1.1 Paquets nécessaires pour le tutoriel

On doit télécharger des paquets d’intérêt du jour tel que présenté dans REMA-1.

library(dplyr)
library(ggplot2) # Notre paquet d'intérêt
library(readxl)
library(ggrepel)# pour indiquer des points ou données en particulier dans le graph (voir 5.5)

1.2 Base de données prise en exemple

Je télécharge la même BD que dans notre document REMA-1 (NB: elle provient du site du livre de Ian Dohoo c’est la BD calf.xlsx.

Je la réimporte donc ici à titre d’exemple

veaux <- read_excel("calf.xlsx") 
head(veaux, n=10)

## # A tibble: 10 x 14
##     case   age breed   sex  attd  dehy   eye  jnts  post pulse  resp  temp   umb
##    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
##  1  1670     5     1     1     2  12      NA     0     2    NA    NA  37.6     0
##  2  8124     3     2     0     1  13.5     0     0     0   130   120  39.2     0
##  3  6954     2     3     1     2  NA       1     0     2    NA    NA  NA       1
##  4  2737     3     4     1     1   5       0     0     0   132    40  38.6     0
##  5  5341     3     5     0     1   0       0     0     1   128    48  38.6     1
##  6  6749    10     6     0     1   5.5     0     0     0   160    48  39.6     0
##  7  3234     4     7     0     2   7       0     1     2   180    84  39       1
##  8  2325    14     8     0     1   7       0     0     0   100    20  35       0
##  9  2925     4     9     0     1   5       0     0     0   150    52  39.5     0
## 10  7108     8     1     0     2  10       0     0     2   120    68  37.8     0
## # ... with 1 more variable: sepsis <dbl>

J’ai donc cette BD qui va me servir d’illustration pour la suite (C’est juste pour illustrer mon point donc libre à vous de laisser libre court à votre imagination avec votre propre base de données!!!)

2.1 spécification de la BD et de la structure du graphique (abscisses et ordonnées)

Le paquet ggplot2 (pour grammar of graphic plot) a été mis en place afin de pouvoir s’intégrer à la suite tidyverse. Il fonctionne toujours de la façon suivante.

Dans un premier temps on utilise un statement de base qui regroupe :

La base de données d’intérêt data=

Le mapping du graph qui illustre l’esthétisme de ce que l’on veut en x (abscisses) et y (ordonnées), voir des ajouts ex coloriser une 3ème variable pour faire ressortir une éventuelle différence de y=f(x) selon la 3ème variable…=> mapping=aes() )

Mais commençons simplement dans un premier temps.

Je veux par exemple voir la relation entre la déshydratation dehy (en x) et la fréquence cardiaque pulse (y)…

Notez bien que je ne fais pas de test statistique ici (je veux juste voir mes données)…

g <- ggplot(data=veaux, mapping=aes(x=dehy, y=pulse)) #ici je crée juste la base de mon graph qui va référer en tout temps à la définition de mes x et y

#NB: je vous ai écrit la commande au complet mais on aurait pu écrire aussi
#g <- ggplot(veaux, aes((x=dehy, y=pulse)) 
# la portion data= et mapping= sont non essentielles mais je vous l'ai écrite au long la première fois afin que vous ayez la portion complète du code

Notez que lorsque j’exécute ce code, rien ne se passe (pas de panique!).

J’ai juste créé un objet g qui contient les bases de tout graphique subséquent… (g<-) Je dois maintenant exécuter la commande d’affichage de cet objet en exécutant g (run)

g

Ici je vois le résultat…. J’ai juste créé mon plan cartésien…

Maintenant le fun commence (yeah!!!).

Les fonctions de ggplot2 fonctionnent ensuite avec des geom_. Les geom_ sont des spécifications graphiques que R va utiliser pour représenter ce que l’on veut.

Comment faire pour savoir ce que l’on va obtenir?

Il faut savoir quel geom_ utiliser…

Je vous réfère à la cheatsheet ggplot2 pour les infos sur les geom mais aussi à la galerie des graphiques obtenus sur R pour des notions plus exhaustives. Le tout est d’avoir son idée et des bases de fonctionnement du paquet et ensuite on peut se débrouiller.

