4  Wizualizacja danych

Prezentacja

4.1 Wprowadzenie

Będziemy działać na zbiorze dotyczącym sprzedaży w sklepach: rossmann.xlsx i rossmann.RData.

library(tidyverse)

# library(readxl)
# 
# rossmann <- read_xlsx("data/rossmann.xlsx")
#
# save(rossmann, file="data/rossmann.RData")

# natywny format, mniejszy rozmiar, szybsze wczytywanie
load("data/rossmann.RData")

sklep77 <- rossmann %>%
  filter(sklep_id==77, czy_otwarty=="Tak")

Do prostych wykresów można wykorzystać wbudowaną funkcję plot.

plot(sklep77$sprzedaz, sklep77$liczba_klientow, 
     xlab = "Sprzedaż", ylab = "Liczba klientów",
     main = "Sprzedaż i liczba klientów w sklepie Rossmann nr 77")

Jej możliwości są jednak ograniczone i stworzenie bardziej zaawansowanych grafik będzie wymagające.

Wiodącym pakietem do wizualizacji danych w R jest ggplot2:

• dokumentacja: https://ggplot2.tidyverse.org/
• cheatsheet
• tworzenie wykresów poprzez dodawanie (+) kolejnych warstw

4.2 Wykres punktowy

Ten sam wykres co wcześniej, ale z wykorzystaniem pakietu ggplot2.

Wykonanie krok po kroku:

1. Utworzenie siatki - określenie co chcemy na wykresie przedstawić

ggplot(data = sklep77, aes(x=sprzedaz, y=liczba_klientow))

W zależności od typu wykresu w funkcji aes mogą znaleźć się argumenty:

• x
• y
• fill
• size
• color
• shape

2. Określenie w jaki sposób chcemy te dane przedstawić - funkcja zawsze zaczyna się od geom_:

ggplot(data = sklep77, aes(x=sprzedaz, y=liczba_klientow)) +
  geom_point()

3. Edytowanie etykiet osi - funkcje xlab i ylab:

ggplot(data = sklep77, aes(x=sprzedaz, y=liczba_klientow)) +
  geom_point() +
  xlab("Sprzedaż") +
  ylab("Liczba klientów")

4. Dodanie tytułu - funkcja ggtitle

ggplot(data = sklep77, aes(x=sprzedaz, y=liczba_klientow)) +
  geom_point() +
  xlab("Sprzedaż") +
  ylab("Liczba klientów") +
  ggtitle("Sprzedaż i liczba klientów w sklepie Rossmann nr 77")

5. Zmiana motywu - funkcja rozpoczynająca się od theme_:

ggplot(data = sklep77, aes(x=sprzedaz, y=liczba_klientow)) +
  geom_point() +
  xlab("Sprzedaż") +
  ylab("Liczba klientów") +
  ggtitle("Sprzedaż i liczba klientów w sklepie Rossmann nr 77") +
  theme_light()

Dostępne motywy:

• theme_bw
• theme_classic
• theme_dark
• theme_gray
• theme_light
• theme_linedraw
• theme_minimal
• theme_void

Powyższe motywy są zaimplementowane w pakiecie ggplot2, ale można także skorzystać z dodatkowych pakietów:

• theme_bbc
• theme_xkcd

Albo stworzyć swój własny motyw.

Zadanie

Zmień motyw wykresu na wybrany przez siebie.

Dodamy teraz do wykresu kolejną cechę - rozpoczęcie promocji, żeby sprawdzić czy istnieje jakaś tendencja.

ggplot(data = sklep77, aes(x=sprzedaz, y=liczba_klientow, color=czy_promocja)) +
  geom_point() +
  xlab("Sprzedaż") +
  ylab("Liczba klientów") +
  ggtitle("Sprzedaż i liczba klientów w sklepie Rossmann nr 77") +
  theme_light()

Okazuje się dosyć interesująco, niemniej nazwa etykiety legendy nie wygląda zbyt dobrze. Żeby to poprawić musimy użyć funkcji scale_

ggplot(data = sklep77, aes(x=sprzedaz, y=liczba_klientow, color=czy_promocja)) +
  geom_point() +
  xlab("Sprzedaż") +
  ylab("Liczba klientów") +
  scale_color_discrete(name = "Promocja") +
  ggtitle("Sprzedaż i liczba klientów w sklepie Rossmann nr 77") +
  theme_light()

W funkcji scale_ musimy podać w jaki sposób daną cechę wizualizujemy (x/y/color/…) oraz jakiego jest typu. Oprócz nazwy w tej funkcji możemy określić wiele innych kwestii takich jak:

