Statystyka i wizualizacja danych

class: center, middle, inverse, title-slide

.title[
# Statystyka i wizualizacja danych
]
.subtitle[
## Wykresy (1)
]
.author[
### Jakub Nowosad <br> <a href="mailto:nowosad@amu.edu.pl" class="email">nowosad@amu.edu.pl</a>
]

---

class: inverse, middle, center
# Kwartet Anscombe’a

---
## Kwartet Anscombe’a

```r
# install.packages("Tmisc")
library(Tmisc)
quartet
```

---
## Kwartet Anscombe’a

---
## Kwartet Anscombe’a

---
class: inverse, middle, center
# Wykresy a R

---
## Wykresy w R

- istnieje wiele różnych możliwości tworzenia wykresów w R
- najczęściej używane to **podstawowe grafiki** oraz pakiet **ggplot2**

---
## ggplot2

```r
install.packages("ggplot2")
```

```r
library(ggplot2)
```

---
## ggplot2 - pierwszy wykres

```r
df = data.frame(A = c(1:10), B = seq(22, 4, by = -2))
```

```r
ggplot(data = df, aes(x = A, y = B)) + 
  geom_point()
```

---
## ggplot2 - podstawowe informacje

- pakiet jest implementacją założeń zawartych w książce "Grammar of Graphics" Lelanda Wilkinsona
- data.frame jest zazwyczaj wymaganymi danymi wejściowymi
- istnieją dwie komendy pozwalające na tworzenie wykresów - *qplot* oraz *ggplot*
- pełna dokumentacja znajduje się na stronie - https://ggplot2.tidyverse.org/ oraz https://ggplot2-book.org/

---
## ggplot2 - podstawowe słownictwo

- **geom** - oznacza typ wykresu (np. "histogram", "boxplot", "point", etc.)
- aesthetics (**aes**) - oznacza kształt, kolor, wielkość, etc.
- facets (**facet**) - oznacza wykresy dla podzbiorów

---
## Zbiór danych

```r
install.packages("gapminder")
```

http://www.gapminder.org/data/

http://github.com/jennybc/gapminder

http://www.youtube.com/watch?v=jbkSRLYSojo

```r
library(gapminder)
gapminder2007 = subset(gapminder, year == 2007)
```

---
## Histogram

```r
ggplot(data = gapminder2007, aes(x = gdpPercap)) +
  geom_histogram()
```

.pull-left[
- stworzony przez Karla Pearsona
- jest graficzną reprezentacją rozkładu <br> danych
- wartości danych są łączone w przedziały (na osi poziomej) a na osi pionowej jest ukazana liczba punktów (obserwacji) w każdym przedziale
- różny dobór przedziałów może dawać inną informację
- w pakiecie ggplot2, przedział to domyślnie zakres/30
]

.pull-right[
<img src="04_wykresy1_files/figure-html/unnamed-chunk-12-1.png" width="400px" />
]

---
## Histogram

```r
ggplot(data = gapminder2007, aes(x = gdpPercap)) +
  geom_histogram(binwidth = 10000)
```

![](04_wykresy1_files/figure-html/unnamed-chunk-13-1.png)

```r
ggplot(data = gapminder2007, aes(x = gdpPercap)) +
  geom_histogram(binwidth = 800)
```

![](04_wykresy1_files/figure-html/unnamed-chunk-14-1.png)

---
## Wykres słupkowy

```r
ggplot(data = gapminder2007, aes(x = continent)) +
  geom_bar()
```

---
## Wykres liniowy

```r
library(dplyr)
gapminder2 = summarise(gapminder,
                       mean_lifeExp = mean(lifeExp, na.rm = TRUE),
                       .by = year)
```

```r
ggplot(data = gapminder2, aes(x = year, y = mean_lifeExp)) + 
  geom_line()
```

---
## Wykres rozrzutu

```r
ggplot(data = gapminder2007, aes(x = gdpPercap, y = lifeExp)) + 
  geom_point()
```

---
## Wykres pudełkowy

```r
ggplot(data = gapminder2007, aes(x = continent, y = lifeExp)) +
  geom_boxplot()
```