Moi, je me contente donc de donner des grands principes de préparation d’un code avec ggplot. Après cela, comme dans tous les domaines, il vous faudra regarder par les essais erreurs.

Un conseil: le but du tutoriel n’est pas de vous dire quelle représentation graphique vous devez utiliser. Ce qui est important est que vous preniez le temps de bien y penser et de voir le message que vous voulez passer à votre auditoire

Un livre fascinant que je conseillerais est de Kieran Healy: Data Visualization A practical introduction il est en ligne sur la page suivante. En plus des concepts pour faire un bon graphique. Il explique superbement le fonctionnement de ggplot2 et est donc un incontournable pour toute personne qui veut creuser un peu plus en détails!!

Livre de Kieran Healy: Un incontournable!!!

2.2 Ajout des geom_ et premier(s) graphique(s)

On a toujours en banque notre objet g. Nous allons nous en servir pour construire nos graphs selon nos envies… (On ajoute juste des couches pour spécifier comment nous voulons représenter nos données). Le fait de stocker g qui contient les informations primordiales est (pour vous) de pouvoir ajouter des couches de graphs sans retaper tout la 1ère structure du code (data et mapping).

On va commencer simplement.

On peut vouloir par exemple représenter le tout sur un nuage de points (équivalent de PROC SGPLOT SCATTER PLOT SUR SAS…)

Chaque type de graphique est utilisé en appelant la géométrie qui lui est associée. Par exemple si vous regardez dans la cheatsheet ggplot2 vous verrez que si vous voulez visualiser un graphique avec 2 variables continues vous avez différentes options parmi lesquelles la visualisation individuelle de vos données sous forme de point: geom_point().

Cette fonction (geom_) est la base de ggplot. Une fois que la structure du graph est décidée (relation que vous voulez voir spécifiée dans les arguments ggplot) vous pouvez commencer votre visualisation en ajoutant un ou plusieurs geom_ avec le signe +.

Allons-y bien basique pour commencer:

g+geom_point()

## Warning: Removed 17 rows containing missing values (geom_point).

Et c’est tout, vous avez fait votre premier graphique avec ggplot…

BRAVO!!! (Je savais que vous en étiez capable)

Si vous avez compris ces 3 principes (data, structures avec le mapping et geom_graph()) vos progrès vont être exponentiels: je vous le garantis!!!

Vous avez juste utilisé g et mentionné que vous vouliez faire un graphique en point…

Notez le message d’alerte mentionné ici (warning) qui est associé à un message qu’envoie le logiciel afin de vous spécifier une information (ici on a des données manquantes). Le warning n’est pas un message d’erreur mais juste une info que R veut vous partager. C’est cependant important de bien les regarder pour s’assurer que l’on est bien au courant et que cela n’impacte pas notre output.

Par la suite je vais éliminer les données manquantes de mon code pour des raisons pratiques…

nrow(veaux)

## [1] 254

veaux <- na.omit(veaux)
nrow(veaux)

## [1] 213

J’avais au départ 254 lignes de données. Maintenant j’en ai 213 après avoir retiré les données manquantes. Ca prendrait un tutoriel complet sur la gestion des données manquantes (j’y pense sérieusement)…

Imaginez que maintenant vous vouliez changer l’aspect visuel. Les points c’est bien mais pourquoi pas mettre cela sous la forme de diagramme de chaleur qui représente la densité de points…

g+geom_density2d() #voir les données en densité

g+geom_hex() #voir les données aussi sous forme de densité dans des hexagones...

#voir toutes les possibilités de représenter des graphs avec 2 variables continues...

OK vous comprenez le principe. Pour l’instant vous ajoutez +geom_voulu() avec votre type de geom spécifique. Notez les () qui suivent votre geom_. En effet, même si je vous montre la base, vous pouvez bien sur mettre des options spécifiques dans votre geom_x().

Par exemple je peux facilement changer la forme des points, leur taille, leur couleur ou tout autre spécificité de mon choix. Si vous ne vous rappelez pas les arguments à utiliser (c’est normal de ne pas les connaitre par coeur), utilisez dans la console ?geom_xxx(). Vous allez avoir accès à toutes les explications pour ajouter ou modifier les défauts.

