Post hoc synopsis

Во овој документ се посветивме повеќе на групирање на податоци според категорички вариабли и контруирање графици од такви групирани табели. Исто така дискутиравме малку повеќе за различните стилови на форматирање на код. Допревме малку на темата за користење на tidyverse пакети за поврзување со надворешни дата бази (без код). Конечно, воведовме и нов пакет за прикажување на географски податоци со фацети кои се позиционо (релативно) точни (geofacet).

Резиме

  • .Rmd (R Markdown) е околината во која ќе работиме;
  • Нов R Notebook: Мени: File -> New File -> R notebook
  • Корисни кратенки:
    • code chunks (ctrl+alt+i)
    • pipes %>% (ctrl+shift+m)
    • assignment ( <- )
    • view()
  • за едниот од графиконите ќе ви треба install.packages("geofacet")

Повторување: што е бавен ggplot?

„Бавен ggplot“ значи постепено пишување, наместо спојување на цели елементи заедно, како следи:

  • функцијата aes() е извадена од функцијата ggplot();
  • се користат помалку функции: на пр. labs() за наслов наместо ggtitle();
  • користење на функција повеќе пати, на пример: aes(x = var1) + aes(y = var2) наместо aes(x = var1, y = var2);
  • употреба на функции од base R и tidyverse. Сѐ друго се повикува со ::
  • сите аргументи се пишуваат експлицитно: aes(x = gdppercap), а не aes(gdppercap)
  • наредбите во ggplot се подредени така што реактивноста е очигледна; исто така прилагудувањата на scale се блиску до aes

Споредба на „обичен“ и „бавен“ ggplot

Вообичаено:

ggplot(my_data, aes(var1, y = var2, col = var3)) +
  geom_point() +
  ggtitle("My Title") +
  labs(x = "the x label", y = "the y label", col = "legend title")

Бавно:

ggplot(data = my_data) +
  aes(x = var1) +
  labs(x = "the x label") +
  aes(y = var2) +
  labs(y = "the y label") +
  geom_point() +
  aes(col = var3) +
  labs(col = "legend title") +
  labs(title = "My title")

Почнувате

Вчитајте го tidyverse.

library(tidyverse)

И вчитајте ги податоците од github страницата на tidytuesday.

school_diversity <- readr::read_csv("https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2019/2019-09-24/school_diversity.csv") 

Ѕирнете ги податоците

glimpse(school_diversity)
## Rows: 27,944
## Columns: 15
## $ LEAID        <chr> "0100002", "0100005", "0100005", "0100006", "0100006", "…
## $ LEA_NAME     <chr> "alabama youth services", "albertville city", "albertvil…
## $ ST           <chr> "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "A…
## $ d_Locale_Txt <chr> NA, "town-distant", "town-distant", "rural-distant", "ru…
## $ SCHOOL_YEAR  <chr> "1994-1995", "1994-1995", "2016-2017", "1994-1995", "201…
## $ AIAN         <dbl> 0.00000000, 0.00000000, 0.29373967, 0.10436857, 0.492350…
## $ Asian        <dbl> 0.5893910, 0.3207184, 0.5507619, 0.1341882, 0.2989274, 1…
## $ Black        <dbl> 71.7092338, 1.2828736, 3.1944189, 0.3727449, 1.0726218, …
## $ Hispanic     <dbl> 0.19646365, 4.52212957, 46.74132550, 0.90949754, 21.2941…
## $ White        <dbl> 27.504912, 93.874278, 46.778043, 98.479201, 75.804466, 9…
## $ Multi        <dbl> NA, NA, 2.441711, NA, 1.037454, NA, 4.089539, 4.300766, …
## $ Total        <dbl> 509, 3118, 5447, 6707, 5687, 7671, 13938, 10440, 1973, 2…
## $ diverse      <chr> "Diverse", "Extremely undiverse", "Diverse", "Extremely …
## $ variance     <dbl> NA, NA, 0.011556081, NA, NA, NA, 0.031555535, 0.00265660…
## $ int_group    <chr> NA, NA, "Highly integrated", NA, NA, NA, "Highly integra…

Имињата на колоните со мали букви

Ова е трансформација заради олеснување. Сакаме кога ќе правиме други трансформации да не грешиме во Total или d_Locale како што се оригиналните имиња на колоните.

names(school_diversity) <- c("leaid", "lea_name", "state", "locale", "school_year", "aian", "asian", "black", "hispanic", "white", "multi", "total", "diverse", "variance", "int_group")

Две визуелизации, идеи?