• wyświetlane etykiety
• początek i koniec osi
• kolory wariantów
• etykiety wariantów

ggplot(data = sklep77, aes(x=sprzedaz, y=liczba_klientow, color=czy_promocja)) +
  geom_point() +
  scale_x_continuous(name = "Sprzedaż") +
  scale_y_continuous(name = "Liczba klientów") +
  scale_color_discrete(name = "Promocja") +
  ggtitle("Sprzedaż i liczba klientów w sklepie Rossmann nr 77") +
  theme_light()

Zmiana pozycji legendy możliwa jest z wykorzystaniem funkcji theme:

ggplot(data = sklep77, aes(x=sprzedaz, y=liczba_klientow, color=czy_promocja)) +
  geom_point() +
  scale_x_continuous(name = "Sprzedaż") +
  scale_y_continuous(name = "Liczba klientów") +
  scale_color_discrete(name = "Promocja") +
  ggtitle("Sprzedaż i liczba klientów w sklepie Rossmann nr 77") +
  theme_light() +
  theme(legend.position = "bottom")

ggplot(data = sklep77, aes(x=sprzedaz, y=liczba_klientow, color=czy_promocja)) +
  geom_point() +
  geom_smooth(method = "lm") +
  scale_x_continuous(name = "Sprzedaż") +
  scale_y_continuous(name = "Liczba klientów") +
  scale_color_discrete(name = "Promocja") +
  ggtitle("Sprzedaż i liczba klientów w sklepie Rossmann nr 77") +
  theme_light() +
  theme(legend.position = "bottom")

`geom_smooth()` using formula = 'y ~ x'

4.3 Histogram

Rozkład cechy można ocenić na podstawie histogramu - domyślnie rysowanych jest 30 słupków.

ggplot(data = sklep77, aes(x=sprzedaz)) +
  geom_histogram()

`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

W funkcji geom_histogram można podać liczbę słupków (bins) albo ich szerokość (binwidth). Poniżej zastosowano słupki o szerokości 1000 euro.

ggplot(data = sklep77, aes(x=sprzedaz)) +
  geom_histogram(binwidth = 1000)

Dodatkowo w tej funkcji można określić kwestie estetyczne - kolory obramowania i wypełnienia słupków.

ggplot(data = sklep77, aes(x=sprzedaz)) +
  geom_histogram(binwidth = 500, color = "black", fill = "green")

Pełna lista nazw kolorów znajduje się tutaj.

Z wykorzystaniem funkcji scale_ zmieniamy nazwy osi (name), granice (limits) oraz wskazania liczbowe (breaks). Te dwie ostatnie wartości musimy deklarować jako wektory z wykorzystaniem funkcji c().

ggplot(data = sklep77, aes(x=sprzedaz)) +
  geom_histogram(binwidth = 500, 
                 color = "black", fill = "green") +
  scale_x_continuous(name = "Sprzedaż", 
                     limits = c(4000,17000),
                     breaks = c(5000, 8000, 11000)) +
  scale_y_continuous(name = "Liczebność",
                     limits = c(0,50))

Warning: Removed 2 rows containing missing values (`geom_bar()`).

Można zaumatyzować proces dobierania wskazań liczbowych z wykorzystaniem funkcji seq opisanej szerzej w rozdziale 2.1.2.

ggplot(data = sklep77, aes(x=sprzedaz)) +
  geom_histogram(binwidth = 500, 
                 color = "black", fill = "green") +
  scale_x_continuous(name = "Sprzedaż", 
                     limits = c(4000,17000),
                     breaks = seq(4000, 17000, 1500)) +
  scale_y_continuous(name = "Liczebność",
                     limits = c(0,50))

Warning: Removed 2 rows containing missing values (`geom_bar()`).

4.4 Wykres pudełkowy

Wykres pudełkowy umożliwia porównywanie rozkładów cechy wg zmiennej grupującej. Wymogiem jest aby na osi x znajdowała się zmienna grupująca, a na osi y cecha analizowana.

Przeanalizujemy sprzedaż według kolejnych dni tygodnia.

ggplot(sklep77, aes(x=dzien_tyg, y=sprzedaz)) + geom_boxplot()

Warning: Continuous x aesthetic
ℹ did you forget `aes(group = ...)`?

