03-intro-ggplot2.Rmd

# Visualizacion con ggplot2

Utilizaremos el paquete `ggplot2`, fue desarrollado por Hadley Wickham y es
una implementación de la gramática de las gráficas [@wilkinson2005]. Si no lo 
tienes instalado comienza instalando el paquete `ggplot2` o el `tidyverse` que 
lo incluye.

## Gráficas de dispersión {-}

```{r}
library(tidyverse) # Cargamos el paquete en nuestra sesión
```

Usaremos el conjunto de datos `election_sub_2012` que se incluye en el paquete
`estcomp`, puedes encontrar información de esta base de datos tecleando
`?election_sub_2012`.

```{r}
library(estcomp)

data(election_sub_2012)
?election_sub_2012
glimpse(election_sub_2012)
```

Comencemos con nuestra primera gráfica:

```{r plot_dispersion, fig.width = 5.5, fig.height = 4}
ggplot(election_sub_2012) +
    geom_point(aes(x = total, y = prd_pt_mc))
```

En `ggplot2` se inicia una gráfica con la instrucción `ggplot()`, debemos 
especificar explicitamente que base de datos usamos, este es el primer argumento 
en la función `ggplot()`. Una vez que creamos la base añadimos 
*capas*, y dentro de *aes()* escribimos las variables que queremos
graficar y el atributo de la gráfica al que queremos mapearlas. 

La función `geom_point()` añade una capa de puntos, hay muchas funciones
*geometrías* incluídas en `ggplot2`: `geom_line()`, `geom_boxplot()`, 
`geom_histogram`,... Cada una acepta distintos argumentos para mapear las 
variables en los datos a características estéticas de la gráfica. En el ejemplo 
de arriba mapeamos `displ` al eje x, `prd_pt_mc` al eje y. Sin embargo, con
`geom_point()` podemos representar más de 2 variables usando la forma, color y/o tamaño del punto. 
Esta flexibilidad nos permite descubrir patrones más interesantes en 
los datos.

```{r plot_dispersion_color, fig.width = 5.5, fig.height = 4}
ggplot(election_sub_2012) +
    geom_point(aes(x = total, y = prd_pt_mc, color = polling_type))
```

![](img/manicule2.jpg) Experimenta con los _aesthetics_ color (color), 
tamaño (size) y forma (shape).

*  ¿Qué diferencia hay entre las variables categóricas y las continuas?

*  ¿Qué ocurre cuando combinas varios _aesthetics_?

El mapeo de las propiedades estéticas se denomina escalamiento y depende del 
tipo de variable, las variables discretas (por ejemplo, tipo de casilla, región, 
estado) se mapean a distintas escalas que las variables continuas (variables 
numéricas como voto por un partido, lista nominal, etc.), los *defaults* de 
escalamiento para algunos atributos son (los escalamientos se pueden modificar):


aes       |Discreta      |Continua  
----------|--------------|---------
Color (`color`)|Arcoiris de colores         |Gradiente de colores  
Tamaño (`size`)  |Escala discreta de tamaños  |Mapeo lineal entre el área y el valor  
Forma (`shape`)    |Distintas formas            |No aplica
Transparencia (`alpha`) | No aplica | Mapeo lineal a la transparencia   

Los *_geoms_* controlan el tipo de gráfica

```{r plot_linea, fig.width = 5, fig.height = 4}
p <- ggplot(election_sub_2012, aes(x = total, y = prd_pt_mc))
p + geom_line()
```

¿Qué problema tiene la siguiente gráfica?

```{r plot_jitter, fig.width = 5, fig.height = 4}
p <- ggplot(election_sub_2012, aes(x = pan_pct, y = prd_pt_mc_pct))
p + geom_point(size = 0.8) 
p + geom_jitter(size = 0.5) 
```

![](img/manicule2.jpg) ¿Cómo podemos mejorar la siguiente gráfica?

```{r plot_edo_prd, fig.width = 6, fig.height = 4}
ggplot(election_sub_2012, aes(x = state_abbr, y = prd_pt_mc_pct)) +
    geom_point(size = 0.8)
```

Intentemos reodenar los niveles de la variable clase

```{r, fig.width = 6, fig.height = 4}
ggplot(election_sub_2012, aes(x = reorder(state_abbr, prd_pt_mc), 
    y = prd_pt_mc)) +
    geom_point(size = 0.8)
```

Podemos probar otros geoms.

```{r edo_boxplot, fig.width = 6, fig.height = 4}
ggplot(election_sub_2012, aes(x = reorder(state_abbr, prd_pt_mc), 
    y = prd_pt_mc)) +
    geom_jitter(size = 0.5)

ggplot(election_sub_2012, aes(x = reorder(state_abbr, prd_pt_mc), 
    y = prd_pt_mc)) +
    geom_boxplot()
```

También podemos usar más de un geom!

```{r, fig.width = 6, fig.height = 3.5}
ggplot(election_sub_2012, aes(x = reorder(state_abbr, prd_pt_mc), 
    y = prd_pt_mc)) +
    geom_jitter(size = 0.5) +
    geom_boxplot()
```

Y mejorar presentación:

```{r, fig.width = 6, fig.height = 3.5}
ggplot(election_sub_2012, aes(x = reorder(state_abbr, prd_pt_mc), 
    y = prd_pt_mc)) +
    geom_jitter(alpha = 0.6, size = 0.5) +
    geom_boxplot(outlier.color = NA) +
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
    labs(title = "Votos por casilla y estado", 
        subtitle = "PRD-PT-MC", x = "estado", y = "total de votos")
```


![](img/manicule2.jpg) Lee la ayuda de _reorder_ y repite las gráficas 
anteriores ordenando por la mediana de _prd_pt_mc_.

