library(ggplot2)

listings_url <- "http://data.insideairbnb.com/spain/comunidad-de-madrid/madrid/2015-10-02/visualisations/listings.csv"
airbnb_listings <- read.csv(listings_url, colClasses=c("host_id"="factor"), na.strings="")
reviews_url <- "http://data.insideairbnb.com/spain/comunidad-de-madrid/madrid/2015-10-02/visualisations/reviews.csv"
airbnb_reviews <- read.csv(reviews_url, colClasses=c("date"="Date"))

Primeros pasos

Ejemplo 1: queremos pintar longitud vs. latitud de los apartamentos.

Versión detallada

ggplot() +
  layer(
    data = airbnb_listings,
    mapping = aes(x = longitude, y = latitude),
    geom = "point",
    stat = "identity",
    position = "identity"
  ) +
  scale_x_continuous() +
  scale_y_continuous() +
  coord_cartesian()

Versión resumida equivalente (más común)

ggplot(airbnb_listings, aes(x=longitude, y=latitude)) + geom_point()

Jugando con las scales

Ejemplo 2: nos gustaría añadir información al gráfico anterior, coloreando los puntos según el tipo de habitación del que se trate.

Mapeamos room_type a la aesthetic color:

ggplot(airbnb_listings, aes(x=longitude, y=latitude, color=room_type)) + geom_point()

Como room_type es una variable categórica, la scale por defecto es la discreta (scale_color_discrete()). Podemos cambiarla para poner los colores que más nos gusten.

Opción 1: establecer los colores manualmente

Por defecto asigna los colores por orden

ggplot(airbnb_listings, aes(x=longitude, y=latitude, color=room_type)) + geom_point() +
  scale_color_manual(values=c("dark green", "orange", "black"))

Pero también se le puede decir qué color corresponde a qué valor de la variable

ggplot(airbnb_listings, aes(x=longitude, y=latitude, color=room_type)) + geom_point() +
  scale_color_manual(values=c("Private room"="orange", "Shared room"="black", "Entire home/apt"="dark green"))

Opción 2: elegir de paletas predefinidas:

ggplot(airbnb_listings, aes(x=longitude, y=latitude, color=room_type)) + geom_point() +
  scale_color_brewer(palette="Set2")

Más paletas discretas (y también continuas) en el último apartado de http://www.cookbook-r.com/Graphs/Colors_(ggplot2)/

Ejemplo 3: ahora queremos colorear por precio, en lugar de por tipo de habitación.

ggplot(airbnb_listings, aes(x=longitude, y=latitude, color=price)) + geom_point()

Esta vez la variable es continua, y la scale por defecto es (scale_color_continuous()). Podemos modificar los colores del gradiente usando por ejemplo scale_color_gradient() o scale_color_gradientn:

ggplot(airbnb_listings, aes(x=longitude, y=latitude, color=price)) + geom_point() +
  scale_color_gradient(low="yellow", high="red")

¿Qué problema vemos? La mayoría de apartamentos tiene un precio por debajo de los 1000€ y por tanto casi todos los puntos salen amarillos. Para que esto no ocurra podemos aplicarle una transformación logarítmica a la scale:

ggplot(airbnb_listings, aes(x=longitude, y=latitude, color=price)) + geom_point() +
  scale_color_gradient(low="yellow", high="red", trans="log")

Más sobre los stats

Ejemplo 4: nos gustaría ver qué tipos de habitaciones son los más frecuentes. Para ello usamos la geom “bar” y nos aprovechamos del stat que usa por defecto: “count”, que lo que hace es contar el número de ocurrencias.

Observación: con el parámetro fill podemos establecer el color del relleno. Si no lo mapeamos a una variable, será un atributo fijo común a toda la capa.

ggplot(airbnb_listings, aes(x=room_type)) + geom_bar(fill="red")

Si queremos mostrar etiquetas con las cantidades podemos usar el parámetro label junto con la geometría label o text. Nuestro dataset en principio no tiene una variable para el número de apartamentos por habitación, pero al aplicar el stat “count” se crea una variable extra, ..count.., a la que podemos hacer referencia.

ggplot(airbnb_listings, aes(x=room_type)) + geom_bar(fill="red") + geom_label(stat="count", aes(label=..count..), size=3.5)

Ejemplo 5: mostrar el número de apartamentos que tiene cada distrito

Si queremos crear un gráfico de barras en el que la altura represente un valor previamente calculado, y no un conteo, deberemos mapear la posición y y sobreescribir el stat por defecto y usar “identity” en su lugar:

# Sacamos el listado de hosts únicos
neighb_roomcount <- as.data.frame(table(airbnb_listings$neighbourhood_group))
names(neighb_roomcount) <- c("neighbourhood_group", "room_count")

ggplot(neighb_roomcount, aes(x=neighbourhood_group, y=room_count)) + geom_bar(stat="identity")

Pero el gráfico que nos sale es ilegible porque hay demasiados barrios cuando en realidad no tienen casi apartamentos.