Секој круг да биде вредноста од total. Но тоа можеби се премногу податоци за на еден графикон (27.944). Можеби подобро групирање по тип (урбано/рурално/итн.) и посебни графикони (facet) да бидат регионите од САД. Но, нив ги нема во податоците.

Идеи, продолжено (за направи сам :-))

По сличен начин на размислување, групирај ги податоците по држава и подели ги (facet) по региони, така што за секоја држава ќе има по еден bar што ќе покажува ентичка распределба на учениците.

Региони во САД?

NE.abrv <- c("CT","ME","MA","NH","RI","VT","NJ","NY","PA")

MW.abrv <- c("IN","IL","MI","OH","WI","IA","KS","MN","MO","NE",
             "ND","SD")

S.abrv <- c("DE","DC","FL","GA","MD","NC","SC","VA","WV","AL",
            "KY","MS","TN","AR","LA","OK","TX")

W.abrv <- c("AZ","CO","ID","NM","MT","UT","NV","WY","AK","CA",
            "HI","OR","WA")

NE_tbl <- tibble(state=NE.abrv, region="Northeast")
MW_tbl <- tibble(state=MW.abrv, region="Midwest")
S_tbl  <- tibble(state=S.abrv,  region="South")
W_tbl  <- tibble(state=W.abrv,  region="West")

Не ги знаев регионите, ги ископирав од интернет.

Потоа спојуваме сѐ во еден tibble

region_df <- dplyr::bind_rows(NE_tbl, MW_tbl, S_tbl, W_tbl)

school_diversity_w_regions <- dplyr::left_join(x = school_diversity, y = region_df, by="state")

Што е tibble? R специфичен формат на dataframe што се користи во tidyverse. Не мора да се грижите за тоа сега.

Конструктивна дигресија

Можеби забележавте дека спојувањето се прави со left_join.

dplyr (што е библиотека дел од tidyverse) (и уште повеќе dbplyr) можат да се поврзат со надворешни бази на податоци (mySQL, PostgressSQL, SQLite) и да работат со податочни сетови кои се преголеми да се чуваат во една csv датотека.

Ова можеби е пренапредно за овој момент во учењето R, но убавото е во тоа што синтаксата е иста, ако научите dplyr, освен поврзување со датабазата што изгледа поразлично, сите други команди се исти.

dplyr

school_diversity <- school_diversity %>% 
  mutate(region = case_when( 
    is.element(state, NE.abrv) ~ "Northeast",
    is.element(state, MW.abrv) ~ "Midwest",
    is.element(state, S.abrv) ~ "South",
    is.element(state, W.abrv) ~ "West",
    TRUE ~ as.character(state)
  ))

Групирање

sd_grouped <- school_diversity_w_regions %>% 
  group_by(region, school_year, locale) %>%
  summarise_at(vars("total"),
    list("total_per_locale"=sum))

Bubble (slow gg) plot

ggplot(data = drop_na(sd_grouped)) +
  aes(x = total_per_locale / 10^5) + 
  labs(x = "Број на ученици (во сто илјади) ") +
  aes(y = school_year) +
  labs(y = "Години") +
  aes(size = total_per_locale) +
  labs(size = "total_per_locale") +
  aes(group = locale, color = locale) +
  scale_colour_viridis_d(option = "plasma") +
  geom_point(alpha = 0.25) +
  geom_jitter(size = 2.5, alpha = 0.25, width = 1) +
  facet_grid(rows = vars(region)) +
  ggthemes::theme_fivethirtyeight() +
  theme(legend.position = "bottom", legend.title = element_blank()) +
  theme(panel.spacing.y = unit(0.5, 'cm')) +
  guides(size=FALSE)