Grundlagen von ggplot2

Übungsdaten

In diesem Kapitel verwenden wir Daten aus gapminder. Gapminder wurde 2005 in Stockholm gegründet und sammelt globale Statistiken unter anderem zu Gesundheit, wirtschaftlicher Entwicklung und Bevölkerungsentwicklung. Mit den folgenden Befehlen erhalten Sie Zugriff auf die Daten von Gapminder:

install.packages("gapminder")
library(gapminder)
gapminder

Gapminder enthält die Variablen country, continent, year, lifeExp (Lebenserwartung), pop (Bevölkerungszahl) und gdpPercap (BIP pro Kopf). Diese Daten sind unsere Übungsdaten.

Das Package ggplot2 hat eine übergeordnete Funktion: ggplot(). Wir beginnen damit, ggplot() zu schreiben und das Argument data anzugeben. Wenn dieser Code ausgeführt wird, erhalten wir die folgende Abbildung.

ggplot(data=gapminder)

Oben sehen wir nur ein leeres graues Rechteck. Das liegt daran, dass der Grafik zwei Komponenten fehlen:

1. Ästhetisches Mapping: aes()
2. Geometrische Komponenten: geom()

Wir fahren fort, indem wir aes() hinzufügen und dort angeben, dass x gleich year und y gleich pop ist. Das Ergebnis ist weiterhin eine leere Grafik, nun aber mit festgelegter x-Achse und y-Achse:

ggplot(data=gapminder,
       aes(x=year,
           y=pop))

Die Grafik ist leer, weil ihr geom() fehlt, das die geometrischen Komponenten definiert. Wir fügen geom_points() hinzu, womit wir festlegen, dass wir Punkte in der Grafik sehen möchten:

ggplot(data=gapminder,
       aes(x=year,
           y=pop)) +
  geom_point()

Das bedeutet: In ggplot() legt man eine Datenquelle und ein ästhetisches Mapping (aes()) mit unter anderem x-Achse und y-Achse fest und fügt anschließend Ebenen mit geometrischen Komponenten hinzu (zum Beispiel geom_point()). geom_point() hat das ästhetische Mapping also von ggplot() geerbt!

Labels (Beschriftungen)

Beschriftungen verdeutlichen den Inhalt einer Grafik. Der englische Begriff lautet labels und wird im Folgenden auch hier verwendet. Labels werden mit der Funktion labs() angegeben. Sie können Labels für x-Achse, y-Achse, Titel, Untertitel, Bildunterschrift usw. festlegen. Ein Beispiel:

ggplot(data=gapminder,
       aes(x=year,
           y=pop)) +
  geom_point() +
  labs(x="Year",
       y="Population",
       tag="A",
       title="Titeln på grafen",
       subtitle="Undertiteln på grafen",
       caption="Figurförklaring hamnar här.")

Allmählich werden es einige Zeilen Code. Damit klar ist, was in jedem Codeblock neu ist, wird dies im Folgenden mit dem Kommentar #NEU markiert.

Scientific notation deaktivieren

Beachten Sie die y-Achse der vorherigen Grafik. Die Werte werden in scientific notation (wissenschaftlicher Notation) dargestellt, die bei sehr großen oder sehr kleinen Zahlen aktiviert wird. Sie können dies mit folgendem Befehl deaktivieren:

options(scipen=999)

Wie oben erwähnt, erbt geom_point() das ästhetische Mapping (aes()) von ggplot(). Wir können dieses Mapping jedoch überschreiben, indem wir aes() in geom_point() angeben. Dann erbt geom_point() das Mapping nicht. Die folgende Grafik ist also identisch mit der vorherigen:

ggplot(data=gapminder) +
  # NEU
  geom_point(aes(x=year,
                 y=pop)) +
  labs(x="Year",
       y="Population",
       tag="A",
       title="Titeln på grafen",
       subtitle="Undertiteln på grafen",
       caption="Figurförklaring hamnar här.")

Das ästhetische Mapping ganz oben zu definieren ist vorteilhaft, weil man es dann nicht in jedem geom() wiederholen muss.

Färben wir nun die Punkte nach dem Kontinent ein, zu dem sie gehören. Dies geschieht in aes(), indem wir color=continent angeben:

ggplot(data=gapminder, aes(x=year,
                           y=pop,
                           # NEU
                           color=continent)) +
  geom_point() +
  labs(x="Year",
       y="Population",
       tag="A",
       title="Titeln på grafen",
       subtitle="Undertiteln på grafen",
       caption="Figurförklaring hamnar här.")

Rechts neben der Grafik befindet sich die Farbkodierung, deren Label "continent" angepasst werden muss. Ein Label lässt sich in labs() mit dem Argument color angeben.

ggplot(data=gapminder, aes(x=year,
                           y=pop,
                           color=continent)) +
  geom_point() +
  labs(x="Year",
       y="Population",
       tag="A",
       title="Titeln på grafen",
       subtitle="Undertiteln på grafen",
       caption="Figurförklaring hamnar här.",
       # NEU
       color="Kontinent")

In gapminder gibt es für jedes Land mehrere Zeilen. Im nächsten Schritt summieren wir die Bevölkerungszahl je Kontinent und Kalenderjahr. Dazu verwenden wir dplyr wie folgt:

gapminder_summary <- gapminder |>
  # Nach continent und year gruppieren
  group_by(continent, year) |>
  # Summe von pop berechnen (für jeden Kontinent und jedes Jahr)
  summarise(population = sum(pop)) |>
  # Gruppierung im Data Frame aufheben
  ungroup()