Si le geom_ n’est pas supporté par votre structure de données (ex: si je tapais g+geom_density() j’aurai un message d’erreur car pour avoir une densité je ne dois pas avoir de y dans ma commande ggplot() )…

g+geom_point(color="red")  # 

g+geom_point(shape=8, alpha=0.2, colour="darkblue")

g +geom_point(colour="blue") 

#comparer à 
g +geom_jitter(colour="blue") 

g+geom_point() + geom_smooth(method="lm") # ici je précise que je veux une méthode de modèle linéaire pour obtenir le visuel global de la droite...

g+geom_point() + geom_smooth(method="loess", se=FALSE) #ici je veut la méthode loess pour avoir une courbe non linéaire mais suivant la méthode loess

#je spécifie aussi que je ne veut pas la bande matérialisant l'incertitude (standard error)

g+geom_point(color="#39568CFF") + geom_smooth(method="lm", color="#FDE725FF", fill="#481587FF")+
  theme_bw()

#ici j'ai spécifié la couleur de mes points avec (un mauve...). Moi je suis un fan des couleurs utilisées dans un paquet de R `viridis` donc j'utilise souvent ces couleurs comme celle qui est indiquée ci-dessus pour les points.

#dans le geom_smooth() j'ai spécifié la couleur de la ligne (jaune de viridis) et le remplissage de la marge d'erreur (mauve), par défaut cette marge a un certain niveau de transparence...

#essayez ce code => il ne marche pas!!!
g+geom_point(fill=age) 

ggplot(data=veaux, mapping=aes(x=dehy, y=pulse, color=age))+geom_point() 

#ici je mentionne l`age comme variable qui sera représentée par la taille du point et je veux que mes points soient rouges
ggplot(data=veaux, mapping=aes(x=dehy, y=pulse, size=age))+geom_point(color="red") 

#ensuite je veux qu'en plus de l'age, la couleur soit fonction de la variable respi. Ici il ne faut pas que je spécifie une couleur unique puisque c'est le gradient de couleur qui va être proportionnel à la respi...
ggplot(data=veaux, mapping=aes(x=dehy, y=pulse, size=age, color=resp))+geom_point()  

3.1 Exemple simple : représentation de la variable pulse

Je voulais commencer par un exemple avec 2 variables (1 en abscisse et 1 en ordonnée) afin de rentrer dans le vif du sujet mais souvent on part de plus simple avec la distribution d’une variable…

Comme précédemment, je stocke les informations d’intérêt pour déterminer les éléments de mon graphique: appelons cet objet univar_pulse (je me surpasse en terme d’originalité…).

univar_pulse <- ggplot(veaux, aes(x=pulse)) #ici comme mentionné plus tôt, j'ai spécifié :data=veaux, mapping=aes(x=pulse) en allant à l'essentiel
univar_pulse

Comme précédemment la dernière ligne de ma commande ne sert à rien si ce n’est à spécifier les cadres de mon graph (ici juste les abscisses sont spécifiées…).

Que manque-t-il pour avoir un merveilleux graph???

UN GEOM_ BIEN SUR!!!

Admettons que je veuille voir un histogramme (je commence tranquillement)

univar_pulse+ geom_histogram()

Pour la première fois on voit apparaître ce que fait notre gentil R sans qu’on le voit nécessairement. Pour chaque geom_ il utilise ou calcule une certaine stat (ici il compte les veaux (en ordonnées apparait le terme count) par strate ou bin de l’histogramme). Par défaut il utilise le nombre de bin de défaut du geom_ (ici 30) ce que l’on peut bien sur modifier…. avec la commande bins= …

univar_pulse+ geom_histogram(bins = 10)+ggtitle("10 intervalles ")

#notez ici que je vous ai introduit la fonction `ggtitle` puisque ce sont une série de graphs similaires afin de noter les différence. Vous le voyez cette fonction est juste pour mettre un titre à votre graph. Encore un truc sympa et facile!!!