* ¿Cómo harías
para graficar los puntos encima de las cajas de boxplot?

## Paneles {-}

Ahora veremos como hacer gráficas de paneles, la idea es hacer varios múltiplos 
de una gráfica donde cada múltiplo representa un subconjunto de los datos, es 
una práctica muy útil para explorar relaciones condicionales.

En ggplot podemos usar _facet\_wrap()_ para hacer paneles dividiendo los datos 
de acuerdo a las categorías de una sola variable. Comenzamos
por una gráfica de dispersión (interpreta la recta roja):

```{r}
ggplot(election_sub_2012, aes(x = pri_pvem_pct, y = pan_pct)) + 
  geom_abline(intercept = 50, slope = -1, colour = "red") +
  geom_jitter() 
```

Sabemos que hay diferencias regionales en los patrones de votación. Podemos entonces repetir la
misma gráfica para distintas regiones:

```{r}
ggplot(election_sub_2012, aes(x = pri_pvem_pct, y = pan_pct)) + 
  geom_abline(intercept = 50, slope = -1, colour = "red") +
  geom_jitter() +
  facet_wrap(~region)
```



También podemos hacer una cuadrícula de $2$ dimensiones usando 
`facet\_grid(filas~columnas)`. En este caso, también mostramos los resultados por
tipo de casilla:

```{r, fig.width = 5, fig.height = 8}
# Veremos como manipular datos en las próximas clases
election_region_2012 <- election_2012 |> 
    group_by(region, section_type) |> 
    summarise_at(vars(pri_pvem:total), sum) |> 
    mutate_at(vars(pri_pvem:otros), .funs = ~ 100 * ./total) |> 
    ungroup() |> 
    mutate(region = reorder(region, pri_pvem)) |>
    gather(party, pct_votes, pri_pvem:otros) |> 
    filter(!is.na(section_type))

ggplot(election_region_2012, aes(x = reorder(party, pct_votes), 
    y = pct_votes, fill = reorder(party, -pct_votes))) +
    geom_col(show.legend = FALSE) +
    facet_grid(region ~ section_type) +
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) 
```

Los páneles pueden ser muy útiles para entender relaciones en nuestros datos. En 
la siguiente gráfica es difícil entender si existe una relación entre radiación
solar y ozono.

```{r, fig.width = 4, fig.height = 3}
data(airquality)
ggplot(airquality, aes(x = Solar.R, y = Ozone)) + 
  geom_point() 
```

Veamos que ocurre si realizamos páneles separando por velocidad del viento.

```{r, fig.width = 7, fig.height = 3, message = FALSE, warning = FALSE}
airquality$Wind.cat <- cut(airquality$Wind, breaks = c(1.5, 9, 12, 21)) 
ggplot(airquality, aes(x = Solar.R, y = Ozone)) + 
  geom_point() +
  facet_wrap(~ Wind.cat)
```

Podemos agregar un suavizador (loess) para ver mejor la relación de las 
variables en cada panel.

```{r, fig.width = 7, fig.height = 3, warning = FALSE}
ggplot(airquality, aes(x = Solar.R, y = Ozone)) + 
  geom_point() +
  facet_wrap(~ Wind.cat) + 
  geom_smooth(method = "lm")
```

Notamos que la relación entre radiación solar y ozono es positiva cuando la 
velocidad del viento es baja, sin embargo la pendiente de la recta disminuye 
con la velocidad del viento. Al incluir una tercer variable al análisis (velocidad del
viento) podemos entender mejor los datos.

#### Ejercicio {-}

Como vimos en el caso de los resultados electorales por región, en ocasiones es 
necesario realizar transformaciones u obtener subconjuntos de los datos para 
poder responder preguntas de nuestro interés.

```{r}
library(dplyr)
library(babynames)
glimpse(babynames)
```

Supongamos que queremos ver la tendencia del nombre "John", para ello debemos 
generar un subconjunto de la base de datos. ¿Qué ocurre en la siguiente gráfica?

```{r,  fig.width = 5, fig.height = 3}
babynames_John <- filter(babynames, name == "John")
ggplot(babynames_John, aes(x = year, y = prop)) +
  geom_line()
```




```{r,  fig.width = 5, fig.height = 3.7, eval=FALSE, echo=FALSE, include =FALSE}
ggplot(babynames_John, aes(x = year, y = prop, color = sex)) +
  geom_line()
```

La preparación de los datos es un aspecto muy importante del análisis y suele 
ser la fase que lleva más tiempo. Es por ello que el siguiente tema se enfocará 
en herramientas para hacer transformaciones de manera eficiente.

## Recursos {-}
* El libro *R for Data Science* [@r4ds] tiene un capítulo de visualización.
* Documentación con ejemplos en la página de 
[ggplot2](http://ggplot2.tidyverse.org/).
* Otro recurso muy útil es el 
[acordeón de ggplot](https://rstudio.github.io/cheatsheets/data-visualization.pdf).  
* La teoría detrás de ggplot2 se explica en el libro de ggplot2 [@wickham2009],  
* Google, [stackoverflow](https://stackoverflow.com/questions/tagged/ggplot2) y
[RStudio Community](https://community.rstudio.com/tags/ggplot2) tienen un *tag* 
para preguntas relacionadas con ggplot2.