Vamos a sacar solo ranking del top 10. Para ello, primero tenemos que hacer que las barras salgan ordenadas de mayor a menor en función del valor de room_count.

Opción 1: ordenar directamente en el gráfico usando la función reorder.

ggplot(neighb_roomcount, aes(x=reorder(neighbourhood_group, -room_count), y=room_count)) +
  geom_bar(stat="identity")

Opción 2: ordenar los niveles del factor neighb_roomcount. Como luego vamos a querer seleccionar los hosts con valores más altos, es preferible hacerlo de esta forma para tener identificados los hosts que nos interesan.

# Ordenar hosts por nº de apartamentos
neighb_roomcount <- neighb_roomcount[order(neighb_roomcount$room_count, decreasing=TRUE),]

# Establecer nuevo orden en los niveles del factor
neighb_order <- neighb_roomcount$neighbourhood_group # Vector de nombres ordenados
neighb_roomcount$neighbourhood_group <- factor(neighb_roomcount$neighbourhood_group, levels=neighb_order) 

neighb_top <- head(neighb_roomcount, 10)

# Pintar
ggplot(neighb_top, aes(x=neighbourhood_group, y=room_count)) +
  geom_bar(stat="identity")

Ejemplo 6: evolución temporal del número de reviews que se hacen por semana.

En el ejemplo anterior estábamos mostrando una variable categórica en el eje x. Si queremos representar una serie temporal, el eje x va a ser continuo. Para realizar conteos de frecuencia (de reviews en este caso) sobre una variable continua usamos geom_histogram() con el stat por defecto: “bin”, que divide el continuo en rangos (bins) y luego hace el conteo por cada bin. Con el parámetro binwidth le indicamos la longitud del rango (en nuestro caso, 7 días).

ggplot(airbnb_reviews, aes(x=date)) + geom_histogram(binwidth=7)

Si por un casual queremos mostrar densidad en vez de frecuencias en el eje y, podemos hacerlo mapeando la posición y la variable ..density.., que se genera al aplicar el tipo de transformación estadística bin.

ggplot(airbnb_reviews, aes(x=date, y=..density..)) + geom_histogram(binwidth=7)

No es obligatorio usar la geometría de barras, podemos poner por ejemplo una línea.

Opción 1: usar geom_line() y modificar el stat (porque su stat por defecto es “identity”).

ggplot(airbnb_reviews, aes(x=date)) + geom_line(stat="bin", binwidth=7)

Opción 2: usar stat_bin() y modificar el geom (porque su geom por defecto es “bar”).

ggplot(airbnb_reviews, aes(x=date)) + stat_bin(binwidth=7, geom="line")

Más sobre positions

Volvemos sobre el Ejemplo 5. Queremos mejorarlo incorporando la información sobre qué tipo de habitaciones son las que predominan en cada barrio del ranking. Para ello metemos room_type como color de relleno.

airbnb_listings$neighbourhood_group <- factor(airbnb_listings$neighbourhood_group, levels=neighb_order) # Ordenamos factor original
ggplot(subset(airbnb_listings, neighbourhood_group %in% neighb_top$neighbourhood_group), 
       aes(x=neighbourhood_group, fill=room_type)) + geom_bar()

Cuando hacemos esto, los grupos se colocan uno encima de otro. Internamente, esto se está controlando mediante la position por defecto para estos casos: “stack”.

Si queremos que los grupos se coloquen uno al lado de otro, podemos usar la position “dodge”.

ggplot(subset(airbnb_listings, neighbourhood_group %in% neighb_top$neighbourhood_group), 
       aes(x=neighbourhood_group, fill=room_type)) + geom_bar(position="dodge")

Ahora mejoraremos el Ejemplo 6: queremos desglosar el histograma por el tipo de habitación. Para meter room_type como color de relleno debemos incorporarlo primero al dataset airbnb_reviews.

airbnb_reviews <- merge(airbnb_reviews, airbnb_listings[c("id", "room_type")], by.x="listing_id", by.y="id")

ggplot(airbnb_reviews, aes(x=date, fill=room_type)) + geom_histogram(binwidth=7)

Para ver la proporción de cada tipo de habitación a lo largo del tiempo, podemos usar la position “fill”, que lo que hace es normalizar las longitudes de las barras para que cada una represente el 100%.

ggplot(airbnb_reviews, aes(x=date, fill=room_type)) + geom_histogram(binwidth=7, position="fill")
## Warning: Removed 60 rows containing missing values (geom_bar).

