visualizacion.utf8

# <svg style="height:0.8em;top:.04em;position:relative;fill:steelblue;" viewBox="0 0 581 512"><path d="M581 226.6C581 119.1 450.9 32 290.5 32S0 119.1 0 226.6C0 322.4 103.3 402 239.4 418.1V480h99.1v-61.5c24.3-2.7 47.6-7.4 69.4-13.9L448 480h112l-67.4-113.7c54.5-35.4 88.4-84.9 88.4-139.7zm-466.8 14.5c0-73.5 98.9-133 220.8-133s211.9 40.7 211.9 133c0 50.1-26.5 85-70.3 106.4-2.4-1.6-4.7-2.9-6.4-3.7-10.2-5.2-27.8-10.5-27.8-10.5s86.6-6.4 86.6-92.7-90.6-87.9-90.6-87.9h-199V361c-74.1-21.5-125.2-67.1-125.2-119.9zm225.1 38.3v-55.6c57.8 0 87.8-6.8 87.8 27.3 0 36.5-38.2 28.3-87.8 28.3zm-.9 72.5H365c10.8 0 18.9 11.7 24 19.2-16.1 1.9-33 2.8-50.6 2.9v-22.1z"/></svg>  para análisis de datos <br> <br>

## `Visualización` <br> <br> <br>

.large[Roxana N. Villafañe | LEMyP | <a href='http://twitter.com/data_datum'><svg style="height:0.8em;top:.04em;position:relative;fill:steelblue;" viewBox="0 0 512 512"><path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"/></svg> @data_datum</a>] <br> 
.large[Florencia D'Andrea | INTA-CONICET | <a href="http://twitter.com/cantoflor_87"> <svg style="height:0.8em;top:.04em;position:relative;fill:steelblue;" viewBox="0 0 512 512"><path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"/></svg> @cantoflor_87</a><br>]

<br><br><br><br><br> Slides disponibles en <https://flor14.github.io/visualizacion_2020/visualizacion#1> ✨
<br> Página web del curso en <https://flor14.github.io/Curso_r_unne_2020/> 🌟

---

# Exploración de datos

# Paquete `ggplot2`

---

# Guía Rápida

<img src="hex.png" width="10%" align="right" />
# Gramática de los gráficos

```r
ggplot(data = `<DATOS>`) +
  `<GEOM_FUNCIÓN>`(mapping = aes(`<MAPEOS ESTÉTICOS>`))
```

---

# Gramática de los gráficos

```r
ggplot(data = `<DATOS>`) +
  `<GEOM_FUNCIÓN>`(mapping = aes(`<MAPEOS ESTÉTICOS>`))
```

---

# Datos

Dataset `millas` en español traducido por la comunidad **R4DS**

---

# Función Geom 📈

---

# Función Geom

```r
ggplot(data = <DATOS>) +
  `<GEOM_FUNCIÓN>`(mapping = aes(<MAPEOS>))
```

Las funciones `geom_*()` determinan la representación gráfica de los datos.

Cada función geom que uso forma una capa.

<img src="geom_examples.png" width="200px" style="display: block; margin: auto;" />
.footnote[**Fuente**: RStudio Cheatsheet]

---

# Mapeos

---

# Mapeos

El mapeo entre las propiedades estéticas de tu gráfico y las variables de tu dataset te permite comunicar información sobre tus datos.

```r
library(tidyverse)
library(datos)

ggplot(data = <DATOS>) +
  <GEOM_FUNCIÓN>(mapping = `aes(<MAPEOS>)`)
```

---

# Mapeos

Para mapear (o asignar) una estética a una variable, debes asociar el nombre de la estética al de la variable dentro de `aes()`.

---

Puedo incluir información de 3 variables

```r
library(tidyverse)
library(datos)

ggplot(data = millas) +
  geom_point(mapping = aes(x = motor,
                           y = autopista,
                           color = clase))
```

---

# 💡💻
# Demo #1

Generar un gráfico con `ggplot2`

Modificar las funciones `geom` y los mapeos

---

# Ejercicio

¿Por qué los puntos se ven rosados?
¿Qué pasa si sacas el argumento `color = "blue"` fuera de `aes()`?

```r
 ggplot(data = millas) +
   geom_point(mapping = aes(x = motor, y = autopista, color = "blue"))
```

---

# Variable categórica

Una variable es categórica si solo puede tomar uno de un pequeño conjunto de valores -> **gráfico de barras** 📊

# Variable continua

Una variable es continua si puede tomar cualquiera de un conjunto infinito de valores -> **histograma** 📊

---

# Algunos ejemplos de gráficos

---

# Gráfico de Barras

---

# `geom_bar()`

Grafico una variable

```r
library(tidyverse)

ggplot(diamonds) +
geom_bar(aes(x = color))
```

---

# Argumentos `color` y `fill`

Agrego una segunda variable en forma de color

---

# Cuidado!

position = "fill"

position = "stack"

position = "dodge"

Recomiendo: [RStudio Primers](https://rstudio.cloud/learn/primers/3.2)

---

# 💡💻
# Demo #2

Genero un gráfico de barras.

