Að ná í R-pakka

Þar sem við viljum e.t.v. geta notað fleiri pakka úr tidyverse en ggplot2 er best að ná í þá alla á einu bretti. Það þarf aðeins að gera það einu sinni, en eftir það er tidyverse pakkinn og allir undirpakkar hans (þar með talið ggplot2) til á tölvunni og ekki þarf að ná í þá aftur.

Hægt er að ná í tidyverse pakkann annað hvort með því að:

1. Smella á Tools á stikunni, velja Install Packages úr flettilistanum, skrifa tidyverse í Packages textaboxið (þar sem stendur (hafið hakað við Install Dependencies)
2. Keyra eftirfarandi kóðabút:

install.packages("tidyverse")

Athugaðu að þú ættir aðeins að þurfa að keyra kóðabútinn að ofan einu sinni – nema ef ske kynni að þú sért með gamla útgáfu af tidyverse pakkanum og viljir uppfæra hann.

Að gera R-pakka tiltæka

Ef við viljum nota eitthvað úr ggplot2 pakkanum eða öðrum tidyverse pökkum þurfum við ekki að ná í pakkana aftur – þeir eru þegar til á tölvunni – en við þurfum samt að segja R að við ætlum að nota þá. Ef við viljum nota eitthvað af tidyverse pökkunum er hægt að gera þá tiltæka með því að keyra eftirfarandi kóða (passið gæsalappirnar):

library("tidyverse")

Þegar kóðinn hefur verið keyrður er hægt að nota tidyverse pakkana, þ.m.t. ggplot2. Athugaðu að ef þú endurræsir tölvuna þína eða t.d. lokar RStudio þá þarftu að gera pakka sem þú vilt nota tiltæka á á ný með því að keyra kóða á borð við library(“nafniðápakkanum”).

Hávísindaleg könnun

Skráin inniheldur gögn sem söfnuðust í áfanganum Aðferðafræði (SÁL115G) sem kenndur er við Sálfræðideild Háskóla Íslands. Búið er að eiga aðeins við gögnin til þess að þau henti betur til að kenna á fólki myndræna framsetningu gagna. Hér er tengill á könnunina, en þar safnaði ég alls konar einskis nýtum upplýsingum til að finna í þeim mynstur sem þýða líklega ekki neitt! Könnunin er nafnlaus en hægt er að tengja saman svör við ólíkum spurningum. Þátttaka í könnuninni var valfrjáls og hafði engin áhrif á einkunn í námskeiðinu.

Að skoða gagnaskrána í Excel

Byrjið á því að opna gagnaskrána í Excel og skoða hana betur (önnur forrit, svo sem OpenOffice, ráða einnig við að opna Excelskrár og það er allt í lagi að nota þau). Gagnaskráin inniheldur margar línur og marga dálka. Hver röð inniheldur öll gögn frá einum þátttakanda í könnuninni.

Þátttakendanúmerin eru skráð í fyrsta dálkinn (1, 2, 3, 4…), þannig að gögn fyrsta þátttakandans eru í röð 1, gögn næsta þátttakanda eru í röð 2 o.s.frv.

Dálkar 2-9 tákna svo tiltekna spurningu í könnuninni. Athugið þó að ég sleppti einni spurningu (Hver er sjöundi tölustafurinn í kennitölunni þinni?) til að forðast með öllu að svörin séu rekjanleg.

Dálkur 10 sýnir hvenær viðkomandi þátttakandi sendi inn könnunina samkvæmt sjálfvirkri tímaskráningu, en tímastimplunin er námunduð að heilum klukkutíma (21:47 yrði t.d. 22).

Dálkur 11 sýnir hve mörgum klukkustundum munar á hvenær könnun var send inn samkvæmt sjálfvirkri tímaskráningu og svo hvað þátttakandi sagði sjálfur að klukkan væri; þannig fengi þátttakandi sem ofáætlaði tímann um tvær klukkustundir gildið 2 og þátttakandi sem vanáætlaði tímann um 2 klukkustundir fengi sömuleiðis gildið 2.

Að lokum geymir dálkur 12 upplýsingar um hvort þátttakandi hafi (líklega) skráð tímasetninguna rétt; þessi breyta fær gildið Já ef ekki skeikar nema að hámarki 3 klst á tímastimplun og svari þátttakandans, annars fær hún gildið Nei.

Það þýðir að dálkarnir eru 12 talsins. Þeir eru:

1. thatttakandi.nr: Númer þátttakanda í könnun
2. tomatar.eru.avextir: Hversu ósammála eða sammála ertu eftirfarandi fullyrðingu? “Tómatar eru ávextir”
3. haed.cm: Hver er hæð þín í cm?
4. veistu.hvad.verdur.thegar.stor: Veistu hvað þú ætlar að verða þegar þú verður stór?
5. hvad.er.kl: Hvað er klukkan (veldu sem kemst næst)?
6. eru.sokkar.svartir: Ertu í svörtum sokkum núna?
7. hvar.situr: Hvar siturðu yfirleitt í kennslustundum?
8. hve.vondar.godar.olifur: Hversu bragðvondar eða bragðgóðar finnst þér ólífur?
9. hvernig.nafla: Ertu með innstæðan eða útstæðan nafla?
10. timastimpill: Hvenær var könnun send inn (sjálfvirk tímaskráning)?
11. skeikar.um.klst: Um hve margar klst. skeikar svörum?
12. timi.rett.skradur: Er tíminn rétt skráður?

Hér eftir tala ég um thatttakandi.nr, timastimpil, tomatar.eru.avextir o.s.frv. sem breytur (variables). Breyturnar geta tekið tiltekin mismunandi, þ.e. breytileg, gildi. thatttakandi.nr tekur gildin 1, 2, 3, 4 o.s.frv. timastimpill tekur gildin 1-24, tomatar.eru.avextir tekur gildin 1, 2, 3, 4 eða 5 þar sem 1 táknar “mjög ósammála” og 5 táknar “mjög sammála”. Hægt er að kanna nánar hvaða gildi aðrar breytur geta tekið með því að skoða könnunina sjálfa.

