11 Datenvisualisierung 4

Mehrteilige Plots und Anpassungen

Autor:in

Zugehörigkeit

Daniela Palleschi

Humboldt-Universität zu Berlin

Veröffentlichungsdatum

Mi. den 31.01.2024

Geändert

Di. den 25.06.2024

Lesungen

Für weitere Lektüre und Übungen zu diesem Thema empfehle ich die Lektüre von Abschnitt 11.5 (Kommunikation: Themen) in Wickham et al. (2023) und Kapitel 4 (Darstellung von zusammenfassenden Statistiken) in Nordmann et al. (2022).

Lernziele

In diesem Abschnitt werden wir lernen

mehrteilige Diagramme zu erstellen
die Position von Geomen anzupassen
unsere Diagramme für eine bessere Datenkommunikation anzupassen

11.1 Einrichten {.unnumbered}

Pakete

Heute laden wir unsere relevanten tidyverse-Pakete direkt: dplyr und ggplot. Dies sind die einzigen Pakete, die uns beim Laden unserer Daten helfen. Wir laden auch das here-Paket und das janitor-Paket, das für das Aufräumen unserer Daten nützlich ist (z.B. die Funktion clean_names()). Um unsere Diagramme anzupassen, verwenden wir auch die Pakete ggthemes und patchwork. Ersteres hilft uns bei der Erstellung von farbenblindenfreundlichen Plots, während letzteres uns erlaubt, mehrere Plots zusammen zu drucken. Wir brauchen auch ein neues Paket: gghalves.

pacman::p_load(tidyverse,
               here,
               janitor,
               ggthemes,
               patchwork,
               gghalves
               )

Daten

Wir arbeiten wieder mit unserer leicht veränderten Version des english-Datensatzes aus dem Paket languageR.

df_eng <- read_csv(
  here(
    "daten",
    "languageR_english.csv"
  )
) |> 
  clean_names() |> 
  rename(
    rt_lexdec = r_tlexdec,
    rt_naming = r_tnaming
  )

11.2 Ausweichende Dichteplots

Wir können Dichteplots entlang einer katgorischen Variable erstellen, indem wir geom_half_violin() aus dem Paket gghalves verwenden.

df_eng %>% 
  ggplot() +
  aes(x = age_subject, y = rt_lexdec) +
  geom_half_violin(alpha = .8)

Abbildung 11.1: Dodged density plots with `gghalves::geom_half_violin()`

11.2.1 Hinzufügen eines Boxplots

Wir können auch ein weiteres Geom hinzufügen, um dem Diagramm weitere Informationen hinzuzufügen. Fügen wir einen Boxplot hinzu.

df_eng %>% 
  ggplot() +
  aes(x = age_subject, y = rt_lexdec) +
  geom_half_violin(alpha = .8) +
  geom_boxplot()

Abbildung 11.2: Boxplot on top of our dodged density plot

11.2.2 `position_nudge()`

Vielleicht wollen wir den Boxplot so verschieben, dass er nicht über den Dichteplots liegt und nicht ganz so breit ist. Wir können dies tun, indem wir position auf position_nudge() und width auf einen Wert kleiner als .75 setzen, was die Standardbreite ist.

df_eng %>% 
  ggplot() +
  aes(x = age_subject, y = rt_lexdec) +
  geom_half_violin(alpha = .8) +
  geom_boxplot(width = .3, # make less wide
               position = position_nudge(x=0.2)
               )

Abbildung 11.3: Boxplot on top of our dodged density plot

11.2.3 `position_jitter()` für Scatterplots

Dies gehört zu einer Familie von Optionen, mit denen man die Position von Geomen verändern kann. Zum Beispiel zeigen Abbildung 11.4 A und B beide genau die gleichen Daten, aber Abbildung 11.4 B enthält position = position_jitter(0.2), um überlappende Punkte zu verschieben. Auf diese Weise erhalten wir eine gute Vorstellung davon, wie viele Beobachtungen es über die Reaktionszeiten hinweg gab (y-Achse).

