학습 목표 1

  • ggplot2 팩키지로 데이터를 시각화한다.
  • 고난도 복잡한 시각화 산출물을 ggplot2 팩키지를 활용하여 단계적으로 구축한다.
  • Figshare surveys.csv, mammals data 데이터를 활용하여 시각화를 실습한다.

1 ggplot2로 시각화하는 이유

R에 기본적으로 시각화를 위한 다양한 기능이 존재하지만, ggplot2가 기본으로 제공되는 R 시각화 기능 위에 더욱 강력한 기능을 제공한다. 기본적인 R 기능도 상대적으로 다른 소프트웨어 서비스나 제품과 비교가 되지 않을 정도록 강력하다. 이런 점에서 R은 참 겸손하다는 생각이 든다.

2 데이터 다운로드와 시각화 툴체인

# read_csv로 csv 파일을 불러 읽어온다.
library(readr)
# 시각화를 위한 ggplot2 팩키지를 불러 읽어온다. 
library(ggplot2)
# ggplot2에 입력데이터로 사용될 데이터를 전처리한다.
library(dplyr)
# 데이터를 불러온다.
download.file(url = "https://ndownloader.figshare.com/files/2292169",
              destfile = "data/portal_data_joined.csv")

surveys_dat <- read_csv('data/portal_data_joined.csv')

figshare2 사이트에서 데이터를 가져온다. surveys.csv 데이터는 포획된 동물에 관한 측정정보가 담겨 있다.

2.1 시각화를 위한 데이터 전처리 과정

다운로드 받은 데이터에 대한 요약정보를 summary 함수를 사용해서 살펴본다.

summary(surveys_dat)
   record_id         month             day            year         plot_id     
 Min.   :    1   Min.   : 1.000   Min.   : 1.0   Min.   :1977   Min.   : 1.00  
 1st Qu.: 8964   1st Qu.: 4.000   1st Qu.: 9.0   1st Qu.:1984   1st Qu.: 5.00  
 Median :17762   Median : 6.000   Median :16.0   Median :1990   Median :11.00  
 Mean   :17804   Mean   : 6.474   Mean   :16.1   Mean   :1990   Mean   :11.34  
 3rd Qu.:26655   3rd Qu.:10.000   3rd Qu.:23.0   3rd Qu.:1997   3rd Qu.:17.00  
 Max.   :35548   Max.   :12.000   Max.   :31.0   Max.   :2002   Max.   :24.00  
                                                                               
  species_id            sex            hindfoot_length     weight      
 Length:34786       Length:34786       Min.   : 2.00   Min.   :  4.00  
 Class :character   Class :character   1st Qu.:21.00   1st Qu.: 20.00  
 Mode  :character   Mode  :character   Median :32.00   Median : 37.00  
                                       Mean   :29.29   Mean   : 42.67  
                                       3rd Qu.:36.00   3rd Qu.: 48.00  
                                       Max.   :70.00   Max.   :280.00  
                                       NA's   :3348    NA's   :2503    
    genus             species              taxa            plot_type        
 Length:34786       Length:34786       Length:34786       Length:34786      
 Class :character   Class :character   Class :character   Class :character  
 Mode  :character   Mode  :character   Mode  :character   Mode  :character

2.1.1 1 단계 - 결측값 제거

데이터셋에 일부 결측정보가 summary 실행결과를 보여주고 있어, 이를 제거한다. 각 변수마다 결측치가 있어 이를 한땀 한땀 정성스럽게 결측정보를 제거하는 대신에 dplyr 파이프 연산자를 사용하여 일괄적으로 처리한다.

surveys_complete <- surveys_dat %>%
                    filter(species_id != "") %>%       # species_id 결측값 제거
                    filter(!is.na(weight)) %>%          # weight 결측값 제거
                    filter(!is.na(hindfoot_length))     # hindfoot_length 결측값 제거