Að lesa inn gagnaskrá

Nú skaltu loka gagnaskránni í Excel og lesa hana í stað þess inn í R. Til þess ætlum við að nota R-pakka sem heitir readxl. Þessi pakki er sérstaklega til þess fallinn að lesa Excelskrár inn í R. Pakkinn er hluti af tidyverse og ætti því að vera tiltækur á tölvunni þinni hafirðu þegar náð í tidyverse pakkann. Aftur á móti þarf samt sem áður að segja R sérstaklega að maður ætli sér að nota readxl pakkann. Hægt er að gera það með því að keyra eftirfarandi kóðabút:

library(readxl)

Núna eru þær aðgerðir (eða föll, functions) sem readxl pakkinn inniheldur tiltæk fyrir þig. Þá geturðu notað eða kallað á aðgerðina read_excel sem er ein af aðalaðgerðunum pakkans. read_excel aðgerðin, eins og nafnið bendir til, er notuð til þess að lesa Excelskrár. Athugið að read_excel gerir (réttilega) ráð fyrir að fyrsta röðin í Excelskránni innihaldi heiti á breytum/dálkum. Rétt eins og með margar aðrar aðgerðir í R er þó hægt að breyta stillingum aðgerðarinnar. Til þess að kalla á aðgerðina setur maður nafn skráarinnar inn í sviga á eftir nafni aðgerðarinnar sbr. read_excel(“nafnáskrá”).

Almennt gildir að sjáirðu eitthvert nafn sem á eftir fylgi svigi, þá er þetta nafn á aðgerð. Aðgerðir sem þið hafið þegar unnið með er t.d. install.packages, sbr. install.packages(“tidyverse”), og library, sbr. library(“tidyverse”), en fyrri aðgerðin nær í tiltekinn R-pakka og sú síðari gerir tiltekinn R-pakka tiltækan. Ef þú vilt fræðast um tiltekna aðgerð, hvernig hún er notuð og hvað hún gerir, þá geturðu keyrt kóða á borið við ?nafnáaðgerð. Ef þú vilt t.d. fræðast um read_excel geturðu keyrt eftirfarandi kóðabút:

?read_excel

Ef þú keyrir kóðabútinn ættirðu að sjá hjálparskrá read_excel aðgerðarinnar, en þar kemur m.a. fram að hún sé til þess að lesa inn xls og xlsx skrár, en það eru tvær tegundir af Excelskrám. Gagnaskráin okkar heitir havisindaleg_konnun.xlsx og er einmitt xlsx skrá. Við lesum hana inn með því að keyra eftirfarandi kóða (takið eftir gæsalöppunum og að skráarendingin .xlsx verður að koma fram, þar sem þetta er xlsx skrá):

gagnasafn <- read_excel("havisindaleg_konnun.xlsx")

Það sem kóðabúturinn gerði var að kalla á read_excel aðgerðina, segja aðgerðinni að vinna með tiltekna skrá, og geyma útkomu aðgerðarinnar í nýrri breytu sem við köllum gagnasafn.

Breyta í þessum skilningi er eins og geymslubox, við getum geymt hvað sem er í boxinu. Í þessu tilfelli geymir boxið – eða breytan – gagnaskrána sem við lásum inn í R. Merkið <- (oddklofi og strik) kallast gildingarvirki (assignment operator). Merkið er eins og píla sem táknar að það á að setja það sem er hægra megin við píluna (hér útkomu aðgerðarinnar) yfir í það sem er vinstra megin (hér breytuna gagnasafn).

Ekki láta það rugla ykkur þótt ég noti orðið breyta bæði yfir “boxið” sem geymir gagnasafnið okkar og svo dálkana í gagnasafninu. Breyta þýðir bara eitthvað sem er breytilegt, og við getum breytt því hvað er í boxinu rétt eins og það er breytilegt hvernig þátttakendur svöruðu tiltekinni spurningu í könnuninni.

Athugið einnig að breytan gagnasafn hefði getað heitið eitthvað allt annað, t.d. konnun eða my.data eða bara lina.langsokkur – við gefum henni einfaldlega það nafn sem okkur hentar (með einstaka undantekningum, t.d. verður breytuheiti að vera allt í einu orði og því má breyta ekki heita gagna safn).

Athugið þó að R er það sem kallast stafrétt (case sensitive) sem þýðir að R gerir greinarmun á há- og lágstöfum; gagnasafn er ekki það sama og Gagnasafn eða GAGNASAFN eða gagna.safn. Skrifaðu því breytuheiti alltaf eins. Það sama gildir um aðgerðir.

Að skoða gagnaskrána í R

Við erum þegar búin að skoða gagnaskrána í Excel en við viljum vera viss um að R hafi örugglega lesið gögnin rétt inn – annars verður allt sem við gerum kolvitlaust! Þú getur gert það á a.m.k. tvennan hátt:

• Finndu glugga í RStudio forritinu sem heitir Environment. Þar ætti að standa Data og þar undir ættirðu að finna breytuna þína gagnasafn. Ef þú smellir á hana opnast nýr gluggi sem sýnir alla gagnatöfluna þína.
• Kallaðu á aðgerðina View með því að keyra þennan kóðabút:

View(gagnasafn)

Við köllum á aðgerðina og biðjum hana um að vinna með gagnasafnið okkar sem geymt er í breytunni gagnasafn. Við viljum bara skoða upplýsingarnar en ekki geyma þær í breytu (“geymsluboxi”); þess vegna inniheldur kóðinn hvorki neitt nýtt breytuheiti né <- gildingarvirkjann.

Stöplarit (histogram)

Fyrsta aðgerðin sem við ætlum að skoða til þess heitir geom_histogram og er notuð til þess að búa til stöplarit (histogram). Þessi aðgerð tekur samfellda (continuous) tölulega breytu, til dæmis hæð fólks í sentimetrum, sem inntak (input). Aðgerðin skiptir gögnunum sem breytan geymir niður í nokkur bil (bins) – t.d. 1-50 cm, 51-100 cm o.s.frv. – og telur svo hversu mörg stök falla innan hvers bils, í þessu tilfelli hversu margir þátttakendur eru á tilteknu hæðarbili.