Code

df_eng |> 
  ggplot() +
  aes(x = age_subject, y = rt_lexdec) +
  geom_point() +
  labs(title = "geom_point()") +
df_eng |> 
  ggplot() +
  aes(x = age_subject, y = rt_lexdec) +
  geom_point(position = position_jitter(0.2),
             alpha = 0.2)+
  labs(title = "geom_point(position = position_jitter(0.2))") +
  
  plot_annotation(tag_levels = "A")

Abbildung 11.4: Plotting points along a categorical variable without (A) and with (B) position = position_jitter(0.2). Plot B also includes alpha = 0.2

11.2.4 Kombiniert alle drei

Wenn wir alle diese Diagramme zusammenfügen, erhalten wir eine Abbildung 11.5.

Code

fig_no_colour <-
  df_eng %>% 
  ggplot() +
  aes(x = age_subject, y = rt_lexdec) +
  geom_point(position = position_jitter(0.2),
             alpha = 0.2) +
  geom_half_violin() +
  geom_boxplot(
    outlier.shape = NA,
               width = .3, 
               position = position_nudge(x=0.2))

Abbildung 11.5: Density, boxplot, scatterplot

11.3 Positionierung von Fehlerbalkenplots

Im zweiten Bericht haben Sie Fehlerbalkenplots erstellt, aber die Fehlerbalken haben sich überschnitten.

11.3.1 `pivot_longer() |> summarise()`

Lassen Sie uns etwas Ähnliches mit dem Datensatz “Englisch” nachstellen. Zuerst werden wir pivot_longer() verwenden, um unsere Daten zu verlängern, dann erstellen wir eine Zusammenfassung der Reaktionszeiten für die lexikalische Entscheidungsaufgabe und die Benennungsaufgabe pro Altersgruppe.

sum_eng <-
  df_eng |> 
  pivot_longer(
    cols = c(rt_lexdec, rt_naming),
    names_to = "task",
    values_to = "rt"
  ) |> 
  summarise(
    mean = mean(rt, na.rm = T),
    sd = sd(rt, na.rm = T),
    .by = c(age_subject, task)
  ) |> 
  mutate(age_subject = factor(age_subject, levels = c("young", "old")))

11.3.2 Überlappende Fehlerbalken

Wenn wir für diese Daten ein Fehlerbalken-Diagramm erstellen, erhalten wir Abbildung 11.7.

sum_eng |> 
  ggplot() +
  aes(x = age_subject, y = mean, colour = task, shape = task) +
  geom_point() +
  geom_errorbar(aes(ymin = mean-sd, ymax = mean+sd))

Abbildung 11.7: Overlapping errorbar plot

11.3.3 `position_dodge()`

Wir können position = position_dodge(0.2) hinzufügen, damit sich die Fehlerbalken nicht überlappen. Wir werden auch ihre width anpassen, damit sie nicht so breit sind (jeder Wert unter 0.75).

sum_eng |> 
  ggplot() +
  aes(x = age_subject, y = mean, colour = task, shape = task) +
  geom_point() +
  geom_errorbar(aes(ymin = mean-sd, ymax = mean+sd),
                position = position_dodge(0.2),
                width = 0.2)

Abbildung 11.8: Overlapping errorbar plot

11.3.4 Ausweichen vor allen relevanten Geomen

Aber jetzt haben wir die Punkte hinter uns gelassen. Wir müssen auch den Punkten ausweichen, also fügen wir position_dodge() zu geom_point() hinzu und stellen sicher, dass wir den gleichen Wert wie bei geom_errorbar() verwenden.

sum_eng |> 
  ggplot() +
  aes(x = age_subject, y = mean, colour = task, shape = task) +
  geom_point(position = position_dodge(0.2)) +
  geom_errorbar(aes(ymin = mean-sd, ymax = mean+sd),
                position = position_dodge(0.2),
                width = 0.2)

Abbildung 11.9: Overlapping errorbar plot

11.4 Anpassungen

Welche Anpassungen sehen Sie in den Diagrammen in Abbildung 11.10?

