데이터 가공과 시각화

gapminder 데이터셋 둘러보기

gapminder 데이터는 국가별 년도별 life expectancy, GDP per capita, 그리고 population에 대한 데이터입니다.

gapminder 패키지를 설치하고 로딩하면 작업공간에서 gapminder 데이터를 불러올 수 있습니다.

head(gapminder)
str(gapminder)
summary(gapminder)

select

특정 변수들만 골라냅니다.

gapminder %>%
  select(continent, country) %>%
  distinct() # distinct data, removing duplicates  

filter

조건에 맞는 관측치만 골라내기

gapminder %>%
  filter(year == 1957)

1957년 데이터만 subsetting 합니다.

gapminder %>%
  filter(country == "Korea, Rep.")

arrange

오름차순으로 정렬합니다.

gapminder %>%
  arrange(gdpPercap)

내림차순으로 정렬하려면 desc() 함수를 사용합니다.

gapminder %>%
  arrange(desc(gdpPercap))

mutate

변수를 변환해서 새로운 변수를 생성하는 함수입니다. 인구수를 백만명단위로 변환해봅시다.

gapminder %>%
  mutate(pop = pop/1000000)

이번에는 총국민소득을 구해봅시다.

gapminder %>%
  mutate(gdp = gdpPercap*pop)

summarize

summarize() 함수는 통계 요약치 등을 구할 때 유용하게 사용됩니다.
2007년의 평균 기대수명을 구해봅시다.

gapminder %>%
  filter(year == 2007) %>%
  summarize(meanLifeExp = mean(lifeExp))

group_by

년도별 평균 기대수명을 구해봅시다.

gapminder %>%
  group_by(year) %>%
  summarise(meanLifeExp = mean(lifeExp))

대륙별, 년도별 평균 기대수명?

gapminder %>%
  group_by(continent, year) %>%
  summarize(meanLifeExp = mean(lifeExp))

scatter plot

2007년 1인당 국민소득과 기대수명의 관계를 산점도로 그리기

gapminder_2007 <- gapminder %>%
  filter(year == 2007) 

p = ggplot(data = gapminder_2007, aes(x=gdpPercap, y=lifeExp))
p + geom_point()

p + geom_point(aes(color = continent, size=pop)) 

p + geom_point() + facet_grid(.~continent)

line plot

geom_line 함수를 사용해서, 대륙별로 평균 기대수명의 연도에 따른 변화를 살펴봅시다.

year_continent = gapminder %>%
  group_by(continent, year) %>%
  summarize(meanLifeExp = mean(lifeExp))

p = ggplot(data = year_continent, aes(x=year, y=meanLifeExp, color=continent)) 
p + geom_line()

p <- ggplot(gapminder_2007, aes(gdpPercap, lifeExp)) + geom_point()
p + scale_x_log10()# scale 함수 

stat

통계적 데이터 변환 함수를 이용해(stat_) 선형회귀직선을 추가해봅시다.

p +scale_x_log10() + stat_smooth(method = "lm", se=F, color = "red") 

bar plot

대륙별 국가 수를 bar plot으로 그려봅시다.

gapminder %>%
  select(continent, country) %>%
  distinct() %>%
  group_by(continent) %>%
  summarize(n = n()) -> gapminder_temp1

ggplot(gapminder_temp1, aes(continent, n)) + geom_col()

gapminder %>%
  select(continent, country) %>%
  distinct() -> gapminder_temp2 
ggplot(gapminder_temp2, aes(continent)) + geom_bar()

[Challenges]
1. 위 bar graph에서 대륙별로 bar의 색깔을 다르게 표현해보세요.

2. x-y 좌표축을 flip 해보세요.

histogram

기대수명의 분포를 살펴봅시다(histogram).

ggplot(gapminder, aes(x=lifeExp)) + geom_histogram()
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

ggplot(gapminder, aes(x=lifeExp)) + stat_bin()
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

5년 단위 구간(bins)으로 보고 싶으면 binwidth를 설정합니다.

ggplot(gapminder, aes(x=lifeExp)) + geom_histogram(binwidth = 5)

box plot

대륙별 기대수명의 분포를 비교해봅시다(box plot).

p = ggplot(gapminder, aes(x=continent, y=lifeExp)) 
p + geom_boxplot()

[Challenges]
box plot은 유용하지만 한가지 단점이 있습니다. 데이터 분포의 모양을 알 수 없다는 것이지요. 1. 위 box plot에 데이터 점을 표시해봅시다.

p + geom_boxplot() + geom_jitter(col="orange", alpha=0.5)

Europe과 Oceania의 차이가 보이시나요?
2. 위 box plot 대신에 violin plot을 그려봅시다. geom_violin()

p + geom_violin()

themes

ggplot2에는 시각화의 모양을 빠르게 변경하는데 유용한 몇 가지 다른 테마가 있습니다. 예를 들어 theme_bw() 함수는 배경을 white color로 변경합니다.

p + geom_boxplot() + theme_bw()

customization

ggplot2를 이용하면 원하는대로 쉽게 그래프를 사용자 정의할 수 있습니다. 예를 들어, 그래프에 제목을 달고, 축의 레이블을 변경해보겠습니다.

p = p + geom_boxplot() + 
  labs(title = "Distribution of life expectancy across different continents", x = "Continent", y = "Life expectance (years)") 
p 

제목과 축의 레이블의 크기를 늘려서 가독성을 향상시켜보겠습니다.