# je pourrais aussi spécifier un argument sur la taille (intervalle des bins)
univar_pulse+ geom_histogram(binwidth = 50)  + ggtitle("étendue d'intervalle fixée à 50")

#ici j'ai spécifié que je partais avec des regroupements par 50 (plage de x regroupée)

#enfin je peux manuellement préciser l'intervalle des bins en utilisant l'argument `breaks` et une combinaison de chiffres (ici 5 bornes définissant 4 intervalles...)
univar_pulse+ geom_histogram(breaks=c(0,80, 120, 160, 200)) + ggtitle("bornes des intervalles spécifiées manuellement avec breaks=c(,,,)")

Je vous renvoie aux arguments disponibles dans le site de ggplot2.

Maintenant j’aurai pu aussi vouloir représenter la densité de ma distribution (et oui un autre geom_ est à la rescousse…)

univar_pulse + geom_density()

univar_pulse + geom_density()+ 
geom_vline(xintercept = 100, linetype="dotted", 
                color = "blue", size=1.5) + ggtitle("Ajout d'une ligne verticale geom_vline dotted")

#j'ajoute une ligne verticale bleue pointillée de taille 1.5 partant à x=100. 


#Notez que si je veux une ligne horizontale il suffit que j'utilise geom_hline (original!)

univar_pulse + geom_density()+ 
geom_hline(yintercept = 0.01, linetype="dashed", 
                color = "red", size=1.5) +  ggtitle("Ajout d'une ligne horizontale geom_hline dashed")

Notez une chose, ici on voit que la stat associée à geom_density() est différente de celle de geom_bar(). Donc vous ne pourrez pas directement superposer ces 2 geom_ dans le même graphique…

En revanche rien ne m’empêche de superposer des graphiques se basant sur des statistiques comparables…

univar_pulse + geom_histogram(bins=15, color="darkblue", fill="yellow" ,alpha=0.5) + geom_dotplot(fill="red", color="black", alpha=0.3)

Bon ce graphe est loin d’être beau mais c’est pour que vous compreniez le principe…

Je pourrais aussi ajouter une courbe polygone sur mon histogramme associée à geom_freqpoly. Pour l’instant je n’ai pas encore trouvé de types de données où cette représentation apporte de quoi mais bon…

univar_pulse + geom_histogram(bins=15, color="orange", fill="yellow" ,alpha=0.3) + geom_freqpoly(color="black") +
  theme_classic() # pour faire un arrière plan moins chargé

Vous pouvez explorer les possibilités par vous même car je ne pourrais pas tout mettre ici…

3.2 Représenter une variable continue stratifiée par une autre variable

Pour la cause ici je essayer de créer de regarder la répartition de pulse en fonction de la déshydratation mais en essayant de différencier les animaux en 2 catégories : déshydratés ou pas en fonction de dehy .

Je regarde d’abort sa médiane qui va me servir à couper ma BD (encore une fois c’est juste une illustration du principe…)

median(veaux$dehy, na.rm = TRUE)

## [1] 7.5

ggplot(veaux, aes(dehy))+geom_histogram(color="blue", fill="blue", alpha=0.2, bins=8) +
  geom_vline(xintercept=7.5, color="black") #juste pour visualiser...

#maintenant je vais créer ma variable catégorique deshydratation dichotomique...

veaux1 <- veaux %>% mutate(deshydratation=factor(case_when(is.na(dehy)~"Pas d'info", dehy<7.5~"Non", TRUE~"Oui")))
class(veaux1$deshydratation)

## [1] "factor"

ggplot(veaux1, aes(x=deshydratation, y=pulse))+geom_boxplot()

ggplot(veaux1, aes(x=deshydratation, y=pulse))+geom_boxplot() + 
  geom_point(color="blue", alpha=0.3)

ggplot(veaux1, aes(x=deshydratation, y=pulse))+geom_boxplot() + 
  geom_jitter(color="blue", alpha=0.3) # j'ajoute les points en plus sans superposition (vous pouvez l'inactiver (n'oubliez pas d'enlever le + sinon vous aurez une erreur))

ggplot(veaux1, aes(x=deshydratation, y=pulse))+geom_boxplot() + 
  geom_jitter(color="blue", alpha=0.3, position=position_jitter(0.1))+ggtitle("j'ai spécifié une position de mon jittering plus regroupée que le défaut")

