Interacción entre variables cuantitativas, discretas y geoms geométricos básicos en ggplot2: puntos, barras y rectángulos

Qué son las marcas gráficas

Las marcas gráficas son elementos gráficos básicos con los que vamos a representar los datos del conjunto de datos, y que en ggplot2 se generan con las diversas funciones geom_.

Podemos distinguir entre las marcas gráficas elementales (puntos, líneas, áreas) y las marcas compuestas, como el boxplot que calcula puntos (estadísticos) y los dibuja como un tipo de caja delimitada por el primer y el tercer cuartil de una variable cuantitativa, a la que se le añade una línea para identificar la mediana, otras líneas para representar los bigotes y, en el caso de que los haya, un punto por cada outlier.

Un problema con el que nos encontraremos muy habitualmente es el problema del overploting, que ocurre cuando una marca tapa a otra. Si al ver el gráfico interpretamos que hay una única marca, donde realmente hay dos (o más), nuestra interpretación será errónea.

Este problema es habitual en conjuntos con muchos datos, pero con dos únicos puntos también puede darse:

tipo <- c("A","B")
x <- c(1,1)
y <- c(1,1)

datos <- as_tibble(tipo = tipo,
                   x = x,
                   y = y)

ggplot(datos, aes(x,y, color = tipo)) +
  geom_point(size = 10)

¿Dónde está el punto de tipo A? Oculto, tapado por el punto de tipo B.

position = "jitter" aplica la técnica del jittering, que asigna un desplazamiento aleatorio a las marcas gráficas (podemos jugar con varios parámetros para limitar el desplazamiento a un único eje, o la distancia máxima a la que se puede desplazar una marca desde su punto de origen).

ggplot(datos, aes(x,y, color = tipo)) +
  geom_point(position = "jitter", size = 10)

Como veremos en varios ejemplos, este problema es habitual cuando trabajamos con variables discretas.

¿Cuántas marcas se van a dibujar?

Para comprender mejor la interacción entre las variables y los geoms, vamos a intentar adivinar cuántas marcas gráficas se van a generar cuando creamos un gráfico dado.

El número total de marcas que se generarán depende de los siguientes factores:

• Geoms usados: algunos geoms como point, tile… generan una marca por cada fila del conjunto de datos, mientras que otros generan “zonas” (cada una tendrá una marca gráfica) y realizan algún cálculo sobre esas zonas, por defecto contar el número de filas que “caen” en esa zona. Finalmente, tenemos geoms que generan una “marca compuesta”, como boxplot (que computa varios estadísticos y los resume en un rectángulo, unas líneas, y puntos en el caso de outliers extremos) o violin. De estos últimos hablaremos en otro post.

• En el caso de los geoms cuyos stats realizan cuentas (histogram, bin2d, hex), argumentos como bins o binwidth discretizan la(s) variable(s) continua(s) y establecen el número de marcas gráficas que se generarán.

Para todos los ejemplos vamos a usar el conjunto de datos mpg de ggplot2, que tiene 234 filas y 11 columnas.

library(ggplot2)
head(mpg)

## # A tibble: 6 x 11
##   manufacturer model displ  year   cyl trans      drv     cty   hwy fl    class 
##   <chr>        <chr> <dbl> <int> <int> <chr>      <chr> <int> <int> <chr> <chr> 
## 1 audi         a4      1.8  1999     4 auto(l5)   f        18    29 p     compa~
## 2 audi         a4      1.8  1999     4 manual(m5) f        21    29 p     compa~
## 3 audi         a4      2    2008     4 manual(m6) f        20    31 p     compa~
## 4 audi         a4      2    2008     4 auto(av)   f        21    30 p     compa~
## 5 audi         a4      2.8  1999     6 auto(l5)   f        16    26 p     compa~
## 6 audi         a4      2.8  1999     6 manual(m5) f        18    26 p     compa~

Variables continuas

geom_point genera un punto por cada fila del conjunto de datos.

ggplot(mpg, aes(x = cty)) +
  geom_point()

## Error: geom_point requires the following missing aesthetics: y

Por defecto geom_point() nos pide dos variables, pero podemos trabajar con una sola, asignando un valor constante a la segunda variable de posicionamiento.

ggplot(mpg, aes(x = cty, y = 0)) +
  geom_point()

Como ha hemos mencionado, el conjunto de datos consta de 234 filas, y geom_point() dibuja un punto por cada una de ellas. ¿Dónde están los puntos que faltan?

Estamos ante un claro caso de overploting. Si aplicamos un pequeño desplazamiento aleatorio a cada punto, podremos ver que los puntos estaban ahí desde el principio.

ggplot(mpg, aes(x = cty, y = 0)) +
  geom_point(position = "jitter")

Si asignamos dos variables continuas (que es lo que pide geom_point por defecto, obtenemos un gráfico de dispersión o scatterplot:

ggplot(mpg, aes(cty, hwy)) +
  geom_point()

En este caso volvemos a tener overploting, como podemos apreciar al aplicar la técnica de jittering (podemos fijarnos, por ejemplo, en el en el punto 8,12 -más o menos- del gráfico original).

ggplot(mpg, aes(cty, hwy)) +
  geom_point(position = "jitter")

Variables discretas

ggplot(mpg, aes(x = drv)) +
  geom_point()

## Error: geom_point requires the following missing aesthetics: y

ggplot(mpg, aes(x = drv, y = 0)) +
  geom_point()

