데이터 시각화 - 인터랙티브
plotly + ggplot2
xwMOOC
Tidyverse Korea2019-03-07
1 plotly
plotly.js는 plot.ly와 Dash를 배경에 두고 개발된 오픈소스 자바스크립트 라이브러리로 R로 가져온 인터랙티브 시각화 팩키지는 plotly는 웹페이지 Plotly R Open Source Graphing Library에서 다양한 예제를 만나볼 수 있고, Plotly ggplot2 Library를 통해서 영감을 얻을 수 있다. An interactive graphing library for R를 공식적인 GitHub 개발 사이트로 알려져 있다.
2 헬로 월드
rbokeh 인터랙티브 데이터 시각화 팩키지와 비교하여 plotly의 장점은 ggplot2와 연계가 된다는 점이 강점이다. 즉, plotly를 통해서 정적 ggplot2 시각화 산출물을 명령어 하나로 인터랙티브 시각화 산출물로 수월하게 탈바꿈시킬 수 있다.
즉, 정적 ggplot 그래프 객체를 생성시킨 후에 ggplotly() 함수에 던지게 되면 나름 유용한 인터랙티브 시각화 그래프 산출물이 생성된다.
library(tidyverse)
library(plotly)
library(gapminder)
## `ggplot` 정적 그래프
hello_world_g <- gapminder %>%
filter(year == max(year)) %>%
ggplot(aes(x=gdpPercap, y=lifeExp, color=continent)) +
geom_point()
hello_world_g
## `plotyly` 인터랙티브 그래프
ggplotly(hello_world_g)3 단변량 인터랙티브 시각화
3.1 막대그래프
각 대륙별로 속한 국가수를 가장 최근 연도를 기준으로 살펴보자. 이를 위해서 먼저 가장 최근 조사연도를 추출하고 각 대륙별로 국가수를 계수한다. 그리고 나서 plot_ly() 함수에 던지는데 변수를 식별하는데 ~를 사용하는 것이 plotly 팩키지를 사용할 때 다른 rbokeh 혹은 ggplot2와 차이가 난다. ggplot2 문법과 마찬가지로 geom_col()와 유사하게 add_bars()를 사용해서 막대그래프를 완성하게 된다.
gapminder %>%
filter(year == max(year)) %>%
count(continent) %>%
mutate(continent = fct_reorder(continent, n, .desc=TRUE)) %>%
plot_ly(x = ~continent, y = ~n) %>%
add_bars()3.2 히스토그램
기대수명(lifeExp)은 돈(gdpPercap)보다 소중하기 때문에 가장 최근연도 기대수명 산포를 add_histogram() 함수를 통해서 시각화한다. 최대 bin 갯수를 nbinsx=로 설정하여 히스토그램을 제작할 수 있다.
gapminder %>%
filter(year == max(year)) %>%
plot_ly(x = ~lifeExp) %>%
add_histogram(nbinsx = 30)혹은 xbins=를 통해 구간을 설정하여 35세를 기준으로 5세 간격으로 히스토그램 생성도 가능하다.
gapminder %>%
filter(year == max(year)) %>%
plot_ly(x = ~lifeExp) %>%
add_histogram(xbins = list(start = 35, end = 85, size = 5))3.3 밀도(density) 그래프
밀도는 선으로 표현되기 때문에 add_lines()를 사용한다. 각 대륙별로 데이터프레임을 생성시키고, 밀도를 density()로 추정한다. 그리고 나서 plot_ly()에 기대수명 밀도에 색상을 부여한다.
gapminder_df <- gapminder %>%
filter(year == max(year))
## 대륙별 데이터프레임 -----
africa_df <- gapminder_df %>% filter(continent == "Africa")
asia_df <- gapminder_df %>% filter(continent == "Asia")
europe_df <- gapminder_df %>% filter(continent == "Europe")
## 밀도 추정 -----
africa_den <- density(africa_df$lifeExp)
asia_den <- density(asia_df$lifeExp)
europe_den <- density(europe_df$lifeExp)
## 시각화 -----
plot_ly(opacity = 1) %>%
add_lines(x = ~africa_den$x, y = ~africa_den$y, name = "아프리카") %>%
add_lines(x = ~asia_den$x, y = ~asia_den$y, name = "아시아") %>%
add_lines(x = ~europe_den$x, y = ~europe_den$y, name = "유럽") %>%
layout(xaxis = list(title = '기대수명'),
yaxis = list(title = '밀도'))4 이변량 인터랙티브 시각화
4.1 산점도
x 변수도 연속형이고, y 변수도 연속형인 경우 인터랙티브 산점도를 add_markers() 함수로 구현한다.