Búum nú til stöplarit sem sýnir hæðardreifingu þátttakenda. Keyrum eftirfarandi kóða:

ggplot(
  data = gagnasafn, mapping = aes(x = haed.cm)) + 
  geom_histogram() +
  labs(
    x = "Hver er hæð þín í cm?", 
    y = "Fjöldi þátttakenda"
  )

Fyrsta lína kóðans að ofan er kunnugleg: Hún býr til nýtt graf, tengir grafið við gagnasafn og segir að við ætlum að láta hæð fólks í sentimetrum á x-ás. Hér tilgreinum við reyndar ekki hvaða breyta eigi að fara á y-ás. Á bak við tjöldin gerir R ráð fyrir að þar sem y-breytan er ekki skilgreind þá viljum við í raun láta fjöldatölur (count) á y-ás. Við hefðum einnig getað skrifað mapping = aes(x = haed.cm, y = ..count.. og fengið sömu niðurstöðu, en það er óþarfi þar sem R gerir ráð fyrir því að fyrra bragði.

Takið þó eftir plúsmerkinu í enda fyrstu línu en það segir manni að skipunin sé í raun ekki búin heldur ætli maður að bæta einhverju við grafið. Restin af skipuninni er sett í næstu línu; hún gæri raunar verið sett strax á eftir plúsmerkinu í fyrstu línu – en það er bara ljótara og erfiðara að lesa slíkan kóða.

Í annarri línu kóðans er nýju lagi (layer) bætt við grafið með hjálp aðgerðarinnar geom_histogram, en hægt er að gera flókin gröf í ggplot2 með því að byggja þau upp lag fyrir lag, sjá hér. geom_histogram aðgerðin segir R að nú eigi að teikna stöplarit. Sviginn á eftir nafni aðgerðarinnar er tómur af því að við þurfum ekki að gefa henni neinar frekari upplýsingar; við erum þegar búin að tilgreina gagnasafn, hvaða breyta eigi að vera á x-ás og (bak við tjöldin) hvaða breyta eigi að vera á y-ás.

Að lokum endurnefnum við x- og y-ása með hjálp labs aðgerðarinnar (stytting á labels eða merkimiðum). Athugið að ég hef skipt inntaki (input) labs aðgerðarinnar á milli lína. Þetta er einungis gert til þess að gera kóðann læsilegri, en sama niðurstaða hefði í raun fengist með því að skrifa allt í einni línu sbr. labs(x = “Hver er hæð þín í cm?”, y = “Fjöldi þátttakenda”). Almennt mæli ég með að fólk hugi að því að skrifa snyrtilegan og læsilegan kóða.

Súlurit (bar chart)

Súluritið sem fæst með því að keyra eftirfarandi kóða er afar líkt stöplaritinu, en ólíkt stöplaritinu er breytunni ekki skipt niður í hæðarbil heldur fær hvert gildi sína súlu og súlurnar eru auk þess aðskildar.

ggplot(data = gagnasafn, mapping = aes(x = haed.cm)) + 
  geom_bar() +
  labs(
    x = "Hver er hæð þín í cm?", 
    y = "Fjöldi þátttakenda"
  )

Þéttnirit (density plot)

Þéttnirit sýnir hlutfallslega dreifingu á hæð fólks, sem búið er að “rúnna af” (smooth). Athugið að y-ásarnir á stöplaritinu fyrir ofan og þéttniritinu hér fyrir neðan eru ekki sambærilegir (til þess að gera þá sambærilega, sjá leiðbeiningar hér).

ggplot(data = gagnasafn, mapping = aes(x = haed.cm)) + 
  geom_density() +
  labs(
    x = "Hver er hæð þín í cm?", 
    y = "Þéttni (density)"
  ) 

Kassarit (box plot)

Lárétta strikið í miðju kassans á kassariti sýnir miðgildi hæðar. Helmingur fólks er undir þessari hæð og helmingur fólks fyrir ofan hana. 25% fólks er lægra en neðri brún kassans, kassinn sjálfur (hvíti hlutinn) geymir svo helming fólks eða 50% og 25% fólks er hærra en efri brún kassans. Hæð kassans frá neðri að efri brún gefur því ágæta mynd af hæðardreifingu þátttakenda. Óvenjulega há eða lág gildi eru skráð með punktum. Óvenjuleg gildi sem skera sig verulega frá öðrum gildum kallast frávillingar eða útlagar (outliers) og þeir geta haft veruleg og oft slæm áhrif á úrvinnslu gagna. Hægt er að lesa nánar um útlaga og áhrif þeirra hér. Nánari útskýringar á kassariti má svo finna hér. Athugið að á kassaritinu hér fyrir neðan er hæð skráð á y-ás:

ggplot(data = gagnasafn, mapping = aes(x = " ", y = haed.cm)) + 
  geom_boxplot() +
  labs(
    x = "Allir þátttakendur", 
    y = "Hver er hæð þín í cm?"
  )

Ef við viljum að hæð fólks sé á láréttum ás, til samræmis við stöplaritið, súluritið og þéttniritið, getum við kallað á aðgerðina coord_flip, en aðgerðin setur það sem áður var á lóðréttum ás á láréttan ás og öfugt (hægt er að nota aðgerðina í öðrum gröfum einnig). Athugið þó að við skráum x og y í aðgerðunum aes og labs nákvæmlega eins og áður:

ggplot(data = gagnasafn, mapping = aes(x = " ", y = haed.cm)) + 
  geom_boxplot() +
  labs(
    x = "Allir þátttakendur", 
    y = "Hver er hæð þín í cm?"
  ) +
  coord_flip()

Fiðlurit (violin plot)