El problema del overploting se acentúa cuando trabajamos con variables discretas de pocos niveles.

ggplot(mpg, aes(x = drv, y = 0)) +
  geom_point(position = "jitter")

ggplot(mpg, aes(x = drv, y = class)) +
  geom_point()

ggplot(mpg, aes(x = drv, y = class)) +
  geom_point(position = "jitter")

Variables discretas y continuas

ggplot(mpg, aes(x = cty, y = class)) +
  geom_point()

ggplot(mpg, aes(x = cty, y = class)) +
  geom_point(position = "jitter")

Dos variables continuas

ggplot(mpg, aes(cty, hwy)) +
  geom_tile(color = "white")

ggplot(mpg, aes(cty, hwy)) +
  geom_bin2d(color = "white")

ggplot(mpg, aes(cty, hwy)) +
  geom_hex(color = "white")

Variables continuas y discretas

ggplot(mpg, aes(cty, drv)) +
  geom_tile(color = "white")

ggplot(mpg, aes(cty, trans)) +
  geom_hex(color = "white")

Curiosamente geom_hex() no muestra un mensaje de error al mapearle una variable categórica, pero obviamente el resultado no es el esperado.

Dos variables discretas

ggplot(mpg, aes(drv, class)) +
  geom_tile(color = "white")

ggplot(mpg, aes(drv, class)) +
  geom_bin2d(color = "white")

ggplot(mpg, aes(drv, class)) +
  geom_hex(color = "white")

Volvamos al problema del overploting

Ya hemos mencionado que el overploting se da habitualmente cuando trabajamos con variables discretas (que generalmente generan menos posiciones que las cuantitativas) y el geom dibuja una marca por cada fila, ya que las marcas se van apilando perfectamente una sobre la otra, dando la sensación de que solo hay una.

Hemos usado position = "jitter" para “desenmascarar” el problema con geom_point(), pero ¿qué pasa con geom_bar(), geom_tile() o geom_bin2d()?

Si aplicamos jittering a un gráfico de barras, veremos que efectivamente las barras aparecen ligeramente desplazadas, pero tenemos una única barra/marca gráfica por cada nivel de la variable discreta:

ggplot(mpg, aes(class)) +
  geom_bar(position = "jitter", color = "white")

ggplot(mpg, aes(class)) +
  stat_summary(aes(y = cty), fun = median, geom = "col", color = "white", position = "jitter")

Si cruzamos dos variables discretas, se creará una marca por cada cruce con datos y, en el caso de geom_col se irán apilando una sobre la otra, ya que esa las configuración por defecto de position para ese geom..

ggplot(mpg, aes(class, cty)) +
  geom_col(color = "white")

¿Y los geoms rectangulares?

ggplot(mpg, aes(drv, class)) +
  geom_tile(color = "white")

ggplot(mpg, aes(drv, class)) +
  geom_bin2d(color = "white", position = "jitter")

ggplot(mpg, aes(drv, class)) +
  geom_tile(color = "white", position = "jitter")

El comportamiento es el que ya hemos observado hasta ahora con otros geoms:

• Los geoms que tienen un stat que cuenta (geom_bin2()) crean una única marca por cada localización; el número total de marcas viene dado por los argumentos de clasificación (bins, bindwidth).
• geom_tile() funciona como geom_point(), creando una marca por cada fila del conjunto de datos, y si el punto dentral coincide, las va superponiendo.

Es importante que seamos conscientes de este funcionamiento de ggplot, ya que de otra forma podemos cometer errores de bulto a la hora de interpretar los gráficos que creamos, sobre todo si añadimos nuevas variables.

ggplot(mpg, aes(drv, class, fill = model)) +
  geom_tile(color = "white")

Visto este gráfico, interpretaríamos, por ejemplo, que solo hay un modelo de tipo suv y 4, que sería el gti o el impreza awd (ahora mismo conocer el color exacto no es importante, ya que partimos de que el gráfico es incorrecto). Sin embargo esta interpretación es incorrecta, ya que gti o impreza awd es simplemente la última fila que tiene los valores suv y 4 para las variables que hemos mapeado en x e y.

La leyenda de color nos está dando una pista de que en el gráfico hay más de lo que vemos, porque muestra más niveles de color que marcas vemos.

Si aplicamos jittering lo vemos mejor:

ggplot(mpg, aes(drv, class, fill = model)) +
  geom_tile(color = "white", position = "jitter")

Así que con un poco de dplyr y una paleta de color personalizada, podemos crear nuestro propio Mondrian con unas pocas líneas de código.

mondrian_colors <- c(
"d" = "#fff001",
"e" = "#ff0101",
"p" = "#0101fd",
"r" = "#f9f9f9",
"c" = "#30303a"
)

mondrian_data_1 <- mpg %>% 
  filter(fl %in% c("d","e"))

mondrian_data_2 <- mpg %>% 
  filter(fl == "p") %>% 
  top_n(5,cty)

mondrian_data_3 <- mpg %>% 
  filter(fl == "r") %>% 
  top_n(3, cty)

mondrian_data <- bind_rows(mondrian_data_1, mondrian_data_2, mondrian_data_3)

ggplot(mondrian_data, aes(drv, trans, fill = fl)) +
  geom_tile(position = "jitter", color = "black") +
  theme_void() +
  scale_fill_manual(values = mondrian_colors) +
  guides(fill = FALSE)