ggplot(veaux1, aes(x=deshydratation, y=pulse))+geom_boxplot() + 
 # geom_jitter(color="blue", alpha=0.3) + 
  geom_dotplot(binaxis='y', stackdir='center', dotsize=1, color="blue", fill="yellow", alpha=0.3, binwidth=5)

ggplot(veaux1, aes(x=deshydratation, y=pulse)) +geom_violin(fill=c("lightgreen"), draw_quantiles = c(0.25, 0.5, 0.75)) #NB: l'option draw-quantile vous permet de mettre les quantiles que vous voulez dans ce diagramme. Ici j'ai mis médiane et quartile mais on peut mettre ce que l'on veut spécifiquement.

ggplot(veaux1, aes(x=deshydratation, y=pulse, fill=deshydratation)) +geom_violin(draw_quantiles = c(0.25, 0.5, 0.75)) + #nb l'option draw-quantile vous permet de mettre les quantiles que vous voulez dans ce diagramme
    theme_classic() #pour mieux voir les contrastes...

ggplot(veaux1, aes(x=deshydratation, y=pulse, fill=deshydratation)) +
  geom_violin(draw_quantiles = c(0.25, 0.5, 0.75)) + 
  scale_fill_manual(values=c("#E69F00", "#56B4E9"))  #argument pour spécifier des couleurs que je veux...

exemple <- veaux1 %>% filter(deshydratation=="Oui") 
  exemple %>% ggplot(aes(x=deshydratation, y=pulse)) +   geom_violin(fill=c("lightgreen"), draw_quantiles = c(0.25, 0.5, 0.75)) 

library(ggpubr) #ici c'est un paquet pour mettre 2graphs ensemble dans mon chunk et
a <- ggplot(veaux1, aes(x=deshydratation, y=pulse, fill=deshydratation)) +geom_boxplot()
b <- ggplot(veaux1, aes(x=deshydratation, y=pulse, fill=deshydratation)) +geom_violin(draw_quantiles = c(0.25, 0.5, 0.75))

ggarrange(a, b, common.legend=TRUE, nrow = 1) #ici juste pour les mettre en parallèle

c <- ggplot(veaux1, aes(x=deshydratation, y=pulse, fill=deshydratation)) +geom_boxplot() + coord_flip()
c

d <- ggplot(veaux1, aes(x=deshydratation, y=pulse, fill=deshydratation)) +geom_violin() + coord_flip()
d

ggarrange(c,d, ncol = 1, common.legend=TRUE) # je représente les 2 graphs en spécifiant que je veux le tout en une seule colonne

4.1 Argument facet_grid

Ici j’introduis une nouvelle fonction qui est la fonction facet_ . Cette fonction va nous permettre de subdiviser notre/nos geom_ sous la forme de panneaux qui nous permettent d’éviter la superposition. c’est surtout utile quand on a des grandes BD où la superposition est un facteur limitant à la perception de notre oeil/cerveau… Il y a différentes notions dans le facetting avec facet_grid et facet_wrap. Je vous renvoie vers le site de R Cookbook.

l’argument facet_grid vous donne la possibilité spécifique de diviser vos données selon plusieurs variable et la sortie du graph se fera en fonction du nombre de catégories (ci-dessous les 4 types de catégories sont sur la même ligne).

ggplot(data=veaux, mapping=aes(x=dehy, y=pulse, color=age_f, fill=age_f)) + 
         geom_point()  + 
         geom_smooth(method=lm) +
    facet_grid(~age_f)

Un des intérêts spécifiques de facet_grid est la possibilité de spécifier une visualisation selon plusieurs variables.

Exemple: admettons que je veuille en plus ajouter dans ma visualisation de l’effet de l’âge, l’impact du sexe de mes veaux. Implicitement l’argument facet_grid(var1~var2) me donnera mon graph avec variable 1 en ligne et variable 2 en colonne.

Rappelez vous que R fonctionne en (ligne, colonne) dans tous les arguments (cf REMA-1)

ggplot(data=veaux, mapping=aes(x=dehy, y=pulse, color=age_f, fill=age_f)) + 
         geom_point()  + 
         geom_smooth(method=lm) +
    facet_grid(sex~age_f) #rappelez vous 0=mâle et 1 =femelle....

