Réaliser des graphiques avec ggplot2
Visualisation de données avec ggplot2
Lors de cette séance nous allons apprendre à visualiser des jeux de données tabulaires avec ggplot2.
Pour cette formation, nous allons utiliser une version légèrement modifiée du jeu de données publié par Burghard et al 2015.
Il s’agit d’une expérience de phénotypage de plantes d’Arabidopsis thaliana qui ont poussé dans différentes conditions:
- A 12°C ou à 22°C
- Avec une température constante ou qui fluctue dans la journée
- Avec une période de 8h de jour ou de 16h de jour par cycle de 24h
- Avec un traitement de froid qui immite l’hiver (vernalisation)
Des plantes de différents génotypes ont été analysées: des mutants et sauvages et des écotypes différents.
Pour chaque plante dans chaque condition plusieurs phénotypes ont été mesurés (voir illustration ci-dessous pour mieux comprendre les termes):
- Le nombre de jour pour que la tige (qui contient les fleurs) emmerge: days to bolt
- Le nombre de jour pour que la première fleur s’ouvre: days to flower
- Le nombre de feuilles dans la rosette à la fin de l’expérience: rosette leaf num
- Le nombre de feuilles caulines à la fin de l’expérience: cauline leaf num
- La longueur du limbe de la feuille: blade lenght mm
- La longueur de la feuille (avec le pétiole et le limbe) total leaf length mm
Quels types de graphiques pouvons nous faire avec ggplot2?
Il est possible de représenter les données de différentes manières et ggplot2 offre de nombreuses options de visualisation.
Parmi les plus connues:
Et encore plus. Pour toutes les découvrir, voir cette galerie de graphiques avec ggplot2
Mise en place
Ouvrez avec Rstudio le fichier Script_ggplot_lesson.R qui est dans le répertoire session2_ggplot/materiel.
Lors de cette séance nous allons utiliser plusieurs packages qui contiennent les fonctions dont nous avons besoin:
- tidyverse qui contient plusieurs packages dont ggplot2
- visdat qui permet une représentation rapide des données
- plotly pour faire des graphiques interactifs
Ces packages sont normalement déjà installés. Pour les importer dans votre session, utilisez la fonction library() :
library(tidyverse)
library(visdat)
library(plotly)Vous devez aussi vous assurer que le répertoire de travail de R est bien le dossier qui contient le matériel de la formation. Le chemin vers ce dossier va être différent en fonction de votre système opérateur.
Pour spécifier le répertoire de travail de R utilisez la fonction setwd():
setwd("~/Desktop/2021_L3_R/session2_ggplot/materiel")Import et vérification des données
Ouvrez avec Rstudio le fichier Script_ggplot_session.R qui est dans le répertoire session2_ggplot/materiel. Nous allons coder ensemble dans ce script, qui est quasiment vide pour le moment.
La version simplifiée des données est dans le dossier session2_ggplot/data (burghardt_et_al_2015_expt1.txt). Il s’agit de données pour des phénotypes associés au temps nécessaire à des plantes de différents génotypes pour fleurir dans différentes conditions.
Comme notre répertoire de travail est le dossier materiel , nous devons importer les données ainsi:
# Import des données et chargement dans l'objet expt1
expt1 <- read_tsv("../data/burghardt_et_al_2015_expt1.txt")##
## ── Column specification ────────────────────────────────────────────────────────
## cols(
## plant_nb = col_double(),
## genotype = col_character(),
## background = col_character(),
## temperature = col_double(),
## fluctuation = col_character(),
## day.length = col_double(),
## vernalization = col_character(),
## survival.bolt = col_character(),
## bolt = col_character(),
## days.to.bolt = col_double(),
## days.to.flower = col_double(),
## rosette.leaf.num = col_double(),
## cauline.leaf.num = col_double(),
## blade.length.mm = col_double(),
## total.leaf.length.mm = col_double()
## )La fonction read_tsv() imprime un message indiquant quel type de données sont contenues dans les différentes colonnes du fichier.
Dans notre cas, certaines colonnes contiennent des données de type “character” (du texte) et d’autres des données numériques (“double” en présence de décimale, “integer” en absence de décimale).
