EDA con dataset proyecto - histogramas - ggplot2

Clase 18 de 35 • Curso de Fundamentos de R

Contenido del curso

Bienvenida e introducción

Variables, tipos de datos y estructuras

EDA: Exploratory data analysis

La estadística de los datos

Ajustando los datos

Mejorando la visualización

Organizar visualizaciones y código con R Markdown

34
Conociendo R Markdown y organizando los hallazgos del análisis en un documento PDF.
16:29 min

Conclusiones Finales

35
Invitación a continuar recorriendo el mundo del data science.
05:51 min

Tomar examen

Comentarios

Cesar Galindo

student•

para que poder realizar el reto se debe utlizar la siguiente función
"scale_x_continuous(breaks = seq(40, max(100), 5))"

ggplot()+geom_histogram(data=orangeec, 
                        aes (x=Internet.penetration...population), fill="purple", color="orange", 
                        binwidth= 5 )+
  scale_x_continuous(breaks = seq(40, max(100), 5))+
  labs(x="Penetración internet (%) de la población", y="Cantidad de paises",
       tittle="Penetración de internet en paises LATAM")+
  theme(legend.position = "none")+
  theme(panel.background = element_blank(),panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

Wilson Alejandro Gonzalez Gaitan

student•

No comprendo ese snipet de código fue el creado por la docente

Alexander Rueda Urrego

student•

Excelente aporte. Gracias.

Valentina Peña

student•

CLASE 18 🤓 EDA CON DATASET PROYECTO - HISTOGRAMAS - GGPLOT2 . En esta clase vimos tres representaciones con variables de dataset orangeec. Se copio el codigo de ggplot usado en la clase anterior . LA 1ERA "PIB per càpita en paises latam"

Hay dos paises con 20.000$ de PIB per capita 🤑 La mayor cantidad de paises estan en los 10.000$ de PIB per capita 😑 . LA 2DA "Contribuciòn de la economa naranja al PIB en latam"

Hay tres paises con un 2% de aporte desde la economia naranja al PIB 💩 Hay un pais que aporta al 6% desde la economia naranja al PIB y otro que aporta el 7% desde su economia naranja al PIB 😀 . LA 3ERA "Penetraciòn internet en paises latam"

👆👆👆 ++SOLUCIÒN AL RETO++ scale_x_continuous(breaks = seq(40,100,5)) . Hay un pais con 60% de acceso a internet 💻 Hay dos paises con 80% de acceso a internet 🙂 No hay pais que tenga un 55% de penetracion a internet 🌐 Hay cuatro paises por debajo del 50% de penetracion a internet en su poblacion 🤦‍♀️ El pais que mas tiene acceso a internet cuenta con 95% de penetracion a internet en su poblacion 🤩 . . RECORDAD QUE.. 💃 . En estos graficos de histograma vemos 👁 la frecuencia con la que la variable solicitada esta distribuida 📊 . Para definir el binwidth() hay saber como esta expresada la variable: porcentaje %, dolares $, euros € etc; y saber sus limites para marcar un intervalo acorde a la secuencia💁‍♀️ . Comprueba siempre en ggplot que el simbolo + este siempre al cerrar un parentesis () 💡

Luis Alejandro Vera Hernandez

student•

Me gusta muchos tus explicaciones =D

Maryluz Vargas Restrepo

student•

Buenos días, dejo esto por acá: https://rstudio.com/wp-content/uploads/2016/12/ggplot2-cheatsheet-2.1-Spanish.pdf

Alvaro Max Landeros Hernandez

student•

Que grandioso aporte. Saludos!

Edgar Andrés Montenegro Martínez

student•

Super bueno, gracias

Rubén Maier Enzler

student•

Así queda el reto resuelto y documentado:

ggplot() +
  geom_histogram(data=orangeec,
                 aes(x=Internet.penetration...population), # queremos ver la variable PIB PER CAPITA
                 fill="red", # barritas de color azul
                 color="yellow", # y un contorno rojo
                 binwidth = 5)  + # valor en porcentaje (vamos de a 5% por barra)
  labs(x="penetración de internet como (%) de la población", 
       y="cantidad de paises",
       title="penetración de internet en paises de latam") +
  xlim(30,100) + # numeramos del 30% al 100% 
  ylim(0,4) + # ponemos en el eje Y valores del 0 al 4
  scale_x_continuous(breaks = seq(30,100,by=5)) + # le colocamos valores a cada barras (que van del 30% al 100%) cada 5%
  theme(legend.position = "none") +
  theme(panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

