Cette série de 10 ateliers guide les participants à travers les étapes requises afin de maîtriser le logiciel R pour une grande variété d’analyses statistiques pertinentes en recherche en biologie et en écologie. Ces ateliers en libre accès ont été créés par des membres du CSBQ à la fois pour les membres du CSBQ et pour la grande communauté d’utilisateurs de R.

Le contenu de cet atelier a été révisé par plusieurs membres du CSBQ. Si vous souhaitez y apporter des modifications, veuillez SVP contacter les coordonnateurs actuels de la série, listés sur la page d'accueil

Développé par : Xavier Giroux-Bougard, Maxwell Farrell, Amanda Winegardner, Étienne Low-Décarie, Monica Granados

Résumé : Pendant cet atelier, vous perfectionnerez vos compétences en visualisation et manipulation de jeux de données à l’aide de la bibliothèques ggplot2. D’abord, vous explorerez la richesse de ggplot2 comme solution de rechange aux outils graphiques de base dans R, soit en explorant vos données visuellement et en produisant des figures dignes de publications scientifiques. Cet atelier s’avérera utile non seulement pour les participants suivant notre série d’ateliers, mais également pour ceux et celles d’entre vous connaissant déjà le langage R et cherchant à maîtriser des outils plus avancés pour l'analyse et la visualisation de vos données.

Lien vers la nouvelle présentation Rmarkdown (en anglais seulement, la version française viendra sous peu!)

S'il vous plaît essayez-la et dites aux coordonnateurs des ateliers R ce que vous en pensez!

Lien vers l'ancienne présentation Prezi

Téléchargez le script R pour cet atelier.

Que vous effectuiez des statistiques descriptives (e.g. Excel), des analyses plus avancées (e.g. SAS, JMP, SPSS) ou des graphiques et des tableaux (e.g. Sigmaplot, Excel), il est facile de se perdre dans le flux de travail lorsqu'on utilise plusieurs logiciels. Ceci s'avère particulièrement problématique lorsqu'on doit importer ou exporter des données pour effectuer une tâche en aval. À chaque opération, on augmente le risque d'introduire des erreurs dans les données ou de perdre de vue le “bon” fichier de données. Le langage statistique R fournit une solution à ce problème en regroupant tous les outils nécessaires pour manipuler des données, effectuer des analyses statistiques et produire des graphiques sous un seul logiciel. En regroupant notre flux de travail sous le même toit, on réduit la probabilité de faire des erreurs et on rend notre flux de travail beaucoup plus compréhensible et reproductible. Tout ceci en vaut grandement l'effort!

Le paquet ggplot2 offre le cadre graphique le plus flexible et de plus complet pour la visualisation des données dans R. Ce paquet a été développé par Hadley Wickham, qui s'est lui-même basé sur la grammaire des graphiques de Leland Wilkinson. Le code source est hébergé sur github : https://github.com/hadley/ggplot2. Aujourd'hui, nous allons regarder les bases de ggplot2 afin que vous puissiez voir tout le potentiel que ce paquet offre pour la visualisation de données.

Avant de débuter, il faut ouvrir RStudio et charger le paquet ggplot2 :

|

if(!require(ggplot2)){install.packages("ggplot2")}
library(ggplot2)

Créons un premier graphique à l'aide de la fonction qplot() du paquet ggplot2. La fonction qplot() (qui signifie “quick plot”) sert de lien intuitif entre la fonction de base plot() et la fonction ggplot() du paquet ggplot2. La syntaxe entre plot() et qplot() est presque identique : ces fonctions peuvent tracer un graphique en fonction du type de données utilisées (e.g. facteurs, variables numériques, etc.). Rappelez-vous que vous pouvez toujours accéder à la page d'aide d'une fonction de la manière suivante :

|

?qplot

Si vous avez regardé la page d'aide de la fonction qplot(), vous avez probablement remarqué que les trois premiers arguments sont :

• data
• x
• y
• …

Avant d'aller plus loin, il faut charger un jeu de données qui nous permettra de réaliser les exercices de l'atelier. Nous utiliserons le jeu de données iris, un jeu de données bien connu sur les dimensions florales de trois espèces d'iris. Ces données ont été recueillies en Gaspésie par le botaniste américain Edgar Anderson. Le jeu de données est disponible directement dans R. Pour le charger et explorer sa structure, utilisez les commandes suivantes :

|

?iris
data(iris)
head(iris)
str(iris)
names(iris)