2.1.2 2 단계 - 미미한 자료 제거

개체수가 적은 종이 많아서, 개체수 기준 10 보다 적은 종은 제거하기로 한다. 먼저 group_by 함수로 개체종을 그룹으로 군집화하고, tally 함수로 각 종별로 개체수를 세고, 내부인자로 sort=TRUE 를 넣어서 내림차순으로 정렬한다.

species_counts <- surveys_complete %>%
  group_by(species_id) %>%
  count(sort=TRUE)

tail(species_counts)
# A tibble: 6 x 2
# Groups:   species_id [6]
  species_id     n
  <chr>      <int>
1 PH            31
2 PI             8
3 RO             8
4 OX             5
5 PX             2
6 RX             2

개체수가 10개 미만인 종을 제거하고, 시각화를 위한 기본 데이터셋 준비를 완료한다.

frequent_species <- species_counts %>%
                    filter(n >= 10) %>%
                    select(species_id) %>% 
                    pull

surveys_complete <- surveys_complete %>%
           filter(species_id %in% frequent_species)

3 시각화

3.1 Base R 시각화 기능

weight를 예측변수 x 위치에 두고, 종속변수 hindfoot_length를 y에 두고 R 기본 시각화 산점도를 도식화해 보자.

plot(x = surveys_complete$weight, y = surveys_complete$hindfoot_length)

3.2 ggplot2로 시각화

ggplot2를 사용해서 R 기본 내장된 시각화 기능을 대신하여 동일한 작업을 수행할 수 있다.

데이터프레임 데이터에서 복잡하고 정교한 시각화 산출물을 ggplot2 팩키지로 생성할 수 있다. 기본설정만으로 최소의 노력으로 출판 품질 시각화 산출물을 만들어 낼 수 있다.

ggplot2 시각화 산출물은 시각화 요소를 차곡차곡 추가해 나가면서 만들어 간다.

ggplot2 시각화 산출물은 다음 단계로 만들어 나간다:

  • data 인자로 특정 데이터프레임과 플롯을 묶어 연결시킨다.
ggplot(data = surveys_complete)

  • 미적 요소를 aes 로 정의해서, 플롯축에 데이터 변수를 매핑하고, 크기, 모양, 색상 등을 시각화한다.
ggplot(data = surveys_complete, aes(x = weight, y = hindfoot_length))

  • 데이터에 대한 시각적 표현(점, 선, 막대 등)을 하는데 geoms 을 사용해서 플롯에 반영한다. 플롯에 geoms를 추가하는데 + 연산자를 사용한다::
ggplot(data = surveys_complete, aes(x = weight, y = hindfoot_length)) +
  geom_point()

주의 사항

  • ggplot 함수에 넣은 어떤 것도 추가한 geom 계층을 통해 반영된다. 즉, 보편적인 플롯 설정이다.
  • aes()에 설정한 x축, y축도 여기에 포함된다.
  • 투명도(transparaency, alpha)를 추가한다.
ggplot(data = surveys_complete, aes(x = weight, y = hindfoot_length)) +
  geom_point(alpha=0.1)

  • 색상을 추가한다.
ggplot(data = surveys_complete, aes(x = weight, y = hindfoot_length)) +
  geom_point(alpha=0.1, color = "blue")

3.3 상자 그림

각 종별로 체중 분포를 시각화한다.

ggplot(data = surveys_complete, aes(x = species_id,  y = weight)) +
                   geom_boxplot()

상자그림에 점을 추가해서, 특이한 관측점과 많이 관측된 측정값을 볼 수 있다.

ggplot(data = surveys_complete, aes(x = species_id, y = weight)) +
                   geom_jitter(alpha = 0.3, color = "tomato") +
                   geom_boxplot(alpha = 0)

상기 시각화 산출물에서 상자그림이 지터 계층 위에 놓인 방식에 주목한다. geoms 순서를 조정하고, 투명도를 조절해 플롯에 계층을 쌓는 방식을 제어한다.

도전과제

hindfoot_length에 대한 상자그림을 생성한다.