Fiðlurit mætti kalla nokkurs konar sambland af þéttniriti og kassariti. Hægt er að hugsa sér að búið sé að teikna þéttnirit á hlið og spegla því síðan um miðju grafsins:

ggplot(data = gagnasafn, mapping = aes(x = " ", y = haed.cm)) + 
  geom_violin() +
  labs(
    x = "Allir þátttakendur", 
    y = "Hver er hæð þín í cm?"
  )

Rósarit (rose chart)

Skoðum nú aðeins aðra breytu í gagnasafn sem heitir hvad.er.kl. Hún geymir svör þátttakenda við spurningunni: Hvað er klukkan (veldu sem kemst næst)? Þátttakendur völdu úr flettilista heilar tölur á bilinu 1-24. Byrjum á að skoða dreifingu svaranna í venjulegu súluriti:

ggplot(data = gagnasafn, mapping = aes(x = hvad.er.kl)) + 
  geom_bar() + 
  labs(
    x = "Hvað er klukkan?", 
    y = "Fjöldi þátttakenda"
  )

Á grafinu hér að ofan sjáum við t.d. að flestir þátttakendur sögðust hafa fyllt út könnunina klukkan 11 um morgunn, en enginn sagðist hafa fyllt hana út kl. 3 eða 4 um nótt. Vandamálið við þessa framsetningu gagnanna er samt að klukkan gengur í hringi, en það er ekkert á grafinu hér fyrir ofan sem sýnir manni að kl. 1 sé í raun mjög nálægt kl. 24. Við getum gert þetta betur með því að láta hreinlega súluritið okkar fara í hring. Slíkt rit kallast rósarit (rose chart).

Við gerum það með því að taka það sérstaklega fram að það eigi ekki að nota venjulegt hnitakerfi heldur svokölluð pólhnit (polar coordinates). Til þess notuð við aðgerðina coord_polar. Til eru fleiri skipanir sem hafa áhrif á hnitakerfi, sjá “svindblað” (cheat sheet) fyrir ggplot2.

ggplot(data = gagnasafn, mapping = aes(x = hvad.er.kl)) + 
  geom_bar() + 
  coord_polar() +
  labs(
    x = "Hvað er klukkan?", 
    y = "quot;Fjöldi þátttakenda"
  )

Mörg gröf á sömu mynd

Hvað ef við viljum sýna fleiri en eina tegund af grafi á sömu myndinni? Ekkert mál! Hér sýnum við t.d. sömu gögnin bæði sem fiðlurit og kassarit:

ggplot(data = gagnasafn, mapping = aes(x = " ", y = haed.cm)) + 
  geom_violin() +
  geom_boxplot() +
  labs(
    x = "Allir þátttakendur", 
    y = "Hver er hæð þín í cm?"
  )

Athugið að gröfin eru teiknuð í þeirri röð sem við skrifum í kóðann. Hér er fiðluritið teiknað fyrst og kassaritið síðan teiknað ofan á það, þar sem við kölluðum fyrst á geom_violin að gerðina og síðan á geom_boxplot. Ef við hefðum gert það öfugt hefði kassaritið horfið fyrir aftan fiðluritið.

Stöplarit (histogram) með tveimur breytum

Hér ætlum við að skoða samband tveggja breyta, annars vegar hvad.er.kl og hins vegar veistu.hvad.verdur.thegar.stor. Svipað og við höfum áður gert biðjum við R um að:

• Tengja grafið við gögnin sem geymd eru í breytunni gagnasafn: data = gagnasafn
• Byggja x-ásinn á breytunni hvad.er.kl: x = hvad.er.kl
• Endurnefna x- og y-ása labs(x = “Hvað er klukkan?”, y = “Fjöldi þátttakenda”)

ggplot(data = gagnasafn, mapping = aes(x = hvad.er.kl, fill = veistu.hvad.verdur.thegar.stor)) + 
  geom_histogram( 
    binwidth = 3, 
    position = "dodge"
  ) + 
  labs(
    x = "Hvað er klukkan?", 
    y = "Fjöldi þátttakenda"
  )

ggplot(data = gagnasafn, mapping = aes(x = hvad.er.kl, fill = veistu.hvad.verdur.thegar.stor)) + 
  geom_histogram( 
    binwidth = 3,
    position = "identity", 
    alpha = 0.5
  ) + 
  labs(
    x = "Hvað er klukkan?", 
    y = "Fjöldi þátttakenda", 
    fill = "Veistu framtíðarplön?"
  )

Mörg gröf í einu

Í gröfunum hér að ofan er e.t.v.nokkuð erfitt að átta sig á mun á dreifingu klukkutímanna eftir því hvort fólk viti hvað það ætlar að verða þegar það verður stórt (Já/Nei) þar sem dreifingin fyrir hvort um sig skarast mikið. Stundum er betra að gera eitt graf fyrir hvert gildi tiltekinnar breytu, svo sem eitt graf fyrir “Já” og annað graf fyrir “Nei”. Við getum gert það með aðgerðinni facet_grid:

ggplot(data = gagnasafn, mapping = aes(x = hvad.er.kl)) + 
  geom_histogram(
    binwidth = 3
  ) + 
  labs(
    x = "Hvað er klukkan?", 
    y = "Fjöldi þátttakenda"
  ) + 
  facet_grid( . ~ veistu.hvad.verdur.thegar.stor)

Með hjálp facet_grid teiknaðir þú eitt stöplarit fyrir hvert gildi veistu.hvad.verdur.thegar.stor; gildin eru tvö (Já/Nei) svo þess vegna urðu til tvö gröf. Gröfin eru sett hlið við hlið. Ef þú hefðir skrifað facet_grid(veistu.hvad.verdur.thegar.stor ~ . ) í stað facet_grid( . ~ veistu.hvad.verdur.thegar.stor) hefði annað þeirra verið sett fyrir ofan hitt.