Code

fig_dens_colour <-
  df_eng %>% 
  ggplot(aes(x = age_subject, y = rt_lexdec, )) +
  geom_point(
    color = "grey",
    position = position_jitter(0.2),
                 alpha = 0.2) +
  geom_half_violin(
    aes(fill = age_subject)) +
  geom_boxplot(
    outlier.shape = NA,
    aes(color = age_subject),
               width = .3, 
               position = position_nudge(x=0.2)) +
  labs(title = "Distribution of reaction times",
       x = "Age group",
       y = "LDT reaction time (ms)",
    fill = "Age group") +
  scale_color_colorblind() +
  scale_fill_colorblind() +
  theme_minimal() +
  theme(legend.position = "none") 

fig_point_colour <-
  df_eng %>% 
  ggplot(aes(x = age_subject, y = rt_lexdec, )) +
  geom_point(
    aes(color = age_subject),
    position = position_jitter(0.2),
                 alpha = 0.2) +
  geom_half_violin() +
  geom_boxplot(
    outlier.shape = NA,
    # aes(color = age_subject),
               width = .3, 
               position = position_nudge(x=0.2)) +
  labs(title = "Distribution of reaction times",
       x = "Age group",
       y = "LDT reaction time (ms)",
    fill = "Age group") +
  scale_color_colorblind() +
  scale_fill_colorblind() +
  theme_minimal() +
  theme(legend.position = "none")

fig_default <-
  sum_eng %>% 
  ggplot(aes(x = age_subject, y = mean, 
             colour = task, shape = task)) +
  geom_point() +
  geom_errorbar(aes(ymin=mean-sd,ymax=mean+sd)) 

fig_custom <-
sum_eng %>%
  mutate(task = fct_recode(task,
                           "LDT" = "rt_lexdec",
                           "Naming" = "rt_naming"),
  age_subject = fct_recode(age_subject,
                           "Young" = "young",
                           "Old" = "old")) |> 
  ggplot(aes(x = age_subject, y = mean, 
             colour = task, shape = task)) +
  geom_point(position = position_dodge(0.3),
             size = 3) +
  geom_errorbar(aes(ymin=mean-sd,ymax=mean+sd),
                position = position_dodge(0.3), 
                width = .3) +
  geom_line(aes(group = task,
                linetype = task),
                position = position_dodge(0.3)) +
  theme_minimal() +
  labs(
    title = "Reaction times per group and task",
    x = "Age group",
    y = "Reaction time (ms)",
    colour = "Task",
    shape = "Task",
    linetype = "Task"
  ) +
  theme(axis.title = element_text(size = 12,
                                  face = "bold"),
        plot.title = element_text(size = 14),
        legend.title = element_text(face = "bold"))

Abbildung 11.10: Customised plots to facilitation data communication.

11.4.1 Standardthemen

Zunächst wurde theme_minimal() zu jedem Plot hinzugefügt, um das allgemeine Aussehen anzupassen. Es gibt eine Vielzahl von benutzerdefinierten Themen, wie theme_bw() oder theme_classic(). Probieren Sie sie aus.

11.4.2 theme()

Wir können auch einzelne Komponenten des Themas steuern, indem wir Anpassungen mit theme() hinzufügen. Zum Beispiel sehen wir in Abbildung 11.10 A, dass die Achsentitel fett gedruckt sind. Dies wurde durch Hinzufügen von theme(axis.title = element_text(face = "bold)) erreicht, wobei axis.title = anzeigt, dass wir eine Änderung an den Achsentiteln vornehmen wollen, element_text() zeigt an, dass es ihr Text ist, den wir ändern wollen, und face = "bold" zeigt an, dass wir den Text fett machen wollen. Dasselbe wurde für legend.title = gemacht, um den Titel der Legende fett zu machen.

# italicize axis titles
fig_no_colour + theme_minimal() + 
  theme(
    axis.title = element_text(face = "italic")
    )

Heutige Ziele 🏁

Wir haben gelernt, wie man…

mehrteilige Plots erstellen ✅
die Position von Geomen anzupassen ✅
unsere Plots für eine bessere Datenkommunikation anpassen ✅

Weitere Übungen

Weitere Übungen zu diesem Kapitel finden Sie in Kapitel A.11

Session Info

Hergestellt mit R version 4.4.0 (2024-04-24) (Puppy Cup) und RStudioversion 2023.3.0.386 (Cherry Blossom).

print(sessionInfo(),locale = F)

R version 4.4.0 (2024-04-24)
Platform: aarch64-apple-darwin20
Running under: macOS Ventura 13.2.1