Traçons un premier diagramme de type “nuage de points” de la largeur des sépales en fonction de la longueur des sépales d'iris avec la fonction qplot() :

|

qplot(data = iris, x = Sepal.Length, y = Sepal.Width)

Il est également possible de tracer un graphique de type “nuage de points” en utilisant une variable catégorique :

|

qplot(data = iris, x = Species, y = Sepal.Width)

En plus des données et des variables à spécifier, on peut inclure plusieurs arguments supplémentaires pour améliorer l'aspect d'un graphique (Référez-vous à la page d'aide.). Commençons par ajouter des étiquettes aux axes ainsi qu'un titre à l'aide des arguments xlab/ylab et main respectivement :

|

qplot(data = iris,
      x = Sepal.Length,
      xlab = "Longueur (mm)",
      y = Sepal.Width,
      ylab = "Largeur (mm)",
      main = "Dimensions de sépales d'iris")

À l'aide de la fonction qplot(), tracez un graphique de type “nuage de points” avec un titre et des étiquettes d'axes. Utilisez le jeu données CO2 ou BOD qui sont déjà inclus dans R. Vous pouvez les charger et explorer leur structure avec ces commandes :

|

?CO2
data(CO2)
?BOD
data(BOD)

Solution avec le jeu de données CO2

La grammaire des graphiques est un cadre conceptuel pour la visualisation des données qui permet de décomposer un graphique en plusieurs éléments individuels. L'intérêt majeur de ce cadre est qu'il est possible de modifier chaque élément du graphique séparément. Plusieurs éléments, généralement appelés couches, composent un graphique :

• Éléments esthétiques (aes)
• Objets géométriques (geoms)
• Transformations
• Axes (Système de coordonnées)
• Échelles

Dans ggplot2, les éléments esthétiques sont des paramètres qui spécifient quelles données sont visualisées et comment elle le sont. Voici quelques arguments qui sont utilisés avec la fonction aes() :

• x: position des données le long de l'axe des x
• y: position des données le long de l'axe des y
• colour: couleur d'un élément
• group: groupe auquel un élément appartient
• shape: forme utilisée pour afficher un point
• linetype: type de ligne utilisée (e.g. continue, en tireté, etc.)
• size: taille d'un point ou d'une ligne
• alpha: transparence d'un élément

Les objets géométriques ou geoms déterminent la représentation visuelle des données. Voici plusieurs fonctions qui sont utilisées à cette fin :

• geom_point(): nuage de points
• geom_line(): ligne reliant les points par ordre croissant de x
• geom_path(): ligne reliant les points par ordre d'apparition
• geom_boxplot(): diagramme de boîte à moustaches pour les variables catégoriques
• geom_bar(): diagramme en bâtons pour les variables catégoriques en axe des x
• geom_histogram(): histogramme (comme geom_bar, mais pour une variable continue en axe des x)

1. Créez un objet simple : objet.graphique <- ggplot() OU qplot()
2. Ajoutez des couches : objet.graphique <- objet.graphique + couche()
3. Répétez l'étape 2 jusqu'à ce que vous soyez satisfait et faites apparaître le graphique : print(objet.graphique)

Le graphique final est produit en superposant plusieurs couches jusqu'à l'obtention d'un résultat satisfaisant :

credit: Vanderbilt 2007

Cette brève introduction à la grammaire des graphiques n'est pas suffisante pour couvrir toutes les couches et caractéristiques possibles pour la visualisation des données. Dans cet atelier, nous vous présentons plus bas les couches et caractéristiques les plus utilisées. Voici quelques ressources supplémentaires afin d'explorer l'immense potentiel de ggplot2 et de la grammaire des graphiques :

• Documentation sur ''ggplot2'': ceci est la meilleure ressource sur ggplot2. Elle inclut une liste complète de tous les éléments disponibles ainsi que la liste des arguments nécessaires pour chaque élément en plus d'exemples très utiles.
• SAPE: le groupe de recherche “Software And Programmer Efficiency” consacre une partie de son site internet à l'usage approprié des différents éléments de ggplot2 en plus de présenter des exemples pertinents.
• The Grammar of Graphics: ce livre écrit par Leland Wilkinson présente le cadre conceptuel de la visualisation des données sur lequel se base ggplot2.
• ggplot2: ce livre par Hadley Wickham, l'auteur de ggplot2, montre comment implémenter la grammaire des graphiques dans R.