Súlurit með tveimur breytum

Súlurit henta vel til að skoða tengsl nafn- eða raðbreyta. Í stað þess að skoða súlurit fyrir hvað fólk sagði hvað klukkan væri skulum við frekar nota súlurit til að skoða tengsl tveggja tvíkostabreyta (binary variables), þ.e. breyta sem hvor um sig tekur tvö gildi. Breyturnar eru hvort fólk sé í svörtum sokkum og hvort fólk viti framtíðarplön sín. Látum hina fyrri á x-ás og látum hina síðari ráða innri lit súlna:

ggplot(data = gagnasafn, mapping = aes(x = eru.sokkar.svartir, fill = veistu.hvad.verdur.thegar.stor)) + 
  geom_bar() +
  labs(
    x = "Ertu í svörtum sokkum núna?", 
    y = "Fjöldi þátttakenda",
    fill = "Veistu framtíðarplön?"
  ) 

Á súluritinu að ofan sést vel að um tvöfalt fleiri þátttakendur eru í sokkum af öðrum lit en svörtum. Enn fremur sést dreifing á “framtíðarplönum”” innan hvors “sokkahóps” vel.

Að ofan var súlunum staflað ofan á hvor aðra. Ef við viljum frekar koma þeim fyrir hlið við hlið getum við bætt við position = “dodge”:

ggplot(data = gagnasafn, mapping = aes(x = eru.sokkar.svartir, fill = veistu.hvad.verdur.thegar.stor)) + 
  geom_bar(
    position = "dodge"
  ) +
  labs(
    x = "Ertu í svörtum sokkum núna?", 
    y = "Fjöldi þátttakenda",
    fill = "Veistu framtíðarplön?"
  ) 

Þar sem mun færri eru í svörtum sokkum er ekki er e.t.v. erfitt að bera hlutfallslega dreifingu innan hvors hóps saman. Ef við viljum frekar sýna hlutfall af heild í stað fjölda getum við beðið um position = “fill”:

ggplot(data = gagnasafn, mapping = aes(x = eru.sokkar.svartir, fill = veistu.hvad.verdur.thegar.stor)) + 
  geom_bar(
    position = "fill"
  ) +
  labs(
    x = "Ertu í svörtum sokkum núna?", 
    y = "Hlutfall þátttakenda",
    fill = "Veistu framtíðarplön?"
  ) 

Þéttnirit (density plot) með tveimur breytum

Sýnum nú muninn á hópunum tveimur með þéttniriti. Athugið að þéttniritið sýnir ekki fjölda þátttakenda heldur hlutfallslega dreifingu þátttakenda innan hvors hóps (veit/veit ekki hvað verður þegar stór). Við biðjum um að þéttniritin verði hálfgegnsæ (alpha = 0.5) til þess að dreifing innan hvors hóps sjáist ve.

ggplot(data = gagnasafn, mapping = aes(x = hvad.er.kl, fill = veistu.hvad.verdur.thegar.stor)) + 
  geom_density(
    alpha = 0.5
  ) + 
  labs(
    x = "Hvað er klukkan?", 
    y = "Þéttni (density)"
  )

Kassarit (box plot) með tveimur breytum

Enn ein leiðin til að sýna mun á dreifingu einhverrar breytu er að teikna kassarit hjálp aðgerðarinnar geom_boxplot. Kassarit sýnir aftur á móti hluti á borð við miðgildi (median) sem hefur ekki skýra merkingu þegar um er að ræða breytu eins og hvad.er.klukkan sem bókstaflega gengur í hringi; það er t.d. ekki ljóst – og jafnvel rangt – að segja að kl. 23 um kvöld sé “meira” en kl. 2 um nótt bara af því að tölustafurinn er hærri.

Notum frekar aðra samfellda (continuous) breytu, haed.cm, þar sem þar er alveg ljóst að 23 cm er virkilega meira en 2 cm, svo dæmi sé tekið. Þá hefur það einhverja merkingu að reikna meðaltal, miðgildi og annað slíkt. Skoðum hæðina á fólki eftir því hvort það veit eða veit ekki hvað það ætlar að verða þegar það verður stórt. Er fyrri hópurinn kannski hærri að jafnaði en hinn síðari?

Við biðjum R um að skrá á x-ás hvort það viti framtíðarplön sín og skrá hæð fólks á y-ás. Einnig endurnefnum við x- og y-ás.

ggplot(data = gagnasafn, mapping = aes(x = veistu.hvad.verdur.thegar.stor, y = haed.cm)) + 
  geom_boxplot() +
  labs(
    x = "Veistu hvað þú ætlar að verða þegar þú verður stór?", 
    y = "Hver er hæð þín í cm?"
  )

Kassaritið sýnir að fólkið í fyrri hópnum er að jafnaði örlítið hærra en fólkið í síðari hópnum. Ekki er þó mikill munur á hæðardreifingu fólks eftir því hvort framtíðarplön þess séu ljós – enda væri það heldur undarlegt.

Fiðlurit (violin plot) með tveimur breytum

Sýnum sömu gögn og voru á kassaritinu hér fyrir ofan, en nú á fiðluriti. Allar skipanir eru þær sömu, nema hvað við skrifum geom_violin í stað geom_boxplot. Þá fæst fiðlurit sem sýnir hæðardreifingu hópanna tveggja:

ggplot(data = gagnasafn, mapping = aes(x = veistu.hvad.verdur.thegar.stor, y = haed.cm)) + 
  geom_violin() +
  labs(
    x = "Veistu hvað þú ætlar að verða þegar þú verður stór?", 
    y = "Hver er hæð þín í cm?"
  )

Dritrit (scatter plot) með tveimur breytum

Vilji maður sýna tengsl tveggja samfellra (continuous) breyta getur hentað vel að sýna slíkt á dritriti (scatter plot). Önnur breytan, gjarnan frumbreyta, er sýnd á x-ás og hin, gjarnan fylgibreyta, er sýnd á y-ás.