gapminder %>%
filter(year == max(year)) %>%
plot_ly(x = ~gdpPercap, y = ~lifeExp) %>%
add_markers()4.2 그룹 막대그래프
add_bars() 막대그래프는 기본디폴트 설정으로 barmode = "dodge"로 되어 있어 이를 쌓고자 하는 경우 layout(barmode = "stack")으로 추가 설정을 한다.
gapminder %>%
count(year, continent) %>%
plot_ly(x = ~year, y = ~n, color = ~continent) %>%
add_bars() %>%
layout(barmode = "stack")비율로 변환시킬 경우 비율을 구한 후에 계산된 비율을 plot_ly()에 전달한다.
gapminder %>%
count(year, continent) %>%
group_by(year) %>%
mutate(`비율` = n / sum(n)) %>%
plot_ly(x = ~year, y = ~`비율`, color = ~continent) %>%
add_bars() %>%
layout(barmode = "stack")4.3 상자그림(boxplot)
add_boxplot() 함수를 사용하게 되면 대륙별로 상자그림을 통해 기대수명 분포를 한눈에 파악할 수 있다.
gapminder %>%
filter(year == max(year)) %>%
plot_ly(x = ~continent, y = ~lifeExp, color = ~continent) %>%
add_boxplot()5 시각화 산출물 꾸미기
rbokeh와 마찬가지로 plotly도 색상(color), 투명도(opacity), 모양(symbol), 크기(size), 폭(width) 등을 지정할 수 있다.
투명도(opacity =), 모양(symbol =), 크기(size =)를 지정할 수 있다.
gapminder %>%
filter(year == max(year)) %>%
plot_ly(x = ~gdpPercap, y = ~lifeExp, color = ~continent) %>%
add_markers(marker = list(opacity = 0.5, symbol = "square", size=20))RColorBrewer 팩키지가 내장되되어 있어 add_markers() 함수의 colors =인자에 팔레트를 사용하는 것도 가능하고 색상을 각 범주별로 지정하는 것도 가능하다.
gapminder %>%
filter(year == max(year)) %>%
plot_ly(x = ~gdpPercap, y = ~lifeExp, color = ~continent) %>%
add_markers(colors = "Dark2")layout() 함수에 title=을 통해 그래프 제목을 달 수도 있고 xaxis =, yaxis =에 축라벨을 붙이는 것도 가능하다. showgrid=FALSE를 통해 참조선도 보여주거나 감출 수 있다.
gapminder %>%
filter(year == max(year)) %>%
plot_ly(x = ~gdpPercap, y = ~lifeExp, color = ~continent) %>%
add_markers(colors = c("orange", "darkgray", "skyblue", "black", "red")) %>%
layout(title = '1인당 GDP와 기대수명 관계',
xaxis = list(title = '1인당 GDP',
zeroline = TRUE,
range = c(0, 50000)),
yaxis = list(title = '기대수명',
range = c(0,85),
showgrid = FALSE))6 인터랙티브 시각화
6.1 tooltip
hoverinfo = "text"를 사용해서 text에 마우스로 점 주변을 선회(hover)시킬 때 표식에 제공할 내용을 정리한다.
gapminder %>%
filter(year == max(year)) %>%
plot_ly(x = ~gdpPercap, y = ~lifeExp, color = ~continent, hoverinfo = "text",
text = ~paste0("<b>", "Gapminder", "</b> <br>",
"인당 GDP: ", gdpPercap, "<br>",
"기대수명: ", lifeExp)) %>%
add_markers(colors = c("orange", "darkgray", "skyblue", "black", "red")) %>%
layout(title = '1인당 GDP와 기대수명 관계',
xaxis = list(title = '1인당 GDP',
zeroline = TRUE,
range = c(0, 50000)),
yaxis = list(title = '기대수명',
range = c(0,85)))6.2 회귀선
회귀선을 비롯한 모형 적합선을 add_lines() 명령어를 통해서 추가할 수 있다. showlegend = FALSE를 통해 모형적합선에 대한 범례를 추가시킬 수 있다.
gap_loess <- loess(lifeExp ~ gdpPercap, data = gapminder_df)
gap_lm <- lm(lifeExp ~ gdpPercap, data = gapminder_df)
gapminder_df %>%
plot_ly(x = ~gdpPercap, y = ~lifeExp, hoverinfo = "text",
text = ~paste0("<b>", "Gapminder", "</b> <br>",
"인당 GDP: ", gdpPercap, "<br>",
"기대수명: ", lifeExp)) %>%
add_markers(colors = c("orange", "darkgray", "skyblue", "black", "red"), showlegend = FALSE) %>%
add_lines(y = ~fitted(gap_lm), name = "회귀선") %>%
add_lines(y = ~fitted(gap_loess), name = "LOESS") # layout(showlegend = FALSE)7 다수 그래프
7.1 subplot으로 병합
subplot() 함수로 서로 다른 형태 plotly 객체를 하나로 모아 작성할 수 있다.