Matrix products: default
BLAS:   /Library/Frameworks/R.framework/Versions/4.4-arm64/Resources/lib/libRblas.0.dylib 
LAPACK: /Library/Frameworks/R.framework/Versions/4.4-arm64/Resources/lib/libRlapack.dylib;  LAPACK version 3.12.0

attached base packages:
[1] stats     graphics  grDevices datasets  utils     methods   base     

other attached packages:
 [1] magick_2.8.3    gghalves_0.1.4  patchwork_1.2.0 ggthemes_5.1.0 
 [5] janitor_2.2.0   here_1.0.1      lubridate_1.9.3 forcats_1.0.0  
 [9] stringr_1.5.1   dplyr_1.1.4     purrr_1.0.2     readr_2.1.5    
[13] tidyr_1.3.1     tibble_3.2.1    ggplot2_3.5.1   tidyverse_2.0.0

loaded via a namespace (and not attached):
 [1] utf8_1.2.4        generics_0.1.3    renv_1.0.7        stringi_1.8.3    
 [5] hms_1.1.3         digest_0.6.35     magrittr_2.0.3    evaluate_0.23    
 [9] grid_4.4.0        timechange_0.3.0  fastmap_1.1.1     rprojroot_2.0.4  
[13] jsonlite_1.8.8    fansi_1.0.6       scales_1.3.0      cli_3.6.2        
[17] crayon_1.5.2      rlang_1.1.3       bit64_4.0.5       munsell_0.5.1    
[21] withr_3.0.0       yaml_2.3.8        parallel_4.4.0    tools_4.4.0      
[25] tzdb_0.4.0        colorspace_2.1-0  pacman_0.5.1      vctrs_0.6.5      
[29] R6_2.5.1          lifecycle_1.0.4   snakecase_0.11.1  bit_4.0.5        
[33] htmlwidgets_1.6.4 vroom_1.6.5       pkgconfig_2.0.3   pillar_1.9.0     
[37] gtable_0.3.5      glue_1.7.0        Rcpp_1.0.12       xfun_0.43        
[41] tidyselect_1.2.1  rstudioapi_0.16.0 knitr_1.46        farver_2.1.1     
[45] htmltools_0.5.8.1 labeling_0.4.3    rmarkdown_2.26    compiler_4.4.0