Si queremos comparar las alturas de cada grupo haciendo que todas las barras empiecen en el origen, en este caso no podemos usar “dodge” porque el eje x es demasiado extenso. Otra opción es usar “identity”, que coloca las barras superpuestas. Para asegurarnos de que no queda nada por detrás tapado podemos meter un poco de transparencia (fija) con el atributo alpha.

ggplot(airbnb_reviews, aes(x=date, fill=room_type)) + geom_histogram(binwidth=7, position="identity", alpha=0.7)

También podemos pintar esto último con líneas:

ggplot(airbnb_reviews, aes(x=date, color=room_type)) + geom_line(stat="bin", binwidth=7, position="identity")

Si por algún motivo no queremos que salgan con colores deberemos usar el parámetro group para realizar la agrupación por room_type:

ggplot(airbnb_reviews, aes(x=date, group=room_type)) + geom_line(stat="bin", binwidth=7, position="identity")

Facets

Los facets sirven para hacer varios subplots en función de una variable de agrupación.

Ejemplo 7: número de reviews por barrio y tipo de habitación en el distrito Centro.

airbnb_reviews <- merge(airbnb_reviews, airbnb_listings[c("id", "neighbourhood_group", "neighbourhood")], 
                        by.x="listing_id", by.y="id")

ggplot(subset(airbnb_reviews, neighbourhood_group == "Centro"), aes(x=date, fill=room_type)) + 
  geom_histogram(binwidth=7, position="identity") + facet_wrap(~ neighbourhood, ncol=1)

Modificadores de apariencia

Ejemplo final: precio medio por distrito y tipo de habitación.

ggplot(airbnb_listings, aes(x=neighbourhood_group, y=price, fill=room_type)) + 
  stat_summary(fun.y=median, geom="bar") + 
  facet_wrap(~ room_type, ncol=3)

Como la lista de distritos es larga, quedará mejor si ponemos las barras horizontales. Para eso usamos coord_flip().

ggplot(airbnb_listings, aes(x=neighbourhood_group, y=price, fill=room_type)) + 
  stat_summary(fun.y=median, geom="bar") + 
  facet_wrap(~ room_type, ncol=3) +
  coord_flip()

El outlier de La Latina hace que el resto de secciones no queden bien, porque comparten la escala del eje del precio. Podemos cambiar esto con el parámetro scale de facet_wrap().

ggplot(airbnb_listings, aes(x=neighbourhood_group, y=price, fill=room_type)) + 
  stat_summary(fun.y=median, geom="bar") + 
  facet_wrap(~ room_type, ncol=3, scale="free_x") +
  coord_flip()

Queremos meter también una etiqueta con el número de observaciones que entran en cada bloque. Para ello usamos geom_text() con el stat “count”. El parámetro hjust controla la posición relativa de las etiquetas (añade o quita margen).

ggplot(airbnb_listings, aes(x=neighbourhood_group, y=price, fill=room_type)) + 
  stat_summary(fun.y=median, geom="bar") + 
  geom_text(y=0, stat="count", aes(label=paste(..count.., "obs.")), hjust=-0.1) +
  facet_wrap(~ room_type, ncol=3, scale="free_x") +
  coord_flip()

Cosas que mejorar: - La leyenda con los colores no nos aporta nada porque ya tenemos los títulos en los bloques del facet. La podemos quitar usando la función guides(). - Para cambiar los nombres de los ejes y añadir un título podemos usar la función labs().

ggplot(airbnb_listings, aes(x=neighbourhood_group, y=price, fill=room_type)) + 
  stat_summary(fun.y=median, geom="bar") + 
  geom_text(y=0, stat="count", aes(label=paste(..count.., "obs.")), hjust=-0.1) +
  facet_wrap(~ room_type, ncol=3, scale="free_x") +
  coord_flip() +
  guides(fill=FALSE) + 
  labs(x="Distrito", y="Precio", title="Precio medio por distrito y tipo de apartamento")

Por defecto, los gráficos de ggplot2 salen con fondo gris y guías blancas. Eso (y otras muchas cosas como el tamaño de letra, el formato de las etiquetas, las leyendas, etc.) viene definido por el tema del gráfico. Para cambiarlo se usa la función theme().

ggplot(airbnb_listings, aes(x=neighbourhood_group, y=price, fill=room_type)) + 
  stat_summary(fun.y=median, geom="bar") + 
  geom_text(y=0, stat="count", aes(label=paste(..count.., "obs.")), hjust=-0.1) +
  facet_wrap(~ room_type, ncol=3, scale="free_x") +
  coord_flip() +
  guides(fill=FALSE) + labs(x="Distrito", y="Precio", title="Precio medio por distrito y tipo de apartamento") +
  theme(
    panel.background = element_rect(fill = "white", color="gray70"),
    panel.grid.major = element_line(colour = "gray90"),
    panel.grid.minor = element_line(colour = "gray95"),
    plot.title = element_text(size = 18, face = 'bold', colour = "gray30", hjust=0.5, vjust=1.5),
    axis.title.x = element_text(size = 12, vjust=-0.5),
    axis.title.y = element_text(size = 12, vjust=1),
    axis.text = element_text(size = 10),
    axis.ticks = element_line(colour = "gray90")
  )