4 시계열 데이터 시각화

각 종별로 년도별 개체수를 계산한다. 이 작업을 수행하기 위해서는 먼저 데이터를 그룹집단화하고, 각 그룹마다 해당 레코드 개수를 센다.

yearly_counts <- surveys_complete %>%
                 group_by(year, species_id) %>%
                 count(sort = TRUE)

x축에 연도, y 축에 개수를 놓고 직선으로 시간에 따라 경과한 정보를 시각화한다.

ggplot(data = yearly_counts, aes(x = year, y = n)) +
                  geom_line()

불행하게도, 상기 그래프는 원하는 바가 아닌데, 이유는 모든 종에 대해 데이터를 시각화하게 명령어를 전송했기 때문이다. species_id로 시각화한 데이터를 쪼갠 후에 ggplot 명령어로 시각화하게 한다.

ggplot(data = yearly_counts, aes(x = year, y = n, group = species_id)) +
  geom_line()

색상을 추가하게 되면, 그래프에서 개체를 식별하게 된다.

ggplot(data = yearly_counts, aes(x = year, y = n, group = species_id, color = species_id)) +
  geom_line()

5 측면보여주기(faceting)

ggplot 에는 측면 보여주기(faceting) 라는 특수한 기능이 있어서, 특정 요인에 따라 그래프 하나를 다수 그래프로 쪼갤 수 있다. 예를 들어, 각 종마다 시계열 그래프를 별도로 도식화할 수 있다.

ggplot(data = yearly_counts, aes(x = year, y = n, color = species_id)) +
  geom_line() + facet_wrap(~species_id)

관측된 각 개체 성별에 따라 그래프에 직선을 쪼개고자 한다. 이 작업을 수행하려면, 성별로 그룹을 만들어 데이터프레임에 개수를 세어야 된다.

도전과제

  • 데이터프레임을 필터링해서 “F” 혹은 “M” 값을 갖는 레코드만 갖도록 작업한다.
sex_values = c("F", "M")
surveys_complete <- surveys_complete %>%
           filter(sex %in% sex_values)
  • 연도(year), 개체 신원정보(special_id), 성(sex) 별로 그룹을 만든다.
yearly_sex_counts <- surveys_complete %>%
                     group_by(year, species_id, sex) %>%
                     count
  • (개별 그래프 내부에) 성별로 쪼개는 측면보여주기 플롯을 생성한다.
ggplot(data = yearly_sex_counts, aes(x = year, y = n, color = species_id, group = sex)) +
  geom_line() + facet_wrap(~ species_id)

  • 논문출판으로 흰색 배경이 좀더 가독성을 좋게 한다. theme_bw() 함수를 사용해서 흰색 배경을 적용한다.
ggplot(data = yearly_sex_counts, aes(x = year, y = n, color = species_id, group = sex)) +
  geom_line() + facet_wrap(~ species_id) + theme_bw()

  • 종대신에 성별로 색상을 입혀서 그래프 가독성을 좋게 만들 수 있다. (종은 이미 별도 그래프로 시각화되어서, 더 잘 식별하게 만들 필요는 없다.)
ggplot(data = yearly_sex_counts, aes(x = year, y = n, color = sex, group = sex)) +
  geom_line() + facet_wrap(~ species_id) + theme_bw()

  • 연도에 걸쳐 각 종별로 평균 체중을 시각화한다.
yearly_weight <- surveys_complete %>%
                 group_by(year, species_id, sex) %>%
                 summarise(avg_weight = mean(weight, na.rm = TRUE))

ggplot(data = yearly_weight, aes(x=year, y=avg_weight, color = species_id, group = species_id)) +
  geom_line() + theme_bw()

  • 시각화를 왜 이런 단계를 밟아서 도식화 절차를 거친다고 생각하는가?
  • 수컷과 암컷 체중이 상당히 차이가 나서 성별로 별도 시각화를 수행한다.
ggplot(data = yearly_weight, aes(x=year, y=avg_weight, color = species_id, group = species_id)) +
  geom_line() + facet_wrap(~ sex) + theme_bw()