Daniel Garzon Quintero

student•

Está muy bien explicado el script, gracias por el aporte al reto

Kevin Eduardo Villanueva Menichetti

student•

Utilicé el siguiente código para poner todos los saltos en el eje x scale_x_continuous(breaks = seq(40,100,5))

clint martinez

student•

Solo para aclarar que después de la instrucción ++scale_x_continuous(break=seq(40,100,5))++ , deben agregar el símbolo " + "

Alan Vazquez

student•

Les comparto el codigo implementado para python

def histograma_config(ax_plot, x, title='', x_label='', y_label=''):
    frec, x_bins, patches = ax_plot.hist(x, edgecolor='k', linewidth=1)
    ax_plot.set_xlabel(x_label)
    ax_plot.set_ylabel(y_label)
    ax_plot.set_title(title)

    color_fracs = frec / frec.max()

    color_norm = colors.Normalize(color_fracs.min(), color_fracs.max())
    color_norm

    for frac, patch in zip(color_fracs, patches):
        color = plt.cm.Blues(color_norm(frac))
        patch.set_facecolor(color)

fig, (pib_plot, aporte_plot, internet_plot)= plt.subplots(nrows = 1, ncols = 3, figsize = (15,3), sharey = True)

histograma_config(ax_plot = pib_plot, 
                  x = orangeec['GDP PC'], 
                  title='PIB per Capita en paises latam', 
                  x_label='PIB per Capita', 
                  y_label='Cantidad de Paises')

histograma_config(aporte_plot, orangeec['Creat Ind % GDP'], 
                  'Contribucion Economia naranja al pib en paises latam', 
                  'Aporte a la Economia Naranja (%)')

histograma_config(internet_plot, orangeec['Internet penetration % population'], 
                  'Penetracion internet en paises latam', 
                  'Penetracion de internet (%)')

fig.savefig('orangeec_hist.png')

Elias Ojeda Medina

student•

Se ve más bonito en Python :P

José Antonio Leal Zambrano

student•

#Distribucion de frecuencias en cuanto a penetracion de internet

ggplot() + geom_histogram(data=orangeec, aes(x=Internet.penetration...population), fill="red", color="black", binwidth = 5)+ labs(x="Penetracion Internet como % poblacion", y="Cantidad de paises", title="Penetracion de internet en paises latam") + scale_x_continuous(breaks = seq(40,100,5))+ theme(legend.position = "none")+ theme(panel.background = element_blank(), panel.grid.major = element_blank(), panel.grid.minor = element_blank())

Miguel Angel Paz Gonzalez

student•

Para dar formato a la escala del eje x en el histograma de frecuencias. Agregar: ...+ scale_x_continuous(name="Nombre_Eje_x", breaks=seq(from = Li, to = Ls, by = St))

donde: Li: (número entero) limite inferior del eje x Ls: (número entero) limite superior del eje x by: (número entero) tamaño del incremento.

Edgar Simmons

student•

Gracias por el dato!

Valeria Alonso Peralta

student•

Vengo hacer pequeñas aportes que les puede servir a personas nuevas así que sigan leyendo 🤓👇

Bueno este es el código de la clase pero cuando lo ejecuto me aparece error y es que GDP.PC no se encuentra en el entorno actual de R, es decir no encuentra esa columna en el Data Set .

ggplot()+geom_histogram(data= Data_platzi,
                        aes(x=GDP.PC), fill="blue", color="red",
                        binwidth = 2000) +
  labs(x = "PIB per cápital", y = "cantidad de paises",
       title = "PIB per cápital en paises latam")+
        theme(legend.position = "none",
        panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

Así que para solucionarlo les dejo esta alternativa que si funciona para la nueva versión de R recuerden escribir todo el nombre de la columna del Data set, esta es la alternativa que use👇 :

ggplot()+geom_histogram(data= Data_platzi,
                        aes(x=`GDP PC`), fill="blue", color="red",
                        binwidth = 2000) +
  labs(x = "PIB per cápital", y = "cantidad de paises",
       title = "PIB per cápital en paises latam")+
        theme(legend.position = "none",
        panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

El único cambio fue ponerlos en esa comillas y me funciono, para los otros es lo mismo utilizando esas comillas pero colocando el nombre completo que les aparece en el Data Set si les aparece con estos signos "$,%,&", se los deben poner si no les va aparece el error que dije anteriormente 👆, espero que les sirva 👩‍💻🤓.