Í gagnasafninu okkar erum við með upplýsingar um:

• Hvað klukkan var í raun og veru þegar fólk skilaði inn könnuninni: timastimpill
• Hvað fólk sagði að klukkan væri þegar við spurðum það: hvad.er.kl

Nú ætlum við að skoða hversu mikið samræmi er þar á milli, en ekki ætti að skeika miklu nema fólk annað hvort ljúgi eða ruglist. Við prófum að skoða samband þessara tveggja breyta á dritriti. Dritrit sýnir gildi hvers þátttakanda á báðum breytum (x og y) sem einn punkt. Við getum gert dritrit með því að kalla á aðgerðina geom_point:

ggplot(data = gagnasafn, mapping = aes(x = timastimpill, y = hvad.er.kl)) + 
  geom_point() +
  labs(x = "Hvenær var könnun send inn (sjálfvirk tímaskráning)?", y = "Hvað er klukkan samkvæmt þátttakanda?")

Dritritið að ofan sýnir að það er greinilega eitthvert mynstur í gögnunum; almennt gildir að sjálfvirka tímastimplunin og það hvar þátttakendur sögðu sjálfir að klukkan væri fylgist að.

Það er samt eithtvað skrýtið í gangi – punktarnir mynda ekki eina heldur tvær skálínur á grafinu. Ef fólk fyllti samviskulega út hvað klukkan væri ætti aðeins að vera ein slík skálína á grafinu – sú efri – en hjá sumum þátttakendum skeikar mjög mörgum klukkutímum á því hvað klukkan er í raun og hvað þeir segja að klukkan sé. Hvað er þarna í gangi? Eru þátttakendur bara að ljúga?

Alllíklegt er að þátttakendur séu að svara eftir bestu vitund, en að þeir hafi ekki skráð tímann samkvæmt 24 stunda kerfi heldur 12 stunda kerfi. Fólk sem svaraði kl. 20 sagði því e.t.v. að klukkan væri 8. Þetta minnir mann á tvennt:

• Maður VERÐUR að skoða gögnin sín, villur og önnur undarlegheit sjást oft best á grafi
• Best er að koma í veg fyrir villurnar yfir höfuð, t.d. með því að spyrja fólk beint út hvort klukkan sé átta að morgni eða kvöldi

Dritrit (scatter plot) með þremur breytum

Við skulum sýna þessi gögn aftur, en reynum nú að draga athyglina að þessum tveimur hópum, þ.e. þeim sem misskildu líklega hvernig skrá átti hvað klukkan væri og þeim sem skráðu tímann réttilega. Í gagnasafninu eru eftirfarandi breytur sem við getum notað til að gera það:

• skeikar.um.klst sýnir hversu mörgum klukkustundum munar á hvenær könnun var send inn samkvæmt sjálfvirkri tímaskráningu og svo hvað þátttakandi sagði að klukkan væri.
• timi.rett.skradur fær gildin gildin Já ef ekki skeikar nema að hámarki 3 klst á tímastimplun og svari þátttakandans, annars Nei.

Skoðum skeikar.um.klst breytuna okkar á grafi:

ggplot(data = gagnasafn, mapping = aes(x = skeikar.um.klst)) + 
  geom_bar() + 
  labs(x = "Um hve margar klst. skeikar svörum?", y = "Fjöldi þátttakenda")

Á grafinu fyrir ofan sést að langflestir þátttakendur sögðu að klukkan væri nákvæmlega það sama og hún var í raun þegar þeir skiluðu könnuninni (skeikar.um.klst breytan hefur gildið 0). Hjá allnokkrum skeikaði um eina klst., aðeins færri um tvær og enn færri um þrjár. Annar toppur finnst síðan kringum 12 klst., en það er einmtt í samræmi við að hluti þátttakenda hafi skráð tímann á skalanum 1-12 í stað 1-24.

Nú skulum við loksins teikna dritiritið okkar til þess að skoða hvernig sambandið er á milli sjálfvirkrar (timastimpill) og handvirkrar (hvad.er.kl) tímaskráningar, annars vegar fyrir þá sem skráðu líklega tímann rétt og hins vegar fyrir þá sem skráðu tímann rangt (timi.rett.skradur).

Gefum aðgerðinni aes eins og áður þær upplýsingar að timastimpill skuli vera á x-ás og hvad.er.kl á y-ás, en gefum aðgerðinni enn fremur þær upplýsingar að lita eigi punktana eftir þriðju breytunni timi.rett.skradur. Aðgerðinni labs getum við svo upplýsingar um nýjar merkingar á öllum breytum, þ.e. breytunum sem notaðar eru til að stjórna x-ási, y-ási og lit:

ggplot(data = gagnasafn, mapping = aes(x = timastimpill, y = hvad.er.kl, color = timi.rett.skradur)) + 
  geom_point() +
  labs(
        x = "Hvenær var könnun send inn (sjálfvirk tímaskráning)?", 
        y = "Hvað er klukkan samkvæmt þátttakanda?", 
        color = "Er tíminn rétt skráður?"
       )

Við getum leikið okkur enn frekar. Prófum til dæmis að gera eftirfarandi breytingar:

• Hnikum hverjum gagnapunkti örlítið til (jitter) til að hægt sé að gera greinarmun á gagnapunktum tveggja eða fleiri þátttakenda með alveg eins gildi: geom_jitter()
• Teiknum bestu línu: geom_smooth(method = lm)

ggplot(data = gagnasafn, mapping = aes(x = timastimpill, y = hvad.er.kl, color = timi.rett.skradur)) + 
  geom_jitter() +
  geom_smooth(method = lm) +
  labs(
        x = "Hvenær var könnun send inn (sjálfvirk tímaskráning)?", 
        y = "Hvað er klukkan samkvæmt þátttakanda?", 
        color = "Er tíminn rétt skráður?"
       ) 

Besta línu er sýnd fyrir hvern undirhóp, þ.e. þá sem skráðu tímann sinn rétt og þá sem skráðu tímann sinn rangt. Ef við hefðum gert einfaldara drifrit sem einungis sýndi samband x og y (en hefði engar upplýsingar um undirhópa) þá hefði jafna bestu línu verið teiknuð fyrir öll gögnin í gagnasafninu óháð hópi.