Zdecydowanie nie jest wykres jakiego oczekiwaliśmy. Wynika to z faktu, że dzień tygodnia w zbiorze danych jest zapisany jako zmienna numeryczna, natomiast prawidłowym typem dla zmiennej grupującej jest typ tekstowy lub czynnik (faktor). Ten typ danych został szczegółowo opisany w części 2.3.

Dokonujemy zatem zamiany typu danych:

sklep77 <- sklep77 %>%
  mutate(dzien_tyg=factor(x = dzien_tyg,
                          levels = 1:6,
                          labels = c("Pon", "Wt", "Śr", "Czw", "Pt", "Sob"),
                          ordered = TRUE))

ggplot(sklep77, aes(x=dzien_tyg, y=sprzedaz)) +
  geom_boxplot() 

Z tego wykresu można już odczytać, że najwyższa mediana sprzedaży występuje w poniedziałek, a najniższa w środę.

Jeżli kategorii jest dużo to można obrócić wykres z wykorzystaniem funkcji coord_flip.

ggplot(sklep77, aes(x=dzien_tyg, y=sprzedaz)) +
  geom_boxplot() +
  coord_flip()

Użycie tej funkcji powoduje wyłącznie obrócenie wykresu. Nazwy osi nie uległy zmianie pomimo, że zostały zamienione. Odwrócimy jeszcze kolejność etykiet dnia tygodnia, tak aby na górze był poniedziałek.

ggplot(sklep77, aes(x=dzien_tyg, y=sprzedaz)) +
  geom_boxplot() +
  coord_flip() +
  scale_x_discrete(limits = rev(levels(sklep77$dzien_tyg)))

4.5 Wykres słupkowy

W zależności od typu danych wejściowych, wykres słupkowy można stworzyć na dwa sposoby:

• dane jednostkowe - geom_bar - funkcja sama oblicza wartości do wyświetlenia,
• dane zagregowane - geom_col - funkcja otrzymuje już obliczone wartości.

Sprawdźmy ile jest sklepów o danym asortymencie. W tym celu potrzebujemy informację o sklepie i typie oferowanego asortymentu.

rossmann_asort <- rossmann %>%
  select(sklep_id, sklep_asort) %>%
  distinct()

glimpse(rossmann_asort)

Rows: 1,115
Columns: 2
$ sklep_id    <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 14, 15, 16, 17, 18,…
$ sklep_asort <chr> "Podstawowy", "Podstawowy", "Podstawowy", "Rozszerzony", "…

W funkcji aes podajemy tylko kolumnę zawierającą dane do zliczenia.

ggplot(rossmann_asort, aes(x=sklep_asort)) +
  geom_bar()

Natomiast użycie funkcji geom_col wymaga samodzielnego obliczenia wartości:

rossmann_asort2 <- rossmann_asort %>%
  count(sklep_asort)

glimpse(rossmann_asort2)

Rows: 3
Columns: 2
$ sklep_asort <chr> "Extra", "Podstawowy", "Rozszerzony"
$ n           <int> 9, 593, 513

Wartość do wyświetlenia podajemy w funkcji aes w argumencie y.

ggplot(rossmann_asort2, aes(x=sklep_asort, y=n)) +
  geom_col()

Uporządkujemy etykiety osi x (obecnie są wyświetlane w kolejności alfabetycznej) tworząc czynnik.

rossmann_asort2 <- rossmann_asort2 %>%
  mutate(sklep_asort=factor(x = sklep_asort,
                            levels = c("Podstawowy", 
                                       "Rozszerzony", 
                                       "Extra"), 
                            ordered = T))

glimpse(rossmann_asort2)

Rows: 3
Columns: 2
$ sklep_asort <ord> Extra, Podstawowy, Rozszerzony
$ n           <int> 9, 593, 513

ggplot(rossmann_asort2, aes(x=sklep_asort, y=n)) +
  geom_col()

Do wykresu słupkowego możemy dodać jeszcze jedną zmienną. W tym przypadku będzie to typ sklepu.

rossmann_asort3 <- rossmann %>%
  select(sklep_id, sklep_asort, sklep_typ) %>%
  distinct() %>%
  count(sklep_asort, sklep_typ) %>%
  mutate(sklep_asort=factor(x = sklep_asort,
                            levels = c("Podstawowy", 
                                       "Rozszerzony", 
                                       "Extra"), 
                            ordered = T))

glimpse(rossmann_asort3)

Rows: 9
Columns: 3
$ sklep_asort <ord> Extra, Podstawowy, Podstawowy, Podstawowy, Podstawowy, Roz…
$ sklep_typ   <chr> "b", "a", "b", "c", "d", "a", "b", "c", "d"
$ n           <int> 9, 381, 7, 77, 128, 221, 1, 71, 220