La fonction qplot() est idéale pour tracer des graphiques rapidement. Tel que mentionné plus haut, si on assigne un graphique qplot à un objet, il est ensuite possible d'ajouter des couches pour augmenter la complexité du graphique : objet.graphique <- objet.graphique + couche(). Cependant, la fonction qplot() ne fait que reprendre les commandes de la fonction ggplot() dans un format similaire à celui de la fonction de base plot(). Regardons la syntaxe sous-jacente de ggplot2 lorsqu'on utilise la fonction qplot().

• qplot():

|

qplot(data = iris,
      x = Sepal.Length,
      xlab = "Longueur (mm)",
      y = Sepal.Width,
      ylab = "Largeur (mm)",
      main = "Dimensions de sépales d'iris")

• ggplot():

|

ggplot(data = iris, aes(x = Sepal.Length, y = Sepal.Width)) +
    geom_point() +
    xlab("Longueur (mm)") +
    ylab("Largeur (mm)") + 
    ggtitle("Dimensions de sépales d'iris")

Lorsqu'on utilise la fonction ggplot() directement, on spécifie tout d'abord les données et les variables x et y avec aes(). Ensuite, on ajoute chaque couche une à la fois. Cette façon de faire permet d'utiliser le plein potentiel de la grammaire des graphiques. Il est préférable d'utiliser la fonction ggplot() lorsqu'on dois tracer des graphiques plus complexes. C'est ce que nous ferons pour le reste de cet atelier.

Avant d'aller plus loin avec les fonctions avancées, créons un objet graphique de base en assignant le graphique précédent à un objet :

|

graph.base <- ggplot(data = iris, aes(x = Sepal.Length, y = Sepal.Width)) +
    geom_point() +
    xlab("Longueur (mm)") +
    ylab("Largeur (mm)") + 
    ggtitle("Dimensions de sépales d'iris")

L'argument colour de la fonction aes() permet d'ajouter des couleurs. L'argument shape permet d'attribuer un symbole unique à chaque groupe :

|

graph.base <- graph.base +
    aes(colour = Species, shape = Species)
graph.base

Nous avons déjà des objets géométriques dans notre graphique de base (i.e. des points ajoutés avec la fonction geom_points()). Ajoutons maintenant des lignes de régression avec la fonction geom_smooth() :

|

graph.ligne <- graph.base + 
    geom_smooth(method="lm", se = FALSE)
graph.ligne

Créez un graphique coloré avec une droite de régression (ou autres “smoothing”) à partir des jeux de données CO2 ou msleep de R :

|

?CO2
data(CO2)
?msleep
data(msleep)

Solution avec le jeu de données CO2

La visualisation des données peut être difficile lorsque plusieurs facteurs sont inclus dans une expérience. Par exemple, le jeu de données CO2 contient des données d'absorption de CO2 pour des plantes refroidies et des plantes non refroidies dans deux régions différentes (Québec et Mississippi). Commençons par créer un graphique de base :

|

data(CO2)
CO2.graph <- ggplot(data = CO2, aes(x = conc, y = uptake, colour = Treatment)) +
    geom_point() +
    xlab("Concentration en CO2 (mL/L)") +
    ylab("Absorption de CO2 (umol/m^2 sec)") +    
    ggtitle("Absorption de CO2 par une espèce de graminée")
CO2.graph

Si on veut comparer les résultats d'absorption par région, ça peut être utile de représenter les données dans deux panneaux où les axes sont alignés afin de faciliter la comparaison. Avec ggplot2, la fonction facet_grid() permet de découper le graphique en différents groupes. La syntaxe générale est décrite ainsi : plot.object + facet_grid(lignes ~ colonnes). Ici, lignes et colonnes sont des facteurs du tableau de données qu'on souhaite comparer en séparant les données par panneau. Pour comparer les deux régions, on peut utiliser le script suivant :

|

CO2.graph <- CO2.graph + facet_grid(. ~ Type)
CO2.graph

Note : Il est possible de tracer les panneaux verticalement facet.grid(Type ~ .).