Meðaltöl (means), staðalfrávik (standard deviations), öryggisbil (confidence intervals) og villustrik (error bars)

ggplot(data = gagnasafn, mapping = aes(x = tomatar.eru.avextir, y = hve.vondar.godar.olifur)) + 
  geom_bar(
    stat = "summary", 
    fun.y = "mean"
  ) +
  labs(
    x = "Hversu ósammála eða sammála ertu eftirfarandi fullyrðingu? Tómatar eru ávextir", 
    y = "Hversu bragðvondar/bragðgóðar finnst fólki ólífur (meðaltal)?"
  )

ggplot(data = gagnasafn, aes(x = timastimpill, y = haed.cm)) +
  geom_line(
    stat = "summary", 
    fun.y = "mean"
  ) +
  labs(
    x = "Hvenær var könnun send inn (sjálfvirk tímaskráning)", 
    y = "Meðalhæð (cm)"
  )

ggplot(data = gagnasafn, aes(x = timastimpill, y = haed.cm, color = eru.sokkar.svartir)) +
  geom_line(
    stat = "summary", 
    fun.y = "mean"
  ) +
  labs(
    x = "Hvenær var könnun send inn (sjálfvirk tímaskráning)", 
    y = "Meðalhæð (cm)",
    color = "Ertu í svörtum sokkum núna?"
  )

install.packages("Hmisc")

library("Hmisc")

ggplot(data = gagnasafn, mapping = aes(x = tomatar.eru.avextir, y = hve.vondar.godar.olifur)) + 
  geom_bar(
    stat = "summary", 
    fun.y = "mean"
  ) +
  labs(
    x = "Hversu ósammála eða sammála ertu eftirfarandi fullyrðingu? Tómatar eru ávextir", 
    y = "Hversu bragðvondar eða bragðgóðar finnst þér ólífur?"
  ) +
  stat_summary(
    fun.data = mean_sdl, 
    fun.args = list(mult = 1),
    geom = "errorbar",
    width = 0.3
  )

ggplot(data = gagnasafn, mapping = aes(x = tomatar.eru.avextir, y = hve.vondar.godar.olifur)) + 
  geom_bar(
    stat = "summary", 
    fun.y = "mean"
  ) +
  labs(
    x = "Hversu ósammála eða sammála ertu eftirfarandi fullyrðingu? Tómatar eru ávextir", 
    y = "Hversu bragðvondar eða bragðgóðar finnst þér ólífur?"
  ) +
  stat_summary(
    fun.data = mean_cl_normal, 
    geom = "errorbar",
    width = 0.3
  )

Að stjórna útliti grafs handvirkt

Nú skulum við prófa að skoða hæðardreifingu þátttakenda aftur á stöplariti, en skilgreinum eftirfarandi:

1. Hvert bil (bin) verði 2 cm
2. Útlínur stöplanna verði fjólubláar
3. Stöplarnir verði fylltir með gulum lit
4. Stöplarnir verði hálfgegnsæir
5. X-ásinn nái frá 170 cm að 205 cm og y-ás frá 0 til 20
6. Tikkmerki (tick marks) verði sett á x-ás á fimm cm fresti
7. Báðum ásum verði gefnir lýsandi titlar

Þetta getum við gert svona (ath. passið vel upp á sviga, punkta, gæsalappir o.fl.):

ggplot(data = gagnasafn, mapping = aes(x = haed.cm)) + 
  geom_histogram(
    binwidth = 2,
    color="blueviolet", 
    fill="yellow",
    alpha = 0.2
  ) + 
  coord_cartesian(
    xlim = c(170, 205), 
    ylim = c(0, 20)
  ) + 
  scale_x_continuous(
    breaks = seq(170, 205, 5)
  ) +
  labs(
    x = "Hæð (cm)", 
    y = "Fjöldi þátttakenda"
  ) 

Skipunin byrjar eins og áður á ggplot(data = gagnasafn, mapping = aes(x = haed.cm)) + þar sem við segjum R að búa til graf, tengja það við gagnasafn, og bygga x-ás á hæð þátttakenda (og y-ás á fjölda þeirra). Næsta lína er sömuleiðis kunnugleg þar sem hún segir R að teikna stöplarit með hjálp aðgerðarinnar geom_histogram.

Aðgerðin geom_histogram er svo mötuð á ýmsum upplýsingum:

• binwidth (hvað hvert bil á að vera stórt)
• color (hvernig útlínur stöplanna eiga að vera á litinn)
• fill (með hvaða lit á að fylla stöplana)
• alpha (hversu gegnsæir stölparnir eiga að vera, þar sem 0.0 merkir fullkomlega gegnsætt og 1.0 merkir fullkomlega ógegnsætt).

Það er hægt að setja miklu fleiri stillingar, en um það getiði t.d. fræðst með því að skrifa kóðann ?geom_histogram sem opnar hjálparsíðu aðgerðarinnar. Hér má svo lesa nánar um liti, m.a. hvað þeir heita.

Ekki skiptir neinu sérstöku máli í hvaða röð við tilgreinum þessa fjóra eiginleika; enn fremur er ekkert sérstakt sem segir að við þurfum að setja hvern eiginleika í sérstaka línu. Við hefðum allt eins getað skrifað þetta svona allt í einni línu og fengið sömu niðurstöðu: geom_histogram(alpha = 0.2, color=“blueviolet”, binwidth = 2, fill=“blue”) + Mér er nokk sama um röðina, en það er gott að venja sig á að skrifa ekki kóða í belg og biðu heldur skipta á milli lína þar sem hægt er þannig að kóðinn verði skýr og læsilegur. Takið þó eftir plúsmerkinu á eftir sviganum, en það segir að ætlunin sé að bæta enn frekar við skipunum/lögum.

Næsta mál á dagskrá er að stilla stærð ásanna þannig að x-ás nái frá 170-205 cm og y-ás frá 0 til 20. Það er gert með því að kalla á aðgerðina coord_cartesian. Athugið að þetta er aðeins útlitsleg breyting – öll gögnin eru þarna ennþá en það er eins og við höfum “súmmað” inn á hluta grafsins á milli 150 og 205 cm á x-ás og á milli 0 og 20 á y-ás.