Pour regarder rapidement les données, tapez le nom de l’objet où sont les données (expt1).
expt1## # A tibble: 957 x 15
## plant_nb genotype background temperature fluctuation day.length vernalization
## <dbl> <chr> <chr> <dbl> <chr> <dbl> <chr>
## 1 1 Col Ama Col 12 Con 16 NV
## 2 2 Col Ama Col 12 Con 16 NV
## 3 3 Col Ama Col 12 Con 16 NV
## 4 4 Col Ama Col 12 Con 16 NV
## 5 5 Col Ama Col 12 Con 16 NV
## 6 6 Col Ama Col 12 Con 16 NV
## 7 7 Col Ama Col 12 Con 16 NV
## 8 8 Col Ama Col 12 Con 16 NV
## 9 1 Col Ama Col 12 Con 8 NV
## 10 2 Col Ama Col 12 Con 8 NV
## # … with 947 more rows, and 8 more variables: survival.bolt <chr>, bolt <chr>,
## # days.to.bolt <dbl>, days.to.flower <dbl>, rosette.leaf.num <dbl>,
## # cauline.leaf.num <dbl>, blade.length.mm <dbl>, total.leaf.length.mm <dbl>Cela va montrer les 10 premières lignes du tableau ainsi que les colonnes qui rentrent dans l’écran.
Exercice: Combien y a-t-il de lignes et colonnes dans les données?
Une autre option est d’utiliser la fonction View() pour accéder à une table interactive où il est possible de trier et filtrer les données sans modifier l’objet:
View(expt1)- La fonction
glimpse()permet d’avoir une idée de la structure des données:
glimpse(expt1)## Rows: 957
## Columns: 15
## $ plant_nb <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 1, 2, 3, 4, 5, 6, 7, 8, …
## $ genotype <chr> "Col Ama", "Col Ama", "Col Ama", "Col Ama", "Col…
## $ background <chr> "Col", "Col", "Col", "Col", "Col", "Col", "Col",…
## $ temperature <dbl> 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, …
## $ fluctuation <chr> "Con", "Con", "Con", "Con", "Con", "Con", "Con",…
## $ day.length <dbl> 16, 16, 16, 16, 16, 16, 16, 16, 8, 8, 8, 8, 8, 8…
## $ vernalization <chr> "NV", "NV", "NV", "NV", "NV", "NV", "NV", "NV", …
## $ survival.bolt <chr> "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y"…
## $ bolt <chr> "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y"…
## $ days.to.bolt <dbl> 28, 29, 31, 31, 32, 33, 34, 35, 69, 72, 76, 79, …
## $ days.to.flower <dbl> 43, 44, 43, 42, 44, 47, 47, 49, 90, 91, 97, 99, …
## $ rosette.leaf.num <dbl> 18, 15, 13, 17, 19, 14, 15, 18, 53, 49, 51, 55, …
## $ cauline.leaf.num <dbl> 6, 5, 4, 5, 4, 4, 3, 5, 6, 5, 6, 9, 6, 9, 8, 10,…
## $ blade.length.mm <dbl> 12.9, 10.5, 13.2, 14.6, 13.3, 14.7, 13.0, 17.8, …
## $ total.leaf.length.mm <dbl> 21.1, 19.1, 23.4, 27.2, 20.4, 25.3, 23.2, 31.3, …Exercice Quel est le type des variables dans les données ?
dim()indique les dimensions du jeu de données (nombre de lignes et colonnes).
dim(expt1)## [1] 957 15- Pour les données numériques, la fonction
summary()permet d’obtenir des stats de base pour chaque colonne.
summary(expt1)## plant_nb genotype background temperature
## Min. : 1.000 Length:957 Length:957 Min. :12.00
## 1st Qu.: 2.000 Class :character Class :character 1st Qu.:12.00
## Median : 4.000 Mode :character Mode :character Median :12.00
## Mean : 4.589 Mean :16.98
## 3rd Qu.: 7.000 3rd Qu.:22.00
## Max. :12.000 Max. :22.00
##
## fluctuation day.length vernalization survival.bolt
## Length:957 Min. : 8.00 Length:957 Length:957
## Class :character 1st Qu.: 8.00 Class :character Class :character
## Mode :character Median :16.00 Mode :character Mode :character
## Mean :12.01
## 3rd Qu.:16.00
## Max. :16.00
##
## bolt days.to.bolt days.to.flower rosette.leaf.num
## Length:957 Min. : 15.00 Min. : 21.00 Min. : 5.00
## Class :character 1st Qu.: 38.00 1st Qu.: 46.00 1st Qu.: 24.00
## Mode :character Median : 57.00 Median : 66.00 Median : 40.00
## Mean : 66.04 Mean : 71.59 Mean : 39.71
## 3rd Qu.: 85.00 3rd Qu.: 92.00 3rd Qu.: 53.00
## Max. :162.00 Max. :182.00 Max. :112.00
## NA's :83 NA's :95
## cauline.leaf.num blade.length.mm total.leaf.length.mm
## Min. : 1.000 Min. : 7.10 Min. : 9.00
## 1st Qu.: 5.000 1st Qu.:18.00 1st Qu.:29.10
## Median : 8.000 Median :20.95 Median :34.60
## Mean : 7.208 Mean :21.11 Mean :34.69
## 3rd Qu.: 9.000 3rd Qu.:24.30 3rd Qu.:40.27
## Max. :17.000 Max. :59.00 Max. :66.30
## NA's :96 NA's :327 NA's :303Nous avons déjà utilisé de nombreuses fonctions:
install.packages()library()read_tsv()View()glimpse()summary()dim()
Il est bien sûr difficile de ce souvenir du nom de toutes ces fonctions, ce qu’elles font et comment les utiliser. Heureusement, pour nous aider, une aide est disponible dans R en tapant le nom d’une fonction précédé de ?