p + theme(text = element_text(size = 16))

ggplot2 plot 의 기본 성분과 구조

ggplot2 plot의 기본 성분
- Data: 주로 data frame 형태의 데이터 (data)
- Aesthetics: 데이터를 축, 색상, 점의 크기 등으로 매핑 (mapping) - Geometric objects: 점, 선, 도형과 같은 기하학적 객체
- Scales: 데이터의 스케일(x축, y축, 점의 크기, 투명도 등)을 동적으로 조정하여 어떤 시각적 요소를 사용할 것인가 정의
- Coordinate system: 좌표계
- Facetting: 조건부 플롯을 위해 패널을 분할하여 표현하는 방법 - Statistical transformation: Binning, quantiles, smoothing 등의 통계 변환
- Position adjustment: 위치의 조정

attributes(p)
## $names
## [1] "data"        "layers"      "scales"      "mapping"     "theme"      
## [6] "coordinates" "facet"       "plot_env"    "labels"     
## 
## $class
## [1] "gg"     "ggplot"

ggplot2 plot 의 구조
- ggplot = layers + scales + coordinate system - layers = data + mapping + geom + stat + position

ggplot2 함수군

• Plot creation: ggplot 클래스 객체를 생성하는 함수군
• Geoms: graphic의 geometric (기하학적인 형태)을 지정하는 함수군
• Statistics: 데이터를 통계적인 관점으로 변환하는 함수군
• Scales: 축의 스케일 변환과 라벨, 범례 등을 변경하는 함수군
• Coordinate systems: 좌표계를 설정하는 함수군
• Faceting: 그래픽 facet layout 을 정의하는 함수군
• Position adjustment: geometric 의 위치를 지정하는 함수군
• Others

geom_ 함수에는 어떤 것들이 있는지 살펴봅시다.

apropos("^geom_")
##  [1] "geom_abline"     "geom_area"       "geom_bar"       
##  [4] "geom_bin2d"      "geom_blank"      "geom_boxplot"   
##  [7] "geom_col"        "geom_contour"    "geom_count"     
## [10] "geom_crossbar"   "geom_curve"      "geom_density"   
## [13] "geom_density_2d" "geom_density2d"  "geom_dotplot"   
## [16] "geom_errorbar"   "geom_errorbarh"  "geom_freqpoly"  
## [19] "geom_hex"        "geom_histogram"  "geom_hline"     
## [22] "geom_jitter"     "geom_label"      "geom_line"      
## [25] "geom_linerange"  "geom_map"        "geom_path"      
## [28] "geom_point"      "geom_pointrange" "geom_polygon"   
## [31] "geom_qq"         "geom_qq_line"    "geom_quantile"  
## [34] "geom_raster"     "geom_rect"       "geom_ribbon"    
## [37] "geom_rug"        "geom_segment"    "geom_sf"        
## [40] "geom_sf_label"   "geom_sf_text"    "geom_smooth"    
## [43] "geom_spoke"      "geom_step"       "geom_text"      
## [46] "geom_tile"       "geom_violin"     "geom_vline"

stat_ 함수에는 어떤 것들이 있는지 살펴봅시다.

apropos("^stat_")
##  [1] "stat_bin"            "stat_bin_2d"         "stat_bin_hex"       
##  [4] "stat_bin2d"          "stat_binhex"         "stat_boxplot"       
##  [7] "stat_contour"        "stat_count"          "stat_density"       
## [10] "stat_density_2d"     "stat_density2d"      "stat_ecdf"          
## [13] "stat_ellipse"        "stat_function"       "stat_identity"      
## [16] "stat_qq"             "stat_qq_line"        "stat_quantile"      
## [19] "stat_sf"             "stat_sf_coordinates" "stat_smooth"        
## [22] "stat_spoke"          "stat_sum"            "stat_summary"       
## [25] "stat_summary_2d"     "stat_summary_bin"    "stat_summary_hex"   
## [28] "stat_summary2d"      "stat_unique"         "stat_ydensity"

ggplot2: stats and geoms

[실습 문제]

1. proact_sample.txt 파일을 불러들여서, ALSFRS form 만 골라내고, feature_name이 mouth, hands, trunk, leg, respiratory_R, ALSFRS_R_Total에 해당하는 데이터만 선별해서 데이터셋을 만들어보세요.

2. 위 데이터셋에서 factor 변수의 levels을 살펴보고, 불필요한 범주들을 정리해보세요.

3. 변수의 이름을 다음과 같이 변경합시다. feature_name -> feature, feature_value -> value, feature_delta -> delta. 가능하면 짧은 이름이 좋겠죠. 중복되는 건 없애구요.

4. 위 데이터셋에는 중복된 entry들이 있습니다. Let’s remove duplicate entries in the dataset.

5. 데이터셋에는 subjectID, feature, delta가 모두 같은데, value 값이 다른 논리적으로 있을 수 없는(있어서는 안되는?) entry 들이 있군요. 이들을 제거해봅시다 (include entries that appear only once).

6. 위 데이터셋(long format)을 wide format으로 변환해보세요.

7. alsfrs_wide를 long format으로 변환해보세요.

8. 임의의 10명의 Subject에 대해서 ALSFRS_R_Total의 시간(delta)에 따른 변화를 그래프로 나타내보세요.

9. 전체 환자에 대해서 ALSFRS_R_Total의 시간(delta)에 따른 변화를 그래프로 나타내보세요.

10. subject 마다 질환의 진행속도가(ALSFRS_R_Total의 slope) 다른 것 같습니다. 진행속도를 다음과 같이 계산해봅시다.

\[R =(ALSFRS_{last}-ALSFRS_{first})/\delta_{interval}\]
\(R\): Rate of progression
\(ALSFRS_{last}\): ALSFRS_R_Total at last visit
\(ALSFRS_{first}\): ALSFRS_R_Total at first visit
\(\delta_{interval}\): time interval between the first and last visit

11. 위에서 계산한 질환의 진행속도의(ALSFRS_R_Total의 slope) 분포를 살펴봅시다.