Diagramme erstellen

Wollschläger, Daniel

doi:10.1007/978-3-662-61736-6_14

Daniel Wollschläger⁴

Part of the book series: Statistik und ihre Anwendungen ((STATIST))

7442 Accesses

Zusammenfassung

Daten lassen sich in R mit Hilfe einer Vielzahl von