Uwzględnienie kolejnej zmiennej jest możliwe jako argument fill w funkcji aes.

ggplot(rossmann_asort3, aes(x=sklep_asort, y=n, fill=sklep_typ)) +
  geom_col()

Domyślnie kategorie są układane jedna na drugą - stack. Można je ułożyć obok siebie dodając argument position = "dodge" w funkcji geom_col.

ggplot(rossmann_asort3, aes(x=sklep_asort, y=n, fill=sklep_typ)) +
  geom_col(position = "dodge")

Możemy jeszcze dodać etykiety słupków wykorzystując funkcję geom_text, w której trzeba podać argumenty definujące położenie wartości etykiet. Wartości tych argumentów będą zależały od typu wykresu.

ggplot(rossmann_asort3, aes(x=sklep_asort, y=n, fill=sklep_typ)) +
  geom_col(position = "dodge") + 
  geom_text(aes(label = n), 
            position = position_dodge(width = 0.9),
            vjust = -0.3)

Zmienimy jeszcze nazwę legendy za pomocą funkcji scale_fill_discrete. Wykorzystujemy tę konkretną funkcję ze względu na to, że typ sklepu jest argumentem fill w funkcji aes oraz cechą jakościową (discrete).

ggplot(rossmann_asort3, aes(x=sklep_asort, y=n, fill=sklep_typ)) +
  geom_col(position = "dodge") + 
  geom_text(aes(label = n), 
            position = position_dodge(width = 0.9),
            vjust = -0.3) +
  scale_fill_discrete(name = "Typ sklepu")

4.6 Wykres kafelkowy

Do wizualizacji tabeli częstości można użyć wykresu kafelkowego. W tym celu najpierw zliczamy wystąpienia wariantów cech czy_promocja oraz czy_swieto_szkolne i wynik przekazujemy bezpośrednio do funkcji ggplot().

sklep77 %>%
  count(czy_promocja, czy_swieto_szkolne) %>%
  ggplot(aes(x = czy_promocja, 
             y = czy_swieto_szkolne,
             fill = n)) +
  geom_tile()

Aby dodać do tego wykresu etykiety posłużymy się funkcją geom_label()

sklep77 %>%
  count(czy_promocja, czy_swieto_szkolne) %>%
  ggplot(aes(x = czy_promocja, 
             y = czy_swieto_szkolne,
             fill = n)) +
  geom_tile() +
  geom_label(aes(label = n), color = "white")

Zwykle patrząc na wykres podświadomie zakładamy, że ciemniejszy kolor oznacza wyższe wartości, natomiast jasny małe liczby. W tym przypadku układ kolorów jest odwrócony. Musimy odpowiednio dobrać kolory, aby to poprawić. Bardzo przydatne narzędzie znajduje się pod adresem: http://colorbrewer2.org/. Następnie korzystamy z funkcji scale_fill_gradient, w której określamy tylko kolor początkowy i końcowy.

sklep77 %>%
  count(czy_promocja, czy_swieto_szkolne) %>%
  ggplot(., aes(x = czy_promocja, 
                y = czy_swieto_szkolne,
                fill = n)) +
  geom_tile() +
  geom_label(aes(label = n), color = "white") +
  scale_fill_gradient(low = "#66c2a4", 
                      high = "#005824")

4.7 Uwzględnienie czasu

Próba stworzenia wykresu przedstawiającego zmianę sprzedaży w czasie za pomocą oryginalnych danych spowoduje uzsykanie niezbyt czytelnej grafiki.

ggplot(sklep77, aes(x=data,
                    y=sprzedaz,
                    color=dzien_tyg)) +
  geom_point()

Wynika to z faktu, że dzien tygodnia jest traktowany jak zmienna numeryczna, a data jest zmienną tekstową. Konwersja tekstu na datę jest możliwa z wykorzystaniem pakietu lubridate. W tym pakiecie każda część daty ma swój akronim, który później jest wykorzystywany w odpowiednich funkcjach:

• y - rok (year)
• m - miesiąc (month)
• d - dzień (day)
• h - godzina (hour)
• m - minuta (minute)

Przykłady funkcji:

• ymd - konwertuje tekst zapisany w postaci rok-miesiąc-dzień na obiekt daty
• dmy_hm - konwertuje tekst zapisany w postaci dzień-miesiąc-rok godzina:minuta na obiekt daty
• month - pobiera z obiektu daty informację o miesiącu
• year - pobiera z obiektu daty informację o roku
• week - pobiera z obiektu daty informację o tygodniu roku