## Daten ansehen
gapminder_summary

Berechnen wir die Gesamtbevölkerung je Kontinent und Kalenderjahr:

ggplot(gapminder_summary,
       aes(x=year,
       y=population,
       color=continent)) +
  geom_point()

Wir fügen eine Linie zwischen den Punkten hinzu, um den Trend deutlicher zu sehen:

ggplot(gapminder_summary,
       aes(x=year, y=population, color=continent)) +
  geom_point() +
  # NEU
  geom_line()

Mit geom_text() können Sie Text hinzufügen. Wir fügen nun geom_text() hinzu, um die Bevölkerungszahl an jedem Datenpunkt anzuzeigen. Auch geom_text() hat ein ästhetisches Mapping. Hier geben wir nur das Argument label an, das wir als die Variable population definieren. Der x-Wert und der y-Wert für geom_text() werden von ggplot() geerbt.

ggplot(gapminder_summary,
       aes(x=year, y=population, color=continent)) +
  geom_point() +
  geom_line() +
  # NEU
  geom_text(aes(label=population))

Wir wiederholen genau dasselbe Vorgehen, jedoch mit geom_label() statt geom_text(). Mit geom_label() erhält der Text einen Hintergrund, der ihn besser sichtbar macht:

Beide obigen Grafiken sind suboptimal, weil die Labels zu dicht beieinander stehen. Wir brauchen eine Funktion, die Labels automatisch voneinander trennen kann. Diese bietet das Package ggrepel, dessen Funktion geom_text_repel() Text automatisch auseinanderrückt. Das Package entfernt Datenpunkte, die sich nicht sinnvoll darstellen lassen. Das Ergebnis ist in der Regel zufriedenstellend:

install.packages("ggrepel")
library(ggrepel)

ggplot(gapminder_summary,
       aes(x=year, y=population, color=continent)) +
  geom_point() +
  geom_line() +
  # NEU
  geom_text_repel(aes(label=population))

Das ist immer noch unübersichtlich. Möglicherweise ist es informativ genug, nur die Zahlen des ersten und des letzten Jahres anzugeben. Dazu berechnet man die maximale bzw. minimale Zahl der Menschen auf jedem Kontinent. Diese Berechnungen werden durchgeführt und in den Objekten max_population und min_population gespeichert, die anschließend ebenfalls in ggplot() verwendet werden:

## Berechnet die größte Bevölkerung jedes Kontinents
max_population <- gapminder_summary %>%
  group_by(continent) %>%
  arrange(continent, desc(population)) %>%
  distinct(continent, .keep_all = T)

## Berechnet die kleinste Bevölkerung jedes Kontinents
min_population <- gapminder_summary %>%
  group_by(continent) %>%
  arrange(continent, population) %>%
  distinct(continent, .keep_all = T)

## Visualisiert
ggplot(gapminder_summary,
       aes(x=year, y=population, color=continent)) +
  geom_point() +
  # NEU
  # Text für Maximalwerte
  geom_label_repel(data=max_population,
                  aes(x=year, y=population, color=continent, label=population)) +
  # NEU
  # Text für Minimalwerte
  geom_label_repel(data=min_population,
                  aes(x=year, y=population, color=continent, label=population))

Nun verwenden wir geom_hline() und geom_vline(), um horizontale und vertikale Referenzlinien hinzuzufügen. Diese werden üblicherweise hinter den Datenpunkten platziert, weshalb sie im Code vor den Datenpunkten (geom_point()) deklariert werden müssen. Wir setzen Linien auf zwei Niveaus der y-Achse (festgelegt mit dem Argument yintercept), wie unten gezeigt:

ggplot(data=gapminder, aes(x=year,
                           y=pop,
                           color=continent)) +
  geom_point() +

  # NEU
  geom_hline(aes(yintercept=1000000000)) +
  geom_hline(aes(yintercept=500000000)) +

  labs(x="Year",
       y="Population",
       tag="A",
       title="Titeln på grafen",
       subtitle="Undertiteln på grafen",
       caption="Figurförklaring hamnar här.")

Mit geom_rect() lässt sich ein Bereich definieren, und zwar wie folgt:

ggplot(data=gapminder, aes(x=year,
                           y=pop,
                           color=continent)) +
  # NEU
  geom_rect(aes(xmin=1960, xmax=1990, ymin=500000000, ymax=100000000)) +

  geom_point() +

  labs(x="Year",
       y="Population",
       tag="A",
       title="Titeln på grafen",
       subtitle="Undertiteln på grafen",
       caption="Figurförklaring hamnar här.")

Mit geom_segment() können Sie besonders interessante Punkte markieren. Die Funktion hat das Argument arrow, um Pfeile zu zeichnen.

Beachten Sie, dass die y-Achse einen sehr großen Wertebereich mit großen Unterschieden zwischen den Datenpunkten aufweist. In solchen Fällen ist es vorteilhaft, die Variable zu logarithmieren. Wir logarithmieren die y-Achse, indem wir die Funktion scale_y_log10() hinzufügen, die alle y-Werte logarithmiert. Das bedeutet, dass Sie mathematische Berechnungen im Rahmen der Visualisierung durchführen können (die Datenquelle wird nicht verändert).

ggplot(data=gapminder, aes(x=year,
                           y=pop,
                           color=continent)) +
  geom_point() +
  # NEU
  scale_y_log10()