On peut ajouter des droites de régression de l'abosorption du CO2 en fonction de la concentration en CO2 pour chaque région à l'aide de la fonction geom_line() :

|

CO2.graph + geom_line()

Les points sont reliés verticalement pour chaque niveau de concentration en CO2. Si on regarde plus en détail la structure du jeu de données CO2, on note que chaque niveau de concentration est répété trois fois par région. Si on veut tracer une droite pour chaque répétition, il faut ajouter l'élément esthétique group à la fonction “geom_line()” :

|

CO2.graph <- CO2.graph + 
    geom_line(aes(group = Plant))
CO2.graph

Familiarisez-vous avec un nouvel objet géométrique et d'autres éléments graphiques. Utilisez votre propre jeu de données ou un jeu de données déjà inclus dans R (Tapez data() pour la liste des jeux de données disponibles). Regardez cette page pour un peu d'inspiration !

|

data(msleep)
data(OrchardSprays)

Exemple avec le jeu de données "OrchardSprays"

Plusieurs options s'offrent à vous lorsque vient le temps d'enregistrer un graphique.

Avec RStudio, plusieurs options sont disponibles pour enregistrer les graphiques. Vous pouvez les copier dans le presse-papiers ou les exporter vers à peu près n'importe quel type de fichier graphique (png, jpg, emf, tiff, pdf, metafile, etc.) :

Lorsque que vous devez reproduire plusieurs graphiques (e.g. lors d'une analyse qui crée plusieurs graphiques automatiquement), c'est utile d'enregistrer tous ces graphiques dans un seul fichier pdf. La commande suivante permet de réaliser ceci :

|

pdf("./graph_du_jour.pdf")
print(graph.base)
print(graph.ligne)
print(CO2.graph)
graphics.off()

Il existe encore plusieurs autres options, mais parmi celles-ci, ggsave() est particulièrement utile. Cette fonction nous permet d'enregistrer nos graphiques sous multiples formats graphiques, en plus de nous permettre de spécifier les dimensions exactes du produit final:

|

ggsave("CO2graph.pdf", CO2.graph, height = 8.5, width = 11, units = "in")

Le paquet ggplot2 choisit automatiquement les couleurs d'un graphique en se basant sur le cercle chromatique et le nombre de couleurs nécessaires pour réaliser le graphique. Cependant, si vous désirez spécifier vous-même les couleurs à utiliser, vous devez inclure la fonction scale_colour_manual() dans votre script :

|

CO2.graph + 
    scale_colour_manual(values = c("nonchilled" = "red","chilled" = "blue"))

Pour un contrôle manuel encore plus précis, vous pouvez spécifier les codes hexadécimaux des couleurs à utiliser.

Un paquet particulièrement simple et utile pour les couleurs s'agit de viridis. Celui-ci offre 4 palettes de couleurs développée pour les visulalizations cartographiques. Les 4 palettes offrent des contrastes riches, et conservent leur informations lorsqu'elles sont converties sur échelle noir-blanc. Voici un example:

|

CO2.graph + 
    scale_colour_manual(values = viridis(2, option = "D"))

Allez jeter un coup d'oeil aux liens/paquets suivants pour plus d'options de couleurs :

• Cookbook for R: cette section du “Cookbook for R” sur ggplot2 présente beaucoup d'idées et de chartes de couleurs.
• RColorBrewer: ce paquet de R est rempli de gradients de couleurs pouvant être intégrés à ggplot2 avec la fonction scale_color_brewer().
• WesAnderson: ce paquet de R, disponible via GitHub, est rempli de thématiques de couleurs basées sur les films de Wes Anderson !