Według powyższych reguł korzystamy z funkcji ymd() do konwersji daty w naszym zbiorze.

library(lubridate)

sklep77a <- sklep77 %>%
  mutate(dzien_tyg=as.factor(dzien_tyg),
         data=ymd(data))

ggplot(sklep77a, aes(x=data,
                    y=sprzedaz,
                    color=dzien_tyg)) +
  geom_point()

4.8 Facets

sr_sprzedaz <- rossmann %>%
  filter(sprzedaz > 0) %>%
  group_by(sklep_id, sklep_asort) %>%
  summarise(sprzedaz_sr=mean(sprzedaz))

`summarise()` has grouped output by 'sklep_id'. You can override using the
`.groups` argument.

odleglosc <- rossmann %>%
  select(sklep_id, sklep_konkurencja) %>%
  distinct()

sprzedaz_odleglosc <- inner_join(sr_sprzedaz, odleglosc, by="sklep_id")

ggplot(sprzedaz_odleglosc, aes(x=sprzedaz_sr, y=sklep_konkurencja)) + 
  geom_point() +
  facet_wrap(~ sklep_asort)

Warning: Removed 3 rows containing missing values (`geom_point()`).

sr_sprzedaz_prom <- rossmann %>%
  filter(sprzedaz > 0) %>%
  group_by(sklep_id, czy_promocja) %>%
  summarise(sprzedaz_sr=mean(sprzedaz))

`summarise()` has grouped output by 'sklep_id'. You can override using the
`.groups` argument.

sprzedaz_prom_odl <- inner_join(sr_sprzedaz_prom, odleglosc)

Joining with `by = join_by(sklep_id)`

head(sprzedaz_prom_odl)

# A tibble: 6 × 4
# Groups:   sklep_id [3]
  sklep_id czy_promocja sprzedaz_sr sklep_konkurencja
     <dbl> <chr>              <dbl>             <dbl>
1        1 Nie                4288.              1270
2        1 Tak                5274.              1270
3        2 Nie                3902.               570
4        2 Tak                6295.               570
5        3 Nie                5286.             14130
6        3 Tak                8790.             14130

ggplot(sprzedaz_prom_odl, aes(x=sprzedaz_sr, y=sklep_konkurencja, color=czy_promocja)) + 
  geom_point()

Warning: Removed 6 rows containing missing values (`geom_point()`).

Zamiana reprezentacji danych na szeroką.

sprzedaz_prom_odl_wide <- sprzedaz_prom_odl %>%
  spread(czy_promocja, sprzedaz_sr)

head(sprzedaz_prom_odl_wide)

# A tibble: 6 × 4
# Groups:   sklep_id [6]
  sklep_id sklep_konkurencja   Nie    Tak
     <dbl>             <dbl> <dbl>  <dbl>
1        1              1270 4288.  5274.
2        2               570 3902.  6295.
3        3             14130 5286.  8790.
4        4               620 9030. 10686.
5        5             29910 3473.  6084.
6        6               310 4189.  6295.

I na wąską.

sprzedaz_prom_odl_long <- sprzedaz_prom_odl_wide %>%
  gather(czy_promocja, sprzedaz_sr, Nie, Tak)

head(sprzedaz_prom_odl_long)

# A tibble: 6 × 4
# Groups:   sklep_id [6]
  sklep_id sklep_konkurencja czy_promocja sprzedaz_sr
     <dbl>             <dbl> <chr>              <dbl>
1        1              1270 Nie                4288.
2        2               570 Nie                3902.
3        3             14130 Nie                5286.
4        4               620 Nie                9030.
5        5             29910 Nie                3473.
6        6               310 Nie                4189.

4.9 Wykres interaktywny

Za pomocą pakietu plotly w prosty sposób można zamienić statystyczny wykres ggplot na interaktywny.

library(plotly)

p <- ggplot(data = sklep77, aes(x=sprzedaz, y=liczba_klientow, color=czy_promocja)) +
  geom_point() +
  scale_x_continuous(name = "Sprzedaż") +
  scale_y_continuous(name = "Liczba klientów") +
  scale_color_discrete(name = "Promocja") +
  ggtitle("Sprzedaż i liczba klientów w sklepie Rossmann nr 77") +
  theme_light() +
  theme(legend.position = "bottom")

plotly::ggplotly(p)

4.10 Zadania

Wykonaj polecenia znajdujące się na stronie.