Til þess að stjórna tikkmerkjum á x-ás köllum við á aðgerðina scale_x_continuous, en til er samsvarandi aðgerð fyrir y-ás. Við segjum að merkja eigi á milli 170 cm og 205 cm með 5 cm millibili.

Að lokum köllum við á aðgerðina labs (stytting á labels) með skipuninni labs(x = “Hæð (cm)”, y = “Fjöldi þátttakenda”) þar sem við látum x-ás fá titilinn Hæð (cm) og y-ás titilinn Fjöldi þátttakenda.

Að stjórna útliti grafs með þemum

Ef þú vilt þá geturðu nær fullkomlega stjórnað útliti grafsins þíns með handafli, rétt eins og við gerðum hér fyrir ofan. Hægt er að stilla mun fleiri eiginleika heldur en þá sem við áttum við hér í grafinu hér fyrir ofan.

Það er aftur á móti önnur leið til, nefnilega að stórna útliti grafs með þema (theme). Þemu skilgreina alls konar útlitsþætti grafs, t.d. lit og leturstærð. Hægt er að láta þemu ráða öllu útliti grafs, eða þá að hægt er að kalla á þema en skilgreina einnig suma þætti sjálfur (svo sem að skilgreina sjálf fill=“blue”).

Ef ekkert þema er valið notar R sjálfvalið þema sem kallast theme_gray. Prófum aftur á móti að setja þema að nafni theme_minimal. Við skilgreinum sumt sjálf, eins og bilstærð (binwidth), en látum þemað um að velja gildi fyrir ýmislegt annað “á bak við tjöldin”:

ggplot(data = gagnasafn, mapping = aes(x = haed.cm)) + 
  geom_histogram(
    binwidth = 3
  ) + 
  labs(
    x = "Hæð (cm)", 
    y = "Fjöldi þátttakenda"
  ) +
  theme_minimal()

ggplot2 pakkinn er með fleiri þemu (hér má sjá dæmi). Auk þess eru til fleiri þemu í öðrum pökkum. Náum okkur í einn pakka til viðbótar, pakkann ggthemes (sjá dæmi um þemu hér). Eins og með aðra pakka þarf aðeins að ná í hann einu sinni:

install.packages("ggthemes")

Ef við viljum aftur á móti gera pakkann tiltækan þarf að tilkynna R það:

library("ggthemes")

Gerum stöplaritið aftur, en nú með þema úr ggthemes pakkanum sem kallast theme_tufte. Þemað er gert eftir tilmælum Edward Tufte sem er einn helsti gúrúinn á sviði myndrænnar framsetningar gagna, sjá Edward Tufte á Wikipedia:

ggplot(data = gagnasafn, mapping = aes(x = haed.cm)) + 
  geom_histogram(
    binwidth = 3
    ) + 
  coord_cartesian(
    xlim = c(150, 205)
    ) + 
  labs(
    x = "Hæð (cm)", 
    y = "Fjöldi þátttakenda"
  ) +
  theme_tufte()

Þegar þið gerið myndir getiði þó að sjálfsögðu valið ykkur annað þema. Almennt séð mæli ég með einföldum og skýrum þemum á borð við theme_tufte.

Að breyta röð gilda

Súlurit (bar charts) henta vel til samanburðar, sérstaklega til að bera saman eðlisólík atriði (á nafnkvarða). Notum nú súlurit bæði upprétt og á hlið til að skoða dreifingu breytunnar hvar.situr (Hvar siturðu yfirleitt í kennslustundum?). Hún tekur gildin Aftast, Í miðjunni og Fremst og er því tæknilega séð raðbreyta (Aftast < Í miðjunni < Fremst). R veit aftur á móti ekkert um það þar sem það er ekkert í gagnaskránni sjálfri sem gefur til kynna röð gildanna – nema þá bara stafrófsröð.

Prófum fyrst að sýna hvernig þátttakendur sitja í kennslustund með því að búa til upprétt súlurit. Keyrðu eftirfarandi kóða:

ggplot(data = gagnasafn, mapping = aes(x = hvar.situr)) + 
  geom_bar() + 
  labs(x = "Hvar siturðu yfirleitt í kennslustundum?", y = "Fjöldi þátttakenda")

Hér sést nokkuð vel að flestir segjast sitja í miðjunni og fæstir sitja fremst. Aftur á móti eru gildin í asnalegri röð; R raðar þeim eftir stafrófsröð sem er ekki endilega það sem við viljum.

gagnasafn <- mutate(  gagnasafn, 
                      hvar.situr = factor(  hvar.situr, 
                                            ordered = TRUE, 
                                            levels = c("Aftast", "Í miðjunni", "Fremst")
                                         )
                   )

ggplot(data = gagnasafn, mapping = aes(x = hvar.situr)) + 
  geom_bar() + 
  labs(
    x = "Hvar siturðu yfirleitt í kennslustundum?", 
    y = "Fjöldi þátttakenda"
  )

library("forcats")

ggplot(data = gagnasafn, mapping = aes(x = fct_infreq(hvar.situr))) + 
  geom_bar() + 
  labs(
    x = "Hvar siturðu yfirleitt í kennslustundum?", 
    y = "Fjöldi þátttakenda"
  )

ggplot(data = gagnasafn, mapping = aes(x = fct_rev(fct_infreq(hvar.situr)))) + 
  geom_bar() + 
  labs(
    x = "Hvar siturðu yfirleitt í kennslustundum?", 
    y = "Fjöldi þátttakenda"
  )

Að svissa ásum

Ef við viljum sýna hvar fólk situr á y-ási frekar en x-ási getum við teiknað grafið líkt og áður en kallað á aðgerðina coord_flip() líkt og við gerðum raunar hér fyrir ofan á kassariti:

ggplot(data = gagnasafn, mapping = aes(x = hvar.situr)) + 
  geom_bar() + 
  labs(
    x = "Hvar siturðu yfirleitt í kennslustundum?", 
    y = "Fjöldi þátttakenda"
  ) +
  coord_flip()