Andrea Moreno

student•

Hola! Este vídeo de Youtube explica más en profundidad sobre ggplot2 https://www.youtube.com/watch?v=0wpLOsqwhWs&t=163s

Fredy Andres Pulido Rojas

student•

Para poner todos los labels en x de a 5:

+  scale_x_continuous(breaks = seq(30, 100, by=5))

quedando por ejemplo así:

ggplot(orangeec, aes(x=Internet.penetration...population))+geom_histogram(
        fill="red", color="yellow", binwidth = 5)+
        labs(x="Penetracion de internet en % poblacion", y="Cantidad de paises",
             title = "Penetracion de internet en paises latam")+
        theme(legend.position = "none")+
        theme(panel.background = element_blank(), panel.grid.major = element_blank(),
              panel.grid.minor = element_blank())+
        xlim(30, 100)+ ylim(0, 4)+
        scale_x_continuous(breaks = seq(30, 100, by=5))

Luis Cuevas

student•

se debe agregar en el ggplot lo siguiente:

  scale_x_continuous(breaks = c(seq(40,100,5))) +

Alvaro Nieto

student•

Independiente de lo desactualizado que este el curso, desafortunadamente es un curso como en la mayoría de platzi en la parte practica se encargan de hacer un ejemplo que internamente definieron para aplicar pero no explican en absolutamente nada cada consulta que hacen o por lo menos su sintaxis que es lo que realmente la gente necesita aprender, a esta altura del curso es la sensación.

Seguramente no haga eco esto, pero es así.

JAVIER SANTIAGO SALGADO

student•

# histograsma mtcars qplot
library(ggplot2)

qplot(mtcars$hp,
      geom = "histogram",
      xlab = "caballos de fuerza",
      main = "carros según caballos de fuerza")

ggplot(mtcars, aes(x=hp))+
         geom_histogram()+
         labs(x='Caballos de fuerza',
              y='Cantidad de carros',
              title= 'Cabballos de fuerza en carro seleccionados')+
        theme(legend.position = "none")+
        theme(panel.background = element_blank(),
              panel.grid.major = element_blank(),
              panel.grid.minor = element_blank())

ggplot(mtcars, aes(x=hp))+
  geom_histogram(binwidth = 30)+
  labs(x='Caballos de fuerza',
       y='Cantidad de carros',
       title= 'Cabballos de fuerza en carro seleccionados')+
  theme(legend.position = "none")+
  theme(panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

ggplot() + geom_histogram(data=mtcars,
                          aes(x=hp), fill = 'blue', color = 'red',
                          binwidth = 20)+
  labs(x='Caballos de fuerza',
       y='Cantidad de carros',
       title= 'Caballos de fuerza en carro seleccionados')+
  xlim(c(80,288))+
  theme(legend.position = "none")+
  theme(panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

# hist orangeec
ggplot() + geom_histogram(data=orangeec,
                          aes(x=GDP.PC), fill = 'blue', color = 'red',
                          binwidth = 2000)+
  labs(x='PIB per cápita',
       y='Cantidad de paises',
       title= 'PIB per cápita en paises latam')+
  theme(legend.position = "none")+
  theme(panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())


ggplot() + geom_histogram(data=orangeec,
                          aes(x=Creat.Ind...GDP), fill = 'blue', color = 'red',
                          binwidth = 1)+
  labs(x='Aporte Economia naranja al PIB(%)',
       y='Contribucion de energia naranja al PIB en LATAM',
       title= 'PIB per cápita en paises latam')+
  theme(legend.position = "none")+
  theme(panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

ggplot() + geom_histogram(data=orangeec,
                          aes(x=Internet.penetration...population), fill = 'red', color = 'yellow',
                          binwidth = 5)+
  labs(x='Penetración Internet (%) Población',
       y='Cantidad de paises',
       title= 'Penetracion de Internet en paises latam')+
  scale_x_continuous(breaks = seq(40,max(100),5))+
  theme(legend.position = "none")+
  theme(panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

documentacion

Gerson Julián Rincón Peña

student•

gracias a todos por sus aportes, son geniales.

Brenda García Ramírez

student•

Para poner etiquetas sobre el eje de las x scale_x_continuous(breaks = seq(40, max(100), 5))

clint martinez

student•

thank you !!!

Percy Armando Márquez Delgado

student•

Reto cumplido, hay varias formas de escribir la función scale, aquí 3 ejemplos:

Elián Rodriguez

student•

Gracias por el aporte ¿Pero cómo supiste que había que usar la esa función? Yo busqué en el asistente de RStudio por ggplot, ggplot2...pero no encontré nada como para llegar a esa conclusión...Y nadie explica como lo ha averiguado ni como funciona.