--- # title: "Datenvisualisierung 4" subtitle: "Mehrteilige Plots und Anpassungen" author: "Daniela Palleschi" institute: Humboldt-Universität zu Berlin footer: "Woche 13 - Base R" date: "01/31/2024" date-format: "ddd [den] DD.MM.YYYY" date-modified: last-modified shift-heading-level-by: +1 --- # Datenvisualisierung 4 {#sec-dataviz4} # Lesungen {.unnumbered} Für weitere Lektüre und Übungen zu diesem Thema empfehle ich die Lektüre von [Abschnitt 11.5 (Kommunikation: Themen)](https://r4ds.hadley.nz/communication#sec-themes) in @wickham_r_2023 und [Kapitel 4 (Darstellung von zusammenfassenden Statistiken)](https://psyteachr.github.io/introdataviz/representing-summary-statistics.html) in @nordmann_data_2022. # Lernziele {.unnumbered} In diesem Abschnitt werden wir lernen - mehrteilige Diagramme zu erstellen - die Position von Geomen anzupassen - unsere Diagramme für eine bessere Datenkommunikation anzupassen # Einrichten {.unnumbered} {#sec-dataviz4_setup} ## Pakete {.unnumbered} Heute laden wir unsere relevanten `tidyverse`-Pakete direkt: `dplyr` und `ggplot`. Dies sind die einzigen Pakete, die uns beim Laden unserer Daten helfen. Wir laden auch das `here`-Paket und das `janitor`-Paket, das für das Aufräumen unserer Daten nützlich ist (z.B. die Funktion `clean_names()`). Um unsere Diagramme anzupassen, verwenden wir auch die Pakete `ggthemes` und `patchwork`. Ersteres hilft uns bei der Erstellung von farbenblindenfreundlichen Plots, während letzteres uns erlaubt, mehrere Plots zusammen zu drucken. Wir brauchen auch ein neues Paket: `gghalves`. ```{r} pacman::p_load(tidyverse, here, janitor, ggthemes, patchwork, gghalves ) ``` ```{r} #| echo: false # load magick for the slides pacman::p_load(magick) ``` ## Daten {.unnumbered} Wir arbeiten wieder mit unserer leicht veränderten Version des `english`-Datensatzes aus dem Paket `languageR`. ```{r} df_eng <- read_csv( here( "daten", "languageR_english.csv" ) ) |> clean_names() |> rename( rt_lexdec = r_tlexdec, rt_naming = r_tnaming ) ``` # Ausweichende Dichteplots Wir können Dichteplots entlang einer katgorischen Variable erstellen, indem wir `geom_half_violin()` aus dem Paket `gghalves` verwenden. ```{r} #| label: fig-density #| fig-cap: "Dodged density plots with `gghalves::geom_half_violin()`" #| output-location: column-fragment df_eng %>% ggplot() + aes(x = age_subject, y = rt_lexdec) + geom_half_violin(alpha = .8) ``` ## Hinzufügen eines Boxplots Wir können auch ein weiteres Geom hinzufügen, um dem Diagramm weitere Informationen hinzuzufügen. Fügen wir einen Boxplot hinzu. ```{r} #| label: fig-boxplot #| fig-cap: "Boxplot on top of our dodged density plot" #| output-location: column-fragment df_eng %>% ggplot() + aes(x = age_subject, y = rt_lexdec) + geom_half_violin(alpha = .8) + geom_boxplot() ``` ## `position_nudge()` Vielleicht wollen wir den Boxplot so verschieben, dass er nicht über den Dichteplots liegt und nicht ganz so breit ist. Wir können dies tun, indem wir `position` auf `position_nudge()` und `width` auf einen Wert kleiner als `.75` setzen, was die Standardbreite ist. ```{r} #| label: fig-boxplot-nudge #| fig-cap: "Boxplot on top of our dodged density plot" #| output-location: column-fragment df_eng %>% ggplot() + aes(x = age_subject, y = rt_lexdec) + geom_half_violin(alpha = .8) + geom_boxplot(width = .3, # make less wide position = position_nudge(x=0.2) ) ``` ## `position_jitter()` für Scatterplots Dies gehört zu einer Familie von Optionen, mit denen man die Position von Geomen verändern kann. Zum Beispiel zeigen @fig-jitter A und B beide genau die gleichen Daten, aber @fig-jitter B enthält `position = position_jitter(0.2)`, um überlappende Punkte zu verschieben. Auf diese Weise erhalten wir eine gute Vorstellung davon, wie viele Beobachtungen es über die Reaktionszeiten hinweg gab (y-Achse). ```{r} #| code-fold: true #| label: fig-jitter #| fig-cap: "Plotting points along a categorical variable without (A) and with (B) position = position_jitter(0.2). Plot B also includes alpha = 0.2" #| fig-width: 10 df_eng |> ggplot() + aes(x = age_subject, y = rt_lexdec) + geom_point() + labs(title = "geom_point()") + df_eng |> ggplot() + aes(x = age_subject, y = rt_lexdec) + geom_point(position = position_jitter(0.2), alpha = 0.2)+ labs(title = "geom_point(position = position_jitter(0.2))") + plot_annotation(tag_levels = "A") ``` ## Kombiniert alle drei Wenn wir alle diese Diagramme zusammenfügen, erhalten wir eine @fig-violin1. ```{r} #| code-fold: true fig_no_colour <- df_eng %>% ggplot() + aes(x = age_subject, y = rt_lexdec) + geom_point(position = position_jitter(0.2), alpha = 0.2) + geom_half_violin() + geom_boxplot( outlier.shape = NA, width = .3, position = position_nudge(x=0.2)) ``` ```{r} #| echo: false #| label: fig-violin1 #| fig-cap: "Density, boxplot, scatterplot" #| output-location: column-fragment #| code-line-numbers: "3" #| fig-width: 6 #| fig-asp: .6 fig_no_colour ``` # Positionierung von Fehlerbalkenplots Im zweiten Bericht haben Sie Fehlerbalkenplots erstellt, aber die Fehlerbalken haben sich überschnitten. ```{r} #| echo: false #| label: fig-bericht2 #| fig-cap: Overlapping errorbars df_eng |> pivot_longer( cols = c(rt_lexdec, rt_naming), names_to = "task", values_to = "rt" ) |> summarise( mean = mean(rt, na.rm = T), sd = sd(rt, na.rm = T), .by = c(age_subject, task) ) |> mutate(age_subject = factor(age_subject, levels = c("young", "old"))) |> ggplot() + aes(x = age_subject, y = mean, colour = task, shape = task) + geom_point() + geom_errorbar(aes(ymin = mean-sd, ymax = mean+sd)) ``` ## `pivot_longer() |> summarise()` Lassen Sie uns etwas Ähnliches mit dem Datensatz "Englisch" nachstellen. Zuerst werden wir `pivot_longer()` verwenden, um unsere Daten zu verlängern, dann erstellen wir eine Zusammenfassung der Reaktionszeiten für die lexikalische Entscheidungsaufgabe und die Benennungsaufgabe pro Altersgruppe. ```{r} sum_eng <- df_eng |> pivot_longer( cols = c(rt_lexdec, rt_naming), names_to = "task", values_to = "rt" ) |> summarise( mean = mean(rt, na.rm = T), sd = sd(rt, na.rm = T), .by = c(age_subject, task) ) |> mutate(age_subject = factor(age_subject, levels = c("young", "old"))) ``` ## Überlappende Fehlerbalken Wenn wir für diese Daten ein Fehlerbalken-Diagramm erstellen, erhalten wir @fig-overlap. ```{r} #| label: fig-overlap #| fig-cap: Overlapping errorbar plot sum_eng |> ggplot() + aes(x = age_subject, y = mean, colour = task, shape = task) + geom_point() + geom_errorbar(aes(ymin = mean-sd, ymax = mean+sd)) ``` ## `position_dodge()` Wir können `position = position_dodge(0.2)` hinzufügen, damit sich die Fehlerbalken nicht überlappen. Wir werden auch ihre `width` anpassen, damit sie nicht so breit sind (jeder Wert unter 0.75). ```{r} #| label: fig-miss-points #| fig-cap: Overlapping errorbar plot sum_eng |> ggplot() + aes(x = age_subject, y = mean, colour = task, shape = task) + geom_point() + geom_errorbar(aes(ymin = mean-sd, ymax = mean+sd), position = position_dodge(0.2), width = 0.2) ``` ## Ausweichen vor allen relevanten Geomen Aber jetzt haben wir die Punkte hinter uns gelassen. Wir müssen auch den Punkten ausweichen, also fügen wir `position_dodge()` zu `geom_point()` hinzu und stellen sicher, dass wir den gleichen Wert wie bei `geom_errorbar()` verwenden. ```{r} #| label: fig-dodged #| fig-cap: Overlapping errorbar plot sum_eng |> ggplot() + aes(x = age_subject, y = mean, colour = task, shape = task) + geom_point(position = position_dodge(0.2)) + geom_errorbar(aes(ymin = mean-sd, ymax = mean+sd), position = position_dodge(0.2), width = 0.2) ``` # Anpassungen Welche Anpassungen sehen Sie in den Diagrammen in @fig-custom? ```{r} #| code-fold: true fig_dens_colour <- df_eng %>% ggplot(aes(x = age_subject, y = rt_lexdec, )) + geom_point( color = "grey", position = position_jitter(0.2), alpha = 0.2) + geom_half_violin( aes(fill = age_subject)) + geom_boxplot( outlier.shape = NA, aes(color = age_subject), width = .3, position = position_nudge(x=0.2)) + labs(title = "Distribution of reaction times", x = "Age group", y = "LDT reaction time (ms)", fill = "Age group") + scale_color_colorblind() + scale_fill_colorblind() + theme_minimal() + theme(legend.position = "none") fig_point_colour <- df_eng %>% ggplot(aes(x = age_subject, y = rt_lexdec, )) + geom_point( aes(color = age_subject), position = position_jitter(0.2), alpha = 