Juste visuellement ici, je peux voir que la relation (si je me fie aux droites) change selon la strate d’âge et qu’il y a aussi un impact du sexe pour la catégorie 0-7j selon que ce sont des mâles (pente descendante) ou l’absence de relation (pente nulle pour sexe=1, 7j ou moins)…

4.2 Argument facet_wrap

facet_wrap me permet de spécifier le nombre de lignes (nrow=) ou de colonnes (ncol=) que je veux…

Ci-dessous par exemple, je spécifie que je ne veux qu’une seule colonne pour superposer mes facettes (ncol=1)

ggplot(data=veaux, mapping=aes(x=dehy, y=pulse, color=age_f, fill=age_f)) + 
         geom_point()  + 
         geom_smooth(method=lm) +
    facet_wrap(~age_f, ncol=1)

5.1 Modifier l’apparence avec theme_

Jusqu’à présent, vous avez vu le thème par défaut de l’arrière plan de ggplot. Vous vous dites peut-être que le fond du graphique pourrait être mieux. On peut bien sur modifier cela facilement avec l’option theme_.

g+geom_point() + theme_bw()

g+geom_point() + theme_classic()

g+geom_point() + theme_linedraw()

Ce ne sont que des exemples à titre indicatif (voir ggtheme pour les choix possibles). Personnellement theme_bw() et theme_classic() sont mes préférés. Si vous ne trouvez pas votre bonheur vous pouvez aussi ajouter des thèmes issus du paquet ggthemes. Avis aux intéressés…

library(ggthemes)
g+geom_point() + theme_void() #aucune information

g+geom_point() + theme_wsj() #theme wall street journal

g+geom_point() + theme_stata() #comme le type de graph de sortie par le logiciel Stata

# bref j'en passe...

Donc vous voyez, nous ne sommes pas limités.

5.2 Renommer les axes et mettre ajouter un titre au graphique

Là encore nous pouvons adapter le graphique… en modifiant les intitulés des axes avec labs().

Nous pouvons aussi ajouter un titre au graphique avec l’option ggtitle().

g+geom_point() + labs(x="Déshydratation (%)", y="Fréquence cardiaque (bpm)") +ggtitle("Nom sympathique")

5.3 Spécifier l’étendue des axes

On peut aussi spécifier les marges de visualisation des axes (limites).

g+geom_point(color="red") +theme_bw() + labs(x="Déshydratation (%)", y="Fréquence cardiaque (bpm)") +ggtitle("Nom  de figure sympathique") + xlim(0,20) +ylim(0,200)

Notez ici que j’ai changé les limites des axes simplement en ajoutant les fonctions xlim et ylim. Donc c’est TRÈS facile… et ce n’est qu’un début…

Je peux aussi modifier l’orientation et la police de la notation des axes avec l’option theme()

g+geom_point(color="red") +theme_bw() + labs(x="Déshydratation (%)", y="Fréquence cardiaque (bpm)") +
  ggtitle("Nom  de figure sympathique") + 
  xlim(0,20) + 
  ylim(0,200) +
  theme(axis.text.x = element_text(face="bold", color="darkgreen", 
                           size=14, angle=-45)) #en gras, en vert et rotation de -45 degrés et une taille de 14...

Il y a tout un tas d’autres choses que vous pouvez faire sur les axes donc je vous y renvoie vers le site stdha …

Vous pouvez aussi mettre la gradation en log avec scale_x_log() ou d’autres arguments du type scale_x_().

5.4 Indications sur le graphique

Prenons un cas concrêt. vous avez un graphique où vous voulez indiquer une région qui vous parait intéressante. Traditionnellement (en tout cas avant dans mon anciennne vie), je prenais la figure sur PPT ou sur adobe et j’ajoutais manuellement pour enregistrer ensuite la modification avec la perte d’information inhérente à ce processus.