Percy Armando Márquez Delgado

student•

La verdad mi primera opción no fue la documentación. Busqué en Stack overflow, donde encontré varios ejemplos para modificar los intervalos de un eje. Puedes buscarlo con el nombre de Custom axis break. En la documentación hay una breve referencia a las secuencias, sin embargo tambien encontré esta página: HOW TO SET GGPLOT BREAKS donde puedes encontrar un ejemplo mas visual.

Lo demás es ensayo y error, puedes ir modificando ciertas partes del código y ver si sigues obteniendo el mismo resultado. Espero haber podido ayudarte.

Ricardo Moreno

student•

hola para todos aquellos que utilicen ubuntu y no puedan correr los conamdos de instalacion desde la consola de R, solo agreguen este coamndo :

sudo apt-get install r-cran-ggplot2

Valeria Quiroga

student•

Hola, como puedo saber que tipo de dato son cada numero que me aparece? ejemplo si es un porcentaje o si es una unidad de medida o kilo o libra...etc

Denisse Rivas

student•

Hola, me parece que esto mas bien depende del origen de tus datos. A veces en los titulos se indica si es % o millones, por ejemplo. Pero si no viene, tendras que investigarlo.

Yeison Tapasco

student•

Adjunto mi reto. Gracias compañeros pude aclarar mis dudas

ggplot()+geom_histogram(data = orangeec,
                        aes(x=orangeec$Internet.penetration...population),
                        fill = "red", 
                        color = "yellow",
                        binwidth = 5)+
  labs(x = "Penetracion internet (%) poblacion", y = "Cantidad de Paises",
       title = "Penetracion de Internet en LATAM")+
  scale_x_continuous(breaks = seq(10,max(100),5))
  theme(legend.position = "none")+
  theme(panel.background = element_blank(), panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

ggplot()+geom_histogram(data=orangeec, 
                        aes (x=Internet.penetration...population), fill="purple", color="orange", 
                        binwidth= 5 )+
  scale_x_continuous(breaks = seq(40, max(100), 5))+
  labs(x="Penetración internet (%) de la población", y="Cantidad de paises",
       tittle="Penetración de internet en paises LATAM")+
  theme(legend.position = "none")+
  theme(panel.background = element_blank(),panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

ggplot() +
  geom_histogram(data=orangeec,
                 aes(x=Internet.penetration...population), # queremos ver la variable PIB PER CAPITA
                 fill="red", # barritas de color azul
                 color="yellow", # y un contorno rojo
                 binwidth = 5)  + # valor en porcentaje (vamos de a 5% por barra)
  labs(x="penetración de internet como (%) de la población", 
       y="cantidad de paises",
       title="penetración de internet en paises de latam") +
  xlim(30,100) + # numeramos del 30% al 100% 
  ylim(0,4) + # ponemos en el eje Y valores del 0 al 4
  scale_x_continuous(breaks = seq(30,100,by=5)) + # le colocamos valores a cada barras (que van del 30% al 100%) cada 5%
  theme(legend.position = "none") +
  theme(panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

def histograma_config(ax_plot, x, title='', x_label='', y_label=''):
    frec, x_bins, patches = ax_plot.hist(x, edgecolor='k', linewidth=1)
    ax_plot.set_xlabel(x_label)
    ax_plot.set_ylabel(y_label)
    ax_plot.set_title(title)

    color_fracs = frec / frec.max()

    color_norm = colors.Normalize(color_fracs.min(), color_fracs.max())
    color_norm

    for frac, patch in zip(color_fracs, patches):
        color = plt.cm.Blues(color_norm(frac))
        patch.set_facecolor(color)

fig, (pib_plot, aporte_plot, internet_plot)= plt.subplots(nrows = 1, ncols = 3, figsize = (15,3), sharey = True)

histograma_config(ax_plot = pib_plot, 
                  x = orangeec['GDP PC'], 
                  title='PIB per Capita en paises latam', 
                  x_label='PIB per Capita', 
                  y_label='Cantidad de Paises')

histograma_config(aporte_plot, orangeec['Creat Ind % GDP'], 
                  'Contribucion Economia naranja al pib en paises latam', 
                  'Aporte a la Economia Naranja (%)')

histograma_config(internet_plot, orangeec['Internet penetration % population'], 
                  'Penetracion internet en paises latam', 
                  'Penetracion de internet (%)')

fig.savefig('orangeec_hist.png')

ggplot()+geom_histogram(data= Data_platzi,
                        aes(x=GDP.PC), fill="blue", color="red",
                        binwidth = 2000) +
  labs(x = "PIB per cápital", y = "cantidad de paises",
       title = "PIB per cápital en paises latam")+
        theme(legend.position = "none",
        panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

