1つの連続変数をグラフにする（ggplot2パッケージ）[R]

ggplot2パッケージ（tidyverseパッケージに含まれている）のdiamondsデータを使う。

> library(tidyverse)
> head(diamonds)
# A tibble: 6 x 10
  carat cut       color clarity depth table price     x     y     z
  <dbl> <ord>     <ord> <ord>   <dbl> <dbl> <int> <dbl> <dbl> <dbl>
1  0.31 Good      E     SI1      63.3  55     544  4.33  4.36  2.75
2  0.8  Very Good H     VS2      59.1  59    2953  6.02  6.07  3.57
3  0.78 Very Good H     VS1      61.9  57.1  2854  5.87  5.95  3.66
4  0.3  Ideal     G     VVS2     61.5  57     684  4.29  4.33  2.65
5  1.5  Good      F     SI2      59.7  61    8181  7.39  7.44  4.43
6  1.2  Very Good E     SI2      61.4  58    6130  6.81  6.88  4.2 

• carat：重さ（カラット）
• cut：カットの質（5段階）
• color：色（7段階）
• clarity：透明度（8段階）
• depth：
• table：最も幅広い部分に対する最上部の幅
• price：値段（USD）
• x, y, z：それぞれ長さ・幅・高さ（mm）

カラット（carat）は連続変数なので、頻度分布を図示する場合はいくつかの階級（bin）に分ける必要がある。

geom_histogram( )を使ってヒストグラムを描く

binsで階級数を、binwidthで階級幅を指定できる。
デフォルトはbins=30。

ggplot(data = diamonds, aes(x = carat)) +
  geom_histogram(binwidth = 0.1, 
                 fill = "navy",
                 alpha=0.5)

色や線種で指定できるものは以下のとおり。

• fill：棒を塗りつぶす色
• alpha：棒の透過性。0（完全透明）から1（完全不透明）の間で指定。
• colour：棒の枠線の色
• linetype：棒の枠線の種類
• size：棒の枠線の太さ

※ 線については以前まとめた記事があります（2022-07-17 追加）

necostat.hatenablog.jp

図1：ヒストグラム

geom_area( )を使って面グラフを描く

面グラフは折れ線グラフの下を塗りつぶしたもの。
geom_area()を使うときは集計方法としてstat="bin"を指定する必要がある（geom_*とstat_*の関係性は後述）。
他の引数はgeom_histogram()を参照。

ggplot(data = diamonds, aes(x = carat)) +
  geom_area(stat = "bin", 
            bins = 50, 
            fill = "deeppink",
            alpha=0.5)

図2：面グラフ

geom_freqplot( )を使って折れ線グラフを描く

面グラフの折れ線部分のみ。
指定する引数はbins, binwidth, colour, linetype, sizeなど。

ggplot(data = diamonds, aes(x = carat)) +
  geom_freqpoly() 

図も省略。

geom_density( )を使って密度プロットを描く

colour, linetype, sizeで線の色などを指定できる（linetype=0あるいはsize=0とすると線は描かない）。
fill, alphaを指定して線の下を塗りつぶすことができる。

ggplot(data = diamonds, aes(x = carat)) +
  geom_density(linetype = 0,
               fill = "seagreen",
               alpha=0.5) 

図3：密度プロット

stat_bin( )との対応しているgeom_*関数

「データの集計方法」と「グラフの形状」は密接に関連していて、前者はstat_*()というレイヤーで、後者はgeom_*()というレイヤーで指定する。
どちらをメインで使ってもいい。他方はメインで使うレイヤーの引数に指定する。
例えば次の2つのコードは同じ意味になる。

geom_area(stat = "bin")

stat_bin(geom = "area")

ちなみにgeom_area()ではデフォルトstat_bin()ではないので、geom_area(stat="bin")と指定しないとエラーが出る。

連続変数を階級に分けるとき（stat_bin()）に使用できるグラフの形状（geom=で指定できるもの）は次のようなものがある。

• "bar"：ヒストグラムを描く（"histogram"`と指定するわけではないみたい）。
• "step"：ヒストグラムの枠線だけ
• "area"：面グラフ。geom_area()に相当。
• "line"：面グラフの折線部分のみ。geom_freqpoly()に相当。
• "point"：点のみ
• "text"：点の代わりに文字を書く

おわりに

• 基本的に連続変数はbinを設定して集計・表示する。densityはbinを極限に小さくしたとイメージして理解する。

参考資料

• 本家ページ：

ggplot2.tidyverse.org

• geom_*とstat_*の関係が詳しくまとめられています

ggplot2のstat_*()関数についてのまとめ - Qiita