¿Qué pasa si modifico el argumento `position`?

---

# Histograma

---

# Histograma

Ajusta el ancho de las barras con el argumento `binwidth`

---

# Diagrama de caja

---
<img src="hex.png" width="10%" align="right" />

# Diagrama de caja

Los diagramas de caja representan gráficamente a los datos a través de sus cuartiles.

---

# Diagrama de caja

```r
library(datos)
ggplot(data = millas, mapping = aes(x = clase, y = autopista)) +
  geom_boxplot()
```

---

<img src="hex.png" width="10%" align="right" />
# `geom_jitter()`

Puedo evaluar cuantos datos están representados

```r
library(tidyverse)
library(datos)
ggplot(data = millas, mapping = aes(x = clase, y = autopista))+
  geom_boxplot()+
  geom_jitter()
```

---

# Giro el sistema de coordenadas

```r
library(tidyverse)
library(datos)
ggplot(data = millas, mapping = aes(x = clase, y = autopista)) +
  geom_boxplot()+
  geom_jitter()+
  coord_flip()
```

---

# Gráfico de puntos 
# Gráfico de líneas

---

# Gráfico de puntos

Uso el argumento `color` para mapear una tercer variable

```r
ggplot(data = millas) +
  geom_point(mapping = aes(x = motor,
                           y = autopista,
                           color = clase))
```

---

# Gráfico de puntos

Si quiero observar tercer variable pero esta vez continua puedo usar otro argumento, como `size`

```r
ggplot(data = millas)+
  geom_point(mapping = aes(x = motor, y = autopista, size = cilindros))
```

---

# Gráfico de líneas

```r
library(gapminder)

gapminder %>% 
filter(country %in% c("Argentina","Brazil","Chile"))%>% 
ggplot() +
  geom_line(aes(x = year, y = pop, color = country),
            size = 1.5)
```

---

# 💡💻
# Demo #3

¿Cómo hago un gráfico que combina líneas y puntos?

Entiendo que los gráficos tienen capas

---

# Heatmap

---

# `geom_tile()`

```r
ggplot(airquality, aes(x = Month, y = Day)) +
  geom_tile(aes(fill=Temp))+
  scale_fill_gradient(name = 'Temperature', low = 'white', high = 'red')+
  labs(title="Temperature Readings by Date") 
```

---

# Puede ser mas complejo

---

# Escalas de colores 📊

---

# Tipos de escalas

Divergente, secuencial y cualitativa

---

# Un paquete con paletas de colores

¿Cuales son paletas divergentes/secuenciales/cualitativas?

Otra paleta es `viridis`

```r
library(RColorBrewer)
RColorBrewer::display.brewer.all()
```

---

```r
library(tidyverse)
library(datos)

dsamp <- sample_n(diamantes, size = 1000)

ggplot(dsamp,
       aes(quilate, precio, colour = claridad))+
  geom_point()+
  scale_colour_brewer(palette = "Set1")
```

---

# Facetas

Funciones `facet_grid` y `facet_wrap`

---

# `facet_wrap()`

Es más útil si tiene una sola variable con muchos niveles.

`nrow` y/o `ncol` son argumentos útiles.

```r
library(datos)

ggplot(diamantes) + 
  geom_bar(aes(x = color, fill = corte)) +
  facet_wrap(~corte)
```

---

# `facet_grid()`

Es más útil cuando tiene dos variables discretas, y todas las combinaciones de las variables existen en los datos.

```r
library(datos)

ggplot(diamantes) + 
  geom_bar(aes(x = color, fill = corte)) +
  facet_grid(claridad~corte)
```

---

# 💡💻
# Demo #4

Probemos todas las posibilidades de gráficos con `facet_wrap()` y `facet_grid()`

¿Qué pasa si empleo una variable continua para el facetado?

---

# Temas

Puedes encontrar más temas en el paquete [ggthemes](https://www.ggplot2-exts.org/ggthemes.html)

---

# Temas

---

# Ejes

## Cambio de nombre a los ejes

---

# Links

[ggplot2 Book](https://ggplot2-book.org/)

[R4DS español](https://es.r4ds.hadley.nz/)

[Rcookbook](http://www.cookbook-r.com/)

[Fundamentals of Data Visualization](https://serialmentor.com/dataviz/index.html)

[Geocomputation with R](https://geocompr.robinlovelace.net/index.html)

---

background-image: url(textura-fondo.png)
background-size: cover
class: center, middle, inverse

# 🙋 ¿Preguntas?

---

# Práctica