asia_plotly <- gapminder_df %>%
filter(continent == "Asia") %>%
plot_ly(x = ~gdpPercap, y = ~lifeExp, hoverinfo = "text",
text = ~paste0("<b>", "Gapminder", "</b> <br>",
"인당 GDP: ", gdpPercap, "<br>",
"기대수명: ", lifeExp)) %>%
add_markers(name = ~continent) %>%
layout(title = '아시아 인당 GDP와 기대수명',
xaxis = list(title = '1인당 GDP'),
yaxis = list(title = '기대수명'))
africa_plotly <- gapminder_df %>%
filter(continent == "Africa") %>%
plot_ly(x = ~gdpPercap, y = ~lifeExp, hoverinfo = "text",
text = ~paste0("<b>", "Gapminder", "</b> <br>",
"인당 GDP: ", gdpPercap, "<br>",
"기대수명: ", lifeExp)) %>%
add_markers(name = ~continent) %>%
layout(title = '아프리카 인당 GDP와 기대수명',
xaxis = list(title = '1인당 GDP'),
yaxis = list(title = '기대수명'))
subplot(asia_plotly, africa_plotly, nrows = 1, shareY = TRUE, shareX = TRUE)7.2 group_by() + do() 조합
group_by()가 split() 함수와 유사한 기능을 제공하여 각 대륙별로 데이터프레임을 쪼개고 do() 명령어가 lapply() 함수와 동일하게 시각화를 각 대륙별 작업을 담당하게 되고 이를 subplot() 함수로 최종 조합하여 시각화 결과물을 산출시키게 된다.
gapminder_df %>%
group_by(continent) %>%
do(plot = plot_ly(data =., x = ~gdpPercap, y = ~lifeExp, hoverinfo = "text",
text = ~paste0("<b>", "Gapminder", "</b> <br>",
"인당 GDP: ", gdpPercap, "<br>",
"기대수명: ", lifeExp)) %>%
add_markers(name = ~continent) %>%
layout(title = '인당 GDP와 기대수명',
xaxis = list(title = '1인당 GDP'),
yaxis = list(title = '기대수명'))
) %>%
subplot(nrows = 2)7.3 산점도 행렬 - SPLOM
산점도 행렬은 1975년 John Hartigan이 제안한 방식으로 산점도를 행렬형태 다수 작은 창으로 시각화하고 인터랙티브 방식으로 작은 창에 연결된 관계를 시각적으로 확인할 수 있도록 한다. plot_ly() 함수 다음에 add_trace()를 추가하고 dimensions =에 관찰하고자 하는 변수를 추가하면 수월히 구현할 수 있다. 마지막에 style()을 통해 중복되는 행렬창을 제거할 수 있다.
gapminder_df %>%
mutate(log_pop = log10(pop)) %>%
plot_ly(color = ~continent) %>%
add_trace(
type = 'splom',
dimensions = list(
list(label='기대수명', values = ~lifeExp),
list(label='인구수', values = ~log_pop),
list(label='인당GDP', values = ~gdpPercap)
)
) %>%
style(showlowerhalf = FALSE)7.4 2D 히스토그램
적외선 열지도(heatmap)와 유사하게 두연속형 변수로 산점도를 그릴 경우 너무 많은 점이 특정 지역에 집중되는 경우 “2D 히스토그램” 혹은 “적외선 열지도(heatmap)”를 통해 시각화하는 것이 많이 사용된다. 이를 위해서 add_histogram2d() 함수를 활용한다.
gapminder_df %>%
plot_ly(x = ~gdpPercap, y = ~lifeExp) %>%
add_histogram2d(nbinsx= 30, nbinsy=30)8 인터랙티브 지도
airports <- read_csv("https://raw.githubusercontent.com/datasets/airport-codes/master/data/airport-codes.csv")
airport_df <- airports %>%
select(ident, name, iso_country, municipality, coordinates) %>%
separate(coordinates, into=c("lat", "long"), sep = ",") %>%
mutate(long = as.numeric(long),
lat = as.numeric(lat)) %>%
filter(iso_country == "KR") %>%
mutate(value = rpois(1374, lambda=100))
map_data(database = 'world', regions = 'south korea') %>%
group_by(group) %>%
plot_geo(x = ~long, y = ~lat) %>%
add_markers(size = I(1))