Heureusement, plus besoin de faire cela maintenant. On peut l’indiquer directement sur notre graph sans perdre de résolution graphique…

On utilise la fonction annotate() qui va nous permettre de mettre ce que l’on veut. Je vous réfère à la page spécifique sur ce sujet. Voici un exemple ci-dessous:

g+geom_point(color="red") +theme_bw() + labs(x="Déshydratation (%)", y="Fréquence cardiaque (bpm)") +
  ggtitle("Mettre en évidence une zone d'intérêt") +
 annotate (geom="rect", xmin=9, xmax=15.1, ymin=50, ymax=100, fill="purple", alpha=0.2) + 
  #ici j'ajoute un rectangle dont je spécifie les limites sur mes 2 axes
  annotate("text", x = 12, y = 50, label = "FC basse malgré la déshydratation", angle=10 ,color="purple") #les arguments x et y indiquent le centre du texte. J'ai indiqué la rotation de 10 degrés juste pour vous montrer le tout

Bref, vous voyez que c’est quelque chose de très pratique qui peut être facilement modulée…

5.5 Indication spécifiques issues de la base de données.

g+geom_point(color="red")+ 
  theme_classic() +
  geom_text(mapping=aes(label=sex), hjust=2, vjust=1) #ici j'ai demandé à voir pour chaque point la variable sex.

#j'ai utilisé vjust et hjust pour ajouter une justification verticale et horizontale.

ggplot(data=veaux, mapping=aes(x=dehy, y=pulse, label=case))+ #ici je dois spécifier la variable dont je vais me servir pour afficher certaines donnés ou pas
  geom_point(color = ifelse(veaux$case=="9805"|veaux$case=="4869"|veaux$case=="2926", "green", "red")) + #ici je cherche simplement les veaux dans ma BD et j'indique la couleur de ces cas spécifiques.
  theme_classic()

  ggplot(data=veaux, mapping=aes(x=dehy, y=pulse, label=case))+ #ici je dois spécifier la variable dont je vais me servir pour afficher certaines donnés ou pas
  geom_point(color = ifelse(veaux$case=="9805"|veaux$case=="4869"|veaux$case=="2926", "green", "red")) + #ici je cherche simplement les veaux dans ma BD et j'indique la couleur de ces cas spécifiques.
  theme_classic()+
  geom_text_repel(data=subset(veaux, case%in% c("9805", "4869", "2926")), mapping=aes(label=case)) #rappelez vous du signe %in% qui est équivalent  variable case qui contient 9805, 4869 ou 2926...

  ggplot(data=veaux, mapping=aes(x=dehy, y=pulse, label=case))+
  geom_point(color="red")+
  geom_text_repel()+ # d'où l'intéret de spécifier quels points indiquer ou d'utiliser une figure avec moins de points...
  ggtitle("Figure qui fait mal à la tête...")

6.1 Enregistrer avec ggsave()

Une fois que vous êtes satisfait de vos graphiques, vous pouvez tout simplement les enregistrer soit individuellement soit en les ajoutants les uns aux autres.

ex1 <- g +geom_point(color="red") +
  theme_bw() + labs(x="Déshydratation (%)", y="Fréquence cardiaque (bpm)") +
  ggtitle("Figure à enregistrer")
ex1

ggsave("Ma figure.pdf") # je spécifie le nom d'enregistrement (ici Ma figure) ainsi que le format (ici pdf)


#admettons que je veuille lui accoler une 2ème figure
ex2 <- g + geom_smooth(color="yellow") +
  theme_dark() + labs(x="Déshydratation (%)", y="Fréquence cardiaque (bpm)")

ex2

# je dois utiliser ggpubr()
library(ggpubr)
ggarrange(ex1, ex2, ncol=1)

ggsave("graphique_combiné.png")

Et c’est tout… Notez bien sur que je peux spécifier la taille relative et la résolution que je souhaite bien sur…

Si vous voulez aller voir les infos sur ggpubr, vous verrez la puissance de ce paquet pour notamment utiliser des formats de graphiques prêts pour la publication. Allez voir sur ce site pour plus d’infos…

6.2 Spécifier le format

Il existe différents arguments poir spécifier la hauteur (height) et la largeur (width).

On va voir des exemples:

ex1

ggsave("F1.png")

**defaut 7.9*4.5**

ggsave("F2.png", height=4, width=3)

height 4, width 3