируемых данных.