지금까지 시각화 결과가 상당히 좋았지만, 아직 출판하기에는 많이 부족하다. 시각화 산출물 결과를 향상할 수 있는 다른 방법은 무엇이 있을까? ggplot2 컨닝쪽지(cheat sheet)를 참조하고, 적어도 세가지 아이디어를 적어본다.

x축과 y축에 ‘year’와 ’n’ 보다 더 많은 정보를 전달하도록 변경하고, 그래프에 제목을 추가한다.

ggplot(data = yearly_sex_counts, aes(x = year, y = n, color = sex, group = sex)) +
  geom_line() +
  facet_wrap(~ species_id) +
  labs(title = 'Observed species in time',
       x = 'Year of observation',
       y = 'Number of species') + theme_bw()

이제 좀더 나아져서 훨씬 더 많은 정보를 주는 x, y 축 명칭으로 바꿨지만, 가독성이 떨어지고 있다. 글자 크기를 변경하고 글자체도 변경한다.

ggplot(data = yearly_sex_counts, aes(x = year, y = n, color = sex, group = sex)) +
  geom_line() +
  facet_wrap(~ species_id) +
  labs(title = 'Observed species in time',
       x = 'Year of observation',
       y = 'Number of species') +
  theme(text=element_text(size=16, family="Arial")) + theme_bw()

조작을 한 다음에, x 축이 여전히 적절한 가독성을 전달하고 있지 않음을 볼 수 있다. 라벨 방향을 변경해서 서로 겹쳐지지 않도록 수평 혹은 수직방향으로 바꾼다. 90도 각도를 사용하거나, 대각선 방향으로 라벨방향을 변경하도록 적절한 각도로 바꾸는 실험을 진행한다.

ggplot(data = yearly_sex_counts, aes(x = year, y = n, color = sex, group = sex)) +
    geom_line() +
    facet_wrap(~ species_id) +
    theme_bw() +
    theme(axis.text.x = element_text(colour="grey20", size=12, angle=90, hjust=.5, vjust=.5),
          axis.text.y = element_text(colour="grey20", size=12),
          text=element_text(size=16, family="Arial")) +
    labs(title = 'Observed species in time',
         x = 'Year of observation',
         y = 'Number of species')

이제, 라벨을 키워서 가독성이 더 좋아졌지만, 개선할 여지는 남아 있다. 시간을 5분만 더 들여서 더 나은 시각화 산출물을 만들어 내도록 하나 혹은 두가지 작업을 시도해 본다. ggplot2 컨닝 쪽지를 사용해서, 상기 시각화 산출물에 적용할 영감을 받아본다.

다음에 몇가지 생각난 것이 있다:

  • 선 두께를 변경할 수 있는지 살펴본다.
  • 범례(legend) 명칭을 변경할 방법을 살펴본다. 범례 라벨은 어떤가?
  • 외양을 좋게 하는데 다른 색상 팔레트를 사용한다. (http://www.cookbook-r.com/Graphs/Colors_(ggplot2)/)

완벽한 시각화 산출물이 도출되면, 선호하는 그림파일 형식으로 저장한다. 그림 폭과 높이를 지정해서 크기를 쉽게 변경한다.

ggsave("fig/observed_species_in_time.png", width=15, height=10)

Error in plot.new() : figure margins too large 시각화 문제 해결

그림에 좌우상하 여백(margin)이 맞지 않는 오류가 발생하는 경우 좌우상하 여백을 기본설정 par(mar=c(1,1,1,1)) 명령어를 통해 해결한다.

plot(x = surveys.complete$weight, y = surveys.complete$hindfoot_length)
Error in plot.new() : figure margins too large

  1. Data Carpentry R lessons on ecology↩︎

  2. “figshare wants to open up scientific data to the world”↩︎