Gráficos de An Introduction to Statistical Learning con ggplot2 - Figura 2.1.

Gráfico a replicar

Continuamos con la serie iniciada sobre la creación de gráficos del libro An Introduction to Statistical Learning. En esta ocasión replicaremos los gráficos de la figura 2.1. Utilizan el conjunto de datos Advertising. El gráfico representa las ventas en unidades de mil como una función de los presupuestos de televisión, radio o prensa, para 200 mercados. En cada gráfico se muestra la recta de regresión lineal que mejor se ajusta para las ventas y cada variable, descrito en el capítulo 3 del libro. En otras palabras, cada línea azul representa un modelo simple que puede ser usado para predecir las ventas usando la televisión, radio o prensa respectivamente.

Solución

library(tidyr)
library(ggplot2)
ad <- read.csv("http://www-bcf.usc.edu/~gareth/ISL/Advertising.csv")
ad_long <-  gather(ad, media, budgets,  TV:newspaper, factor_key = TRUE)
ggplot(ad_long, aes(x = budgets, y = sales, colour = media)) +
  geom_point()
ggplot(ad_long, aes(x = budgets, y = sales)) +
  geom_point() +
  facet_grid( ~ media, scales = "free") +
  geom_smooth(method = "lm")

Entradas relacionadas

• Gráficos de An Introduction to Statistical Learning con ggplot2 - Figura 1.1
• Gráficos de An Introduction to Statistical Learning con ggplot2 - Figura 1.2
• Gráficos de An Introduction to Statistical Learning con ggplot2 - Figura 1.3
• Gráficos de An Introduction to Statistical Learning con ggplot2 - Figura 1.4
• Gráficos de An Introduction to Statistical Learning con ggplot2 y plotly - Figura 1.4 interactiva
• Entradas de diagramas de dispersión
• Subconjunto de estadísticas descriptivas en R

Convertir de formato largo a ancho usando una función de agregación en R

Problema

Deseamos transformar un data frame de formato largo a ancho agrupando por la suma de los valores de una de las variables. Es decir pasar de esta tabla,

 V1 V3     V2
1  5 10    low
2  5  3    low
3  5  6 medium
4 45 10    low
5 45  3    low
6 77  1   high

A esta otra, donde mantenemos la columna V1, la columna V2 contiene los nombres de las nuevas columnas, y la columna V3 será la variable que almacenará los valores y que agregaremos sumando.

  V1 low medium high
1  5  13      6    0
2 45  13      0    0
3 77   0      0    1

Datos originales

V1 <- c(5,5,5,45,45,77)  
V2 <- c("low", "low", "medium", "low", "low", "high")  
V3 <- c(10,3,6,10,3,1)  
df <- as.data.frame(cbind(V1,V3,V2))

Soluciones

Primero examinamos el data frame que nos dieron.

str(df)

'data.frame': 6 obs. of  3 variables:
 $ V1: Factor w/ 3 levels "45","5","77": 2 2 2 1 1 3
 $ V3: Factor w/ 4 levels "1","10","3","6": 2 3 4 2 3 1
 $ V2: Factor w/ 3 levels "high","low","medium": 2 2 3 2 2 1

Las columnas V1 y V3 se han convertido en factores, cuando deberían ser númericas. Si utilizáramos cualquier código obtendríamos el error: Error: ‘sum’ not meaningful for factors. Para solucionarlo, empleamos el siguiente código:

df <- cbind.data.frame(V1,V3,V2)
str(df)

'data.frame': 6 obs. of  3 variables:
 $ V1: num  5 5 5 45 45 77
 $ V3: num  10 3 6 10 3 1
 $ V2: Factor w/ 3 levels "high","low","medium": 2 2 3 2 2 1

reshape2

Empleamos dcast para crear un data frame, usando V3 como la variable valores, e indicamos como función de agregación la suma (sum).

library(reshape2)
dcast(df, V1  ~ V2, value.var="V3", fun = sum)

  V1 high low medium
1  5    0  13      6
2 45    0  13      0
3 77    1   0      0

Como se puede observar, ordenado las columnas alfabéticamente (high, low y medium) en lugar de respetar el orden de ocurrencia original: low, medium, high.

dcast(df, V1  ~ factor(V2, levels = unique(V2)), value.var = "V3", sum)

'data.frame': 6 obs. of  3 variables:
 $ V1: num  5 5 5 45 45 77
 $ V3: num  10 3 6 10 3 1
 $ V2: Factor w/ 3 levels "high","low","medium": 2 2 3 2 2 1

paquete base

Empleamos la función xtabs para crear una tabla de contingencia mediante el formato fórmula.

xtabs(V3 ~ V1 + V2, df)

    V2
V1   high low medium
  5     0  13      6
  45    0  13      0
  77    1   0      0

xtabs(V3 ~ V1 + factor(V2, c("low", "medium", "high")), df)

   factor(V2, c("low", "medium", "high"))
V1   low medium high
  5   13      6    0
  45  13      0    0
  77   0      0    1

dplyr y tidyr

Con dplyr con la función spread, el equivalente a dcast en reshape2.

df$V2 <- factor(df$V2, levels = c("low", "medium", "high"))

library(tidyr)# Función spread
library(dplyr)

df %>%
  group_by(V1, V2) %>%
  summarise(sum = sum(V3)) %>%
  spread(V2, sum, fill = 0)

Source: local data frame [3 x 4]

     V1   low medium  high
  (dbl) (dbl)  (dbl) (dbl)
1     5    13      6     0
2    45    13      0     0
3    77     0      0     1

Entradas relacionadas

• Tablas de contingencia en R
• Transformar tabla de contingencia en tabla de de frecuencias

Referencias

• stackoveflow