ggplot()+geom_histogram(data= Data_platzi,
                        aes(x=`GDP PC`), fill="blue", color="red",
                        binwidth = 2000) +
  labs(x = "PIB per cápital", y = "cantidad de paises",
       title = "PIB per cápital en paises latam")+
        theme(legend.position = "none",
        panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

ggplot(orangeec, aes(x=Internet.penetration...population))+geom_histogram(
        fill="red", color="yellow", binwidth = 5)+
        labs(x="Penetracion de internet en % poblacion", y="Cantidad de paises",
             title = "Penetracion de internet en paises latam")+
        theme(legend.position = "none")+
        theme(panel.background = element_blank(), panel.grid.major = element_blank(),
              panel.grid.minor = element_blank())+
        xlim(30, 100)+ ylim(0, 4)+
        scale_x_continuous(breaks = seq(30, 100, by=5))

# histograsma mtcars qplot
library(ggplot2)

qplot(mtcars$hp,
      geom = "histogram",
      xlab = "caballos de fuerza",
      main = "carros según caballos de fuerza")

ggplot(mtcars, aes(x=hp))+
         geom_histogram()+
         labs(x='Caballos de fuerza',
              y='Cantidad de carros',
              title= 'Cabballos de fuerza en carro seleccionados')+
        theme(legend.position = "none")+
        theme(panel.background = element_blank(),
              panel.grid.major = element_blank(),
              panel.grid.minor = element_blank())

ggplot(mtcars, aes(x=hp))+
  geom_histogram(binwidth = 30)+
  labs(x='Caballos de fuerza',
       y='Cantidad de carros',
       title= 'Cabballos de fuerza en carro seleccionados')+
  theme(legend.position = "none")+
  theme(panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

ggplot() + geom_histogram(data=mtcars,
                          aes(x=hp), fill = 'blue', color = 'red',
                          binwidth = 20)+
  labs(x='Caballos de fuerza',
       y='Cantidad de carros',
       title= 'Caballos de fuerza en carro seleccionados')+
  xlim(c(80,288))+
  theme(legend.position = "none")+
  theme(panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

# hist orangeec
ggplot() + geom_histogram(data=orangeec,
                          aes(x=GDP.PC), fill = 'blue', color = 'red',
                          binwidth = 2000)+
  labs(x='PIB per cápita',
       y='Cantidad de paises',
       title= 'PIB per cápita en paises latam')+
  theme(legend.position = "none")+
  theme(panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())


ggplot() + geom_histogram(data=orangeec,
                          aes(x=Creat.Ind...GDP), fill = 'blue', color = 'red',
                          binwidth = 1)+
  labs(x='Aporte Economia naranja al PIB(%)',
       y='Contribucion de energia naranja al PIB en LATAM',
       title= 'PIB per cápita en paises latam')+
  theme(legend.position = "none")+
  theme(panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

ggplot() + geom_histogram(data=orangeec,
                          aes(x=Internet.penetration...population), fill = 'red', color = 'yellow',
                          binwidth = 5)+
  labs(x='Penetración Internet (%) Población',
       y='Cantidad de paises',
       title= 'Penetracion de Internet en paises latam')+
  scale_x_continuous(breaks = seq(40,max(100),5))+
  theme(legend.position = "none")+
  theme(panel.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

ggplot()+geom_histogram(data = orangeec,
                        aes(x=orangeec$Internet.penetration...population),
                        fill = "red", 
                        color = "yellow",
                        binwidth = 5)+
  labs(x = "Penetracion internet (%) poblacion", y = "Cantidad de Paises",
       title = "Penetracion de Internet en LATAM")+
  scale_x_continuous(breaks = seq(10,max(100),5))
  theme(legend.position = "none")+
  theme(panel.background = element_blank(), panel.grid.major = element_blank(),
        panel.grid.minor = element_blank())

EDA con dataset proyecto - histogramas - ggplot2

Bienvenida e introducción

Todo lo que aprenderás sobre el lenguaje R

Programación y Data Science

R y proyecto economía naranja.

Instalando nuestras herramientas

Variables, tipos de datos y estructuras

Los primeros cálculos con R y variables

Tipos de datos

Estructura del dataset del proyecto

Vectores

Matrices

Ejercicios con matrices

Operadores para comparar y ubicar datos

Factores, listas y echar un vistazo al dataset

EDA: Exploratory data analysis

Qué es EDA: Exploratory Data Analysis

Gráficas de dispersión e histogramas.

Box Plot y su interpretación

EDA con dataset proyecto - Gráficas de dispersión.

EDA con histogramas.