0.2) + geom_half_violin() + geom_boxplot( outlier.shape = NA, # aes(color = age_subject), width = .3, position = position_nudge(x=0.2)) + labs(title = "Distribution of reaction times", x = "Age group", y = "LDT reaction time (ms)", fill = "Age group") + scale_color_colorblind() + scale_fill_colorblind() + theme_minimal() + theme(legend.position = "none") fig_default <- sum_eng %>% ggplot(aes(x = age_subject, y = mean, colour = task, shape = task)) + geom_point() + geom_errorbar(aes(ymin=mean-sd,ymax=mean+sd)) fig_custom <- sum_eng %>% mutate(task = fct_recode(task, "LDT" = "rt_lexdec", "Naming" = "rt_naming"), age_subject = fct_recode(age_subject, "Young" = "young", "Old" = "old")) |> ggplot(aes(x = age_subject, y = mean, colour = task, shape = task)) + geom_point(position = position_dodge(0.3), size = 3) + geom_errorbar(aes(ymin=mean-sd,ymax=mean+sd), position = position_dodge(0.3), width = .3) + geom_line(aes(group = task, linetype = task), position = position_dodge(0.3)) + theme_minimal() + labs( title = "Reaction times per group and task", x = "Age group", y = "Reaction time (ms)", colour = "Task", shape = "Task", linetype = "Task" ) + theme(axis.title = element_text(size = 12, face = "bold"), plot.title = element_text(size = 14), legend.title = element_text(face = "bold")) ``` ```{r} #| output-location: fragment #| label: fig-custom #| fig-cap: Customised plots to facilitation data communication. #| echo: false #| fig-width: 12 fig_custom + fig_dens_colour + fig_point_colour + plot_annotation(tag_levels = "A") ``` ## Standardthemen Zunächst wurde `theme_minimal()` zu jedem Plot hinzugefügt, um das allgemeine Aussehen anzupassen. Es gibt eine Vielzahl von benutzerdefinierten Themen, wie `theme_bw()` oder `theme_classic()`. Probieren Sie sie aus. ```{r} #| output-location: fragment #| label: fig-themes #| fig-cap: Preset themes #| echo: false #| fig-width: 9 #| fig-height: 6 (fig_custom + theme_grey() +labs(title = "theme_grey() (default theme)")) + (fig_custom + theme_bw() +labs(title = "theme_bw()")) + (fig_custom + theme_minimal() +labs(title = "theme_minimal()")) + (fig_custom + theme_classic() +labs(title = "theme_classic()")) + plot_layout(nrow = 2) ``` ## theme() Wir können auch einzelne Komponenten des Themas steuern, indem wir Anpassungen mit `theme()` hinzufügen. Zum Beispiel sehen wir in @fig-custom A, dass die Achsentitel fett gedruckt sind. Dies wurde durch Hinzufügen von `theme(axis.title = element_text(face = "bold))` erreicht, wobei `axis.title =` anzeigt, dass wir eine Änderung an den Achsentiteln vornehmen wollen, `element_text()` zeigt an, dass es ihr Text ist, den wir ändern wollen, und `face = "bold"` zeigt an, dass wir den Text fett machen wollen. Dasselbe wurde für `legend.title =` gemacht, um den Titel der Legende fett zu machen. ```{r} #| output-location: fragment #| label: fig-italics #| fig-cap: Using theme() # italicize axis titles fig_no_colour + theme_minimal() + theme( axis.title = element_text(face = "italic") ) ``` # Heutige Ziele 🏁 {.unnumbered .unlisted} Wir haben gelernt, wie man... - mehrteilige Plots erstellen ✅ - die Position von Geomen anzupassen ✅ - unsere Plots für eine bessere Datenkommunikation anpassen ✅ # Weitere Übungen {.unnumbered} Weitere Übungen zu diesem Kapitel finden Sie in @sec-app_dataviz4 # Session Info {.unnumbered} ```{r} #| eval: false #| echo: false RStudio.Version()$version ``` Hergestellt mit `r R.version.string` (`r R.version$nickname`) und RStudioversion 2023.3.0.386 (Cherry Blossom). ```{r} print(sessionInfo(),locale = F) ```

Lesungen

Lernziele

11.1 Einrichten {.unnumbered}

Pakete

Daten

11.2 Ausweichende Dichteplots

11.2.1 Hinzufügen eines Boxplots

11.2.2 position_nudge()

11.2.3 position_jitter() für Scatterplots

11.2.4 Kombiniert alle drei

11.3 Positionierung von Fehlerbalkenplots

11.3.1 pivot_longer() |> summarise()

11.3.2 Überlappende Fehlerbalken

11.3.3 position_dodge()

11.3.4 Ausweichen vor allen relevanten Geomen

11.4 Anpassungen

11.4.1 Standardthemen

11.4.2 theme()

Heutige Ziele 🏁

Weitere Übungen

Session Info

11.2.2 `position_nudge()`

11.2.3 `position_jitter()` für Scatterplots

11.3.1 `pivot_longer() |> summarise()`

11.3.3 `position_dodge()`