?summaryBien sur, une recherche sur internet est aussi une solution très efficace pour trouver de l’aide!
Exercice que fait la fonction
head()?
Exercice Comment regarder les dernières lignes de le notre jeu de données? (indice:
?tail)
Inspection visuelle des données
Pour avoir une vue d’ensemble du jeu de données et détecter des problèmes, nous allons utiliser la fonction vis_dat().
vis_dat(expt1)
Exercice Quel est le type de données le plus courant dans le jeu de données ? Y a-t-il des problème?
Données manquantes
Le gris dans la figure générée par vis_dat() sont des données manquantes. Plusieurs stratégies peuvent être utilisées:
- supprimer les lignes qui contiennent des données manquantes (le plus sûr, mais cause une perte de données)
- ignorer les données manquantes
Pour la formation, nous allons enlever les lignes contenant des données manquantes.
expt1 <- drop_na(expt1)Combien de lignes nous reste-il?
Plots! Plots! Plots!
Maintenant que nous avons vérifié la qualité de notre jeu de donnée, nous pouvons générer des graphiques afin d’en apprendre plus sur les données générées par l’expérience.
Nous allons utiliser le package R ggplot2, qui utilise le principe de “grammar or graphics”. Il s’agit des briques du graphique. Cette méthode permettant de combiner et superposer différentes couches de briques:
- data (données)
- aesthetics
- objet géométrique (type de graphique)
- transformations statistiques
- ajustements positionels
- faceting
Les trois premières briques sont essentielles: data, aesthetics et objet géométrique.
- data - Vos données
- aesthetics - Ce que l’on veux montrer sur le graphique et qui dépend des données. Par exemple ce qui est en x et y, la couleur, forme, type de ligne, taille, etc… Pour cela nous utilisons la fonction
aes(). - geom_objects - les objets que nous voulons dans le graphique. Un graphique doit avoir au moins un
geom_object, et peut en avoir plusieurs. Par exemple:- points (
geom_pointpour des scatter plots, dot plots) - lignes (
geom_linepour des tendance, séries chronologiques)
- points (
Pour plus d’information sur la création de graphique avec ggplot2, voir cette antisèche très utile.
Faire un graphique avec ggplot2
Commençons avec un boxplot: Dessinons le days.to.flower pour les différents génotypes.
La fonction ggplot() permet de commencer le graphique. Il faut aussi indiquer les données à utiliser:
ggplot(expt1)
Mais cela ne produit qu’un canevas gris!
Il nous manque des briques. En l’occurrence nous devons indiquer quelle aesthetics (c’est la terminologie de ggplot2) nous voulons sur ce canevas gris. Nous devons indiquer quelles sont les variables x et y du boxplot.
ggplot(expt1, aes(x = genotype, y = days.to.flower))
ggplot indique maintenant les variables genotype et days.to.flower de nos données sur les axes x et y du graphique.
Mais toujours pas de graphique. C’est parce que nous pas indiqué à ggplot quelle géométrie nous voulons dessiner sur le canevas. Pour faire un boxplot, nous ajoutons au canevas (littéralement avec un +) geom_boxplot():
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_boxplot()
Exercice 1: Pouvez vous dessiner un violin plot? (indice:
?geom_violin)
Ajout de plusieurs couches
Nous allons maintenant ajouter d’autres geom_objects au même graphique. Par exemple, des points pour les valeurs des individus en plus du boxplot:
ggplot(expt1, aes(genotype, rosette.leaf.num)) +
geom_jitter() +
geom_boxplot()
Exercice 2: Modifiez le graphique pour que les points soient devant plutôt que derrière les boxplots.
Couleurs!
Changeons la couleur des boxplots:
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_boxplot(colour = "red")
Ou la couleur à l’intérieur ( fill) des boxplots:
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_boxplot(colour = "red", fill = "royalblue")
Ou même leur transparence:
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_boxplot(colour = "red", fill = "royalblue", alpha = 0.5)
C’est sympa, mais cela ne nous apporte pas d’information en plus sur les données.