.pull-left[
- obrazuje pięć podstawowych <br> statystyk opisowych oraz wartości odstające
- pudełko to zakres międzykwantylowy
- linie oznaczają najbardziej ekstremalne wartości, ale nie odstające. Górna to 1,5\*IQR ponad krawędź pudełka, dolna to 1,5\*IQR poniżej wartości dolnej krawędzi pudełka
- linia środkowa to mediana
]

.pull-right[
![](04_wykresy1_files/figure-html/unnamed-chunk-20-1.png)
]

---
## Wykresy, a dane ilościowe i jakościowe

- kolory
- kształty
- wielkości

---
## Wykresy, a dane ilościowe (1)

```r
ggplot(data = gapminder2007, aes(x = gdpPercap,
                                 y = lifeExp,
                                 color = pop)) +
  geom_point()
```

---
## Wykresy, a dane ilościowe (2)

```r
ggplot(data = gapminder2007, aes(x = gdpPercap, 
                                 y = lifeExp,
                                 size = pop)) +
  geom_point()
```

---
## Wykresy, a dane jakościowe (1)

```r
ggplot(data = gapminder2007, aes(x = gdpPercap,
                                 y = lifeExp, 
                                 color = continent)) +
  geom_point()
```

---
## Wykresy, a dane jakościowe (2)

```r
ggplot(data = gapminder2007, aes(x = gdpPercap,
                                 y = lifeExp, 
                                 shape = continent)) +
  geom_point() + scale_shape(solid = FALSE)
```

---
## Modyfikacja wykresów

```r
p = ggplot(data = gapminder2007, aes(x = gdpPercap, y = lifeExp, 
                                 color = continent)) +
  geom_point() 
p = p +
  labs(y = "Oczekiwana dalsza długość trwania życia", 
       x = "PKB na osobę (USD)",
       color = "Kontynent")
p
```

---
## Zapisywanie wykresów

```r
p = ggplot(data = gapminder2007, aes(x = gdpPercap, y = lifeExp, 
                                     color = continent)) +
  geom_point() 
p = p +
  labs(y = "Oczekiwana dalsza długość trwania życia", 
       x = "PKB na osobę (USD)",
       color = "Kontynent")
p
```

```r
ggsave(filename = "Wykres.pdf", plot = p)
```

```r
ggsave(filename = "Wykres.png", plot = p, dpi = 300)
```

---
class: inverse, middle, center
# Zadania

---
## Zadania

1. Zainstaluj pakiet **datasauRus**, zawierający zbiór danych `datasaurus_dozen`.
Stwórz trzy obiekty - `away`, `star` i `dino` poprzez wybranie tylko wartości, gdzie zmienna `dataset` ma wartość `away`, `star` i `dino`. 
Wylicz podstawowe statystyki (średnia wartość `x`, średnia wartość `y`, odchylenie standardowe `x`, odchylenie standardowe `y`) dla tych trzech obiektów. 
Czy się one czymś różnią?
Następnie zwizualizuj te trzy obiekty.
2. Wczytaj dane `data/pomiary_pol.csv`. 
Stwórz histogram pokazujący rozkład średniej temperatury rocznej (`annual_tavg`) w tym zbiorze.
3. Stwórz wykres pokazujący relację pomiędzy temperaturą minimalną a maksymalną w kwietniu. 
W jaki sposób można go zinterpretować?
4. Zbuduj wykres pudełkowy pokazujący rozkład wartości średniej temperatury rocznej (`annual_tavg`) dla kolejnych prowincji fizjograficznych.
Zinterpretuj go.
5. Zbuduj wykres pudełkowy pokazujący rozkład wartości średniej średniej rocznej sumy opadów (`annual_precip`) dla kolejnych prowincji fizjograficznych.
Zinterpretuj go.
6. Postaraj się ulepszyć stworzone wykresy poprzez dodanie tytułu, zmianę podpisu osi, edycję kolorów, itd.
7. Zapisz stworzone wykresy do plików w formacie .png. 
Jak nazwiesz te pliki?