Grafiken mit ggplot2 Tutorial

Datenvisualisierung ist eine Schlüsselkompetenz für Data Scientists. Sie verbindet Statistik und Design auf sinnvolle und passende Weise. Einerseits ist Datenvisualisierung eine Form der grafischen Datenanalyse, bei der eine präzise Darstellung und Interpretation der Daten im Vordergrund steht. Andererseits lebt sie von guten Designentscheidungen, die Grafiken ansprechend machen und sowohl das Verständnis als auch die Vermittlung von Ergebnissen unterstützen. Darüber hinaus steckt immer auch ein kreatives Element darin, denn Datenvisualisierung ist im Kern eine Form visueller Kommunikation.

Es ist wichtig, zwischen explorativen und explanativen Visualisierungen zu unterscheiden. Explorative Visualisierungen sind schnell erstellt, datenlastig und für ein kleines, fachkundiges Publikum gedacht, zum Beispiel dich und dein Team – ihr Hauptzweck ist die grafische Datenanalyse. Explanative Visualisierungen sind aufwendiger, datenspezifisch und für ein breiteres Publikum bestimmt, etwa für Publikationen oder Präsentationen – sie sind Teil des Kommunikationsprozesses. Als Data Scientist musst du Daten schnell erkunden können, wirst aber auch damit beauftragt, deine Ergebnisse Stakeholdern zu erklären. Gutes Design beginnt mit der Zielgruppe – und manchmal sind wir das selbst.

Streudiagramm

Unten siehst du einen Datensatz mit den durchschnittlichen Gehirn- und Körpergewichten von 62 Säugetieren.

 MASS::mammals

                              body   brain
Arctic fox                   3.385   44.50
Owl monkey                   0.480   15.50
Mountain beaver              1.350    8.10
Cow                        465.000  423.00
Grey wolf                   36.330  119.50
Goat                        27.660  115.00
Roe deer                    14.830   98.20
...
Pig                        192.000  180.00
Echidna                      3.000   25.00
Brazilian tapir            160.000  169.00
Tenrec                       0.900    2.60
Phalanger                    1.620   11.40
Tree shrew                   0.104    2.50
Red fox                      4.235   50.40 

Um den Zusammenhang zu verstehen, liegt der erste Schritt auf der Hand: Wir erstellen ein Streudiagramm wie unten gezeigt:

ggplot(mammals, aes(x = body, y = brain)) +
  geom_point()

Zwei Säugetiere, der Afrikanische und der Asiatische Elefant, haben sowohl sehr hohe Gehirn- als auch Körpergewichte, was zu einer positiven Schiefe auf beiden Achsen führt.

Lineares Modell

Würden wir nun ein lineares Modell anpassen, wäre das keine gute Wahl, da wenige Extremwerte einen großen Einfluss haben.

ggplot(mammals, aes(x = body, y = brain)) +
  geom_point(alpha = 0.6) +
  stat_smooth(
    method = "lm",
    color = "red",
    se = FALSE
  )

Eine Log-Transformation beider Variablen führt zu einer passenderen Anpassung.

ggplot(mammals, aes(x = body, y = brain)) +
  geom_point(alpha = 0.6) +
  coord_fixed() +
  scale_x_log10() +
  scale_y_log10() +
  stat_smooth(
    method = "lm",
    color = "#C42126",
    se = FALSE,
    size = 1
  )

Auch wenn wir mit einer groben explorativen Grafik gestartet sind, hat sie uns über die Daten informiert und zu einem aussagekräftigen Ergebnis geführt.

Anscombes Diagramme

Wenn wir uns ein lineares Modell vorstellen, wie in dieser anonymen Grafik dargestellt, denken wir an Daten, die ungefähr so aussehen.

Doch dasselbe Modell könnte sehr unterschiedliche Daten beschreiben, zum Beispiel eine parabolische Beziehung, die ein anderes Modell erfordert.

Oder Daten, in denen ein Extremwert einen großen Effekt hat – was deutlich wird, sobald der Ausreißer entfernt wird.

Und manchmal beschreibt das Modell scheinbar einen Zusammenhang, wo in Wahrheit keiner besteht, weil einige Extremwerte fehlerhaft sein können.

Wenn wir uns nur auf numerische Ergebnisse verlassen und nicht plotten, entgehen uns klare und interessante Muster in den Daten.

Wir sehen: Datenvisualisierung wurzelt in Statistik und grafischer Datenanalyse, ist aber auch ein kreativer Prozess mit einer Portion Ausprobieren.

Interaktives Beispiel

Im folgenden Beispiel lädst du zunächst das Paket ggplot2 mit library(). Anschließend untersuchst du mit str() die Struktur des Datensatzes mtcars.

Zum Schluss visualisierst du das ggplot und versuchst zu verstehen, was ggplot mit den Daten macht.

Der Datensatz mtcars enthält Informationen zu 32 Autos aus einer Ausgabe des Motor Trend Magazins von 1973. Der Datensatz ist klein, eingängig und enthält eine Mischung aus kontinuierlichen und kategorialen Variablen.

# Load the ggplot2 package
library(ggplot2)

# Explore the mtcars data frame with str()
str(mtcars)

# Execute the following command
p <- ggplot(mtcars, aes(cyl, mpg)) +
  geom_point()

Beim Ausführen des obigen Codes erhältst du folgende Ausgabe:

data.frame':    32 obs. of  11 variables:
 $ mpg : num  21 21 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 ...
 $ cyl : num  6 6 4 6 8 6 8 4 4 6 ...
 $ disp: num  160 160 108 258 360 ...
 $ hp  : num  110 110 93 110 175 105 245 62 95 123 ...
 $ drat: num  3.9 3.9 3.85 3.08 3.15 2.76 3.21 3.69 3.92 3.92 ...
 $ wt  : num  2.62 2.88 2.32 3.21 3.44 ...
 $ qsec: num  16.5 17 18.6 19.4 17 ...
 $ vs  : num  0 0 1 1 0 1 0 1 1 1 ...
 $ am  : num  1 1 1 0 0 0 0 0 0 0 ...
 $ gear: num  4 4 4 3 3 3 3 4 4 4 ...
 $ carb: num  4 4 1 1 2 1 4 2 2 4 ...

Wenn du mehr über Datenvisualisierung mit ggplot lernen möchtest, sieh dir dieses Video aus unserem Kurs Introduction to Data Visualization with ggplot2 an. Halte außerdem unser ggplot2 Cheat Sheet als praktische Referenz bereit. 

Dieser Inhalt stammt aus DataCamps Kurs Introduction to Data Visualization with ggplot2 von Rick Scavetta.