Il est possible de contrôler l'aspect des axes et les échelles utilisées pour représenter les données (e.g. étendue de l'axe, positions, etc.) :

|

CO2.graph + scale_y_continuous(name = "Taux d'absorption de CO2",
                              breaks = seq(5, 50, by = 10),
                              labels = seq(5, 50, by = 10), 
                              trans = "log10")

Les thèmes permettent de créer des graphiques et des figures de très haute qualité. Les thèmes permettent de contrôler les éléments esthétiques qui ne sont pas directement reliés aux données (e.g. couleur d'arrière-plan, type de police, format de la légende, etc.).

L'arrière-plan gris par défaut ne vous enchante peut-être pas… Rassurez-vous ! Comme n'importe quel autre aspect dû à la grammaire des graphiques, vous pouvez modifier l'allure d'un graphique selon vos besoins ou votre sens de l'esthétisme. Voici comment faire :

|

objet.graph + theme()

Il existe une très grande quantité de thèmes inclus dans le paquet ggplot2; vous trouverez la liste complète ici. Vous n'êtes pas obligés de spécifier tous les éléments contenus dans la fonction theme() : vous pouvez débuter avec un thème déjà établi (i.e. avec des paramètres de départ). Par exemple, on peut utiliser le thème “noir et blanc” de la manière suivante :

|

CO2.graph + theme_bw()
# L'arrière-plan est devenu blanc !

Il est très facile de créer son propre thème. Ça peut être très pratique pour produire des figures selon un format précis (e.g. pour une revue scientifique). Le plus simple est de partir d'un thème existant et de modifier ses paramètres :

|

mon.theme <- theme_bw() + 
    theme(plot.title = element_text(colour = "red")) +
    theme(legend.position = c(0.9, 0.9))
CO2.graph + mon.theme
# On a modifié la couleur du titre et la position de la légende
# du thème "noir et blanc".

Le paquet ggtheme est un projet intéressant développé par Jeffrey Arnold. Vous savez comment l'installer :

|

install.packages("ggthemes")
library(ggthemes)

Ce paquet contient plusieurs thèmes, objets géométriques et gradients de couleurs adaptés pour ggplot2. Plusieurs éléments sont basés sur les travaux de personnes influentes dans le domaine de la visualisation des données tel qu'Edward Tufte ou sur les publications des journalistes et programmeurs du blog FiveThirtyEight.

Voici un petit exemple rapide qui utilise les diagrammes de boîte à moustaches de Tufte. Comme vous pouvez le constater, c'est très minimaliste :

|

data(OrchardSprays)
tufte.box  <- ggplot(data = OrchardSprays, aes(x = treatment, y = decrease)) +
    geom_tufteboxplot() +
    theme_tufte()
tufte.box

Il n'y a aucun mal à utiliser une interface utilisateur graphique pour produire des figures ! Jeroen Schouten, un programmeur de très haut niveau, a rapidement compris que la courbe d'apprentissage de R peut être très à pic pour les débutants. C'est pourquoi il a créé une interface utilisateur graphique en ligne pour ggplot2. Ce n'est peut-être pas aussi efficace que de coder directement les principes de la grammaires des graphiques, mais c'est quand même très complet. Vous pouvez importer des données provenant d'Excel, Google Spreadsheets ou de tout autre format et créer des figures en vous basant sur les tutoriels disponibles. Un aspect intéressant est que vous pouvez voir le code utilisé une fois le graphique réalisé. Vous pouvez donc copier-coller ce code dans R et l'utiliser pour générer des graphiques plus complexes (e.g. incluant différents thèmes).

Voici quelques ressources intéressantes pour continuer votre apprentissage du paquet ggplot2. On s'en est d'ailleurs servi comme inspiration pour la matériel couvert aujourd'hui :

ggplot2

• Gallerie de graphique possible dans R
• Guide de référence de ggplot2 par le SAPE
• Le Catalog de Diagramme R
• L'aide-mémoire ggplot2 de RStudio

Notes du cours Stat 405 de Hadley Wickham (les autres cours sont également géniaux !)

• http://stat405.had.co.nz/lectures/11-adv-data-manip.pdf
• http://stat405.had.co.nz/lectures/19-tables.pdf

BONUS ! Allez jeter un coup d'oeil sur le format des scripts recommandé par Hadley afin de faciliter la compréhension et le partage de ceux-ci :

• http://adv-r.had.co.nz/Style.html