ggplot2
)Cuarteto de Anscombe. Fuente: Healy (2018), adaptado de Anscombe (1973).
Fuente: Jackman (1980) en Healy (2018).
Fuente: Adaptado de PolicyViz (2018b)
[I, graf. 1]: Explicativo y estƔtico - Alcatruz & Sanhueza-Riffo (2019)
[II]: Exploratorio y estƔtico - Fynn & Nocetto (2019)
[III]: Exploratorio e interactivo - Gendron (s.f.)
[IV]: Explicativo e interactivo - The Pudding (2017)
Fuente: Holmes en Healy (2018, cap. 1).
Como en todo ejercicio de comunicación, es crucial entender quién es nuestro receptor. ¿Academia? ¿Público general? ¿Técnicos(as)?
Fuente: PolicyViz (2018a)
Usualmente queremos maximizar el ratio de información/tinta (Healy, 2018, cap. 1), lo que implica evitar 3D/Colores/formas que no registren información o sean redundante.
Fuente: PolicyViz (2018a)
Fuente: Healy (2018, cap. 1)
Fuente: biobiochile.cl (2017)
Fuente: Reyes-Housholder (2019)
Queremos que las etiquetas de texto en nuestros grƔficos sean autoexplicativas y ayuden a la lectura. Es importante colocar la fuente.
Fuente: Fynn & Nocetto (2019)
Los elementos de texto de un grĆ”fico tambiĆ©n guĆan al receptor a propósito de quĆ© elementos concentrar su atención.
Las paletas de colores son importantes para transmitir correctamente información.
En general, hay paletas secuenciales, divergentes y cualitativas. Veamos Color Brewer 2.0. Siempre queremos utilizar la correcta para nuestra visualización.
Hay paletas mÔs amigables con daltónicos(as) que otras. Para paletas cualitativas, una buena fuente es Color Brewer.
En términos de paletas de colores secuenciales, viridis parece ser la mÔs óptima.
Promedio de esperanza de vida por continente, 2007. Fuente: Healy (2018)
Fuente: RStudio (2016)
ggplot2
geom_bar()
geom_histogram()
geom_boxplot()
geom_col()
geom_point()
## # A tibble: 324 x 17
## comuna comuna_id region n_encuestados poblacion porc_rural edad_prom
## <chr> <dbl> <dbl> <int> <dbl> <dbl> <dbl>
## 1 Iquiq⦠1101 1 6447 180856 2.06 34.6
## 2 Alto ⦠1107 1 3015 126971 0 28.8
## 3 Pozo ⦠1401 1 255 17259 27.6 34.4
## 4 CamiƱa 1402 1 82 832 100 36.6
## 5 Huara 1404 1 171 3488 100 39.2
## 6 Pica 1405 1 180 16357 19.8 44.7
## 7 Antof⦠2101 2 5473 387454 0 34.2
## 8 Mejil⦠2102 2 169 11777 0 32.5
## 9 Sierr⦠2103 2 90 2103 100 32.2
## 10 Taltal 2104 2 224 8789 7.79 35.4
## # ⦠with 314 more rows, and 10 more variables: porc_mujeres <dbl>,
## # porc_profesionales <dbl>, porc_pobres_ing <dbl>, porc_pobres_md4 <dbl>,
## # porc_uso_diario_inet <dbl>, porc_particip_iglesia <dbl>,
## # porc_mapuche <dbl>, alcalde_nombre <chr>, alcalde_coalicion <chr>,
## # alcalde_reelecto <dbl>
ggplot(data = df_municipios, # datos
mapping = aes(x = alcalde_coalicion)) + # mapeos estƩticos
geom_bar() # geoms
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
ggplot(data = df_municipios,
mapping = aes(x = alcalde_coalicion, y = porc_pobres_md4)) +
geom_boxplot()
resumen_reel_por_coal <- df_municipios %>%
group_by(alcalde_coalicion) %>%
summarize(porc_alcaldes_reelectos = mean(alcalde_reelecto))
ggplot(data = resumen_reel_por_coal,
mapping = aes(x = alcalde_coalicion, y = porc_alcaldes_reelectos)) +
geom_col()
ggplot(data = resumen_reel_por_coal,
mapping = aes(x = porc_alcaldes_reelectos,
y = fct_reorder(alcalde_coalicion, porc_alcaldes_reelectos))) +
geom_col()
ggplot(data = df_municipios,
mapping = aes(x = porc_mapuche, y = porc_pobres_md4,
color = alcalde_coalicion, shape = alcalde_coalicion)) +
geom_point()
... +
labs(title = "Relación entre porcentaje de población mapuche y porcentaje de pobreza",
subtitle = "por comunas, aƱo 2017", caption = "Fuente: Casen (2017).",
# ahora para los mapeos estƩticos:
x = "% de población mapuche", y = "% de población pobreza (multidimensional)",
color = "Coalición del(la) edil", shape = "Coalición del(la) edil")