Par exemple, ajoutons une couleur qui change en fonction d’un des traitements auquel les plantes ont été exposées (par exemple fluctuation). En langage ggplot2, nous voulons lier la valeur de la variable fluctuation à la couleur dans l’ aesthetic du graphique.
Nous devons donc inclure cette information dans aes():
ggplot(expt1, aes(genotype, days.to.flower, colour = fluctuation)) +
geom_boxplot()
Wow! ggplot a automatiquement séparé les données de chaque génotype en deux groupes en fonction de fluctuation et leur a attribué une couleur.
Imaginons que nous voulons ajouter les points pour les valeurs des individus, sans couleur, derrière les boxplots colorés:
ggplot(expt1, aes(genotype, days.to.flower, colour = fluctuation)) +
geom_jitter() +
geom_boxplot(alpha = 0.5)
Ce n’est pas ce que nous voulons. L’aesthetique colour a été liée à toutes les géométries du graphique. C’est parce qu’elle a été définie dans la fonction ggplot(), qui affecte tous les geom_object qui viennent après.
Mais nous pouvons aussi définir l’aesthetique dans chaque géométrie:
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_jitter() +
geom_boxplot(aes(fill = fluctuation), alpha = 0.5)
Exercice 3: Nous voulons étudier la relation entre le nombre de feuille de rosette et la longueur la limbe des feuilles (en mm) pour les génotypes.
Pour cela, dessinez un scatter plot (
geom_point()) entreblade.length.mmetrosette.leaf.numen colorant les points en fonction degenotype.Que se passe t-il si les points sont colorés en fonction de
days.to.bolt?
Facetting
Souvent trop de variables, ou de groupes, sont dans nos données pour pouvoir uniquement utiliser les couleurs pour les discriminer.
C’est le cas par exemple du scatterplot produit dans l’exercice précédent, où les points sont colorés en fonction du génotype. Il est difficile de bien discerner les données pour chaque génotype car ils sont très rapprochés. L’idéal serait d’avoir un scatterplot par génotype.
Ceci est assez facile à faire avecggplot2, il suffit d’ajouter une couche au graphique appelée “facet”:
facet_grid()- qui permet d’organiser les panneaux du graphique en lignes et/ou colonnes
facet_wrap()- qui permet d’organiser les panneaux du graphique à la suite les uns des autres qui reviennent à la ligne après un certain nombre de panneaux.
Voyons comment facet_grid() fonctionne:
ggplot(expt1, aes(blade.length.mm, rosette.leaf.num, colour = genotype)) +
geom_point() +
facet_grid(genotype ~ temperature)
Dans facet_grid(), nous utilisons la notation (ligne ~ colonne) pour définir les variables qui sont utilisées pour séparer les panneaux en ligne et colonnes.
Exercice 4: Les couleurs n’apportent plus d’information supplémentaire. Pensez à une utilisation plus intéressante des couleurs dans ce graphique.
Il est possible de ne préciser qu’une variable dans facet_grid() :
# Faceter en ligne
ggplot(expt1, aes(blade.length.mm, rosette.leaf.num, colour = fluctuation)) +
geom_point() +
facet_grid(genotype ~ .)
# Faceter en colonne
ggplot(expt1, aes(blade.length.mm, rosette.leaf.num, colour = fluctuation)) +
geom_point() +
facet_grid(. ~ genotype)
Il est aussi possible d’utiliser facet_wrap() si l’on n’utilise qu’une variable pour séparer les données :
ggplot(expt1, aes(blade.length.mm, rosette.leaf.num, colour = fluctuation)) +
geom_point() +
facet_wrap( ~ genotype)
Exercice 5: Modifiez le graphique précédent afin de séparer les données (facet) en fonction de
fluctuationen ligne, etday.lengthen colonne et de colorer les points en fonction du génotype.
En conclusion, il est possible de représenter de nombreuses informations en combinant efficacement facets, couleurs et autres aesthetiques!
Exercice 6: Reproduisez le graphique suivant (ou quelque chose d’approchant):
.
Indice: facet le graphique avec
day.lengthettemperatureet colorer l’intérieur des boxplot en fonction defluctuation.
Extras
D’autres packages qui peuvent apporter un plus à ggplot2:
Ressources et liens utiles
A faire pour la prochaine séance
A partir ce ce que nous avons vu aujourd’hui:
- Testez différents types de graphiques en utilisant ggplot sur l’un de vos jeux de données
- Si vous n’avez jamais utilisé
tidyversesur R sur votre ordinateur, vous aurez besoin de l’installer avant de le charger dans R. Pour cela utilisez la commande suivante:
install.packages("tidyverse")Pour ceux qui n’ont pas de données, vous pouvez utiliser le tableau Pan_Rui_2017_flowering time_raw_data.txt (publié par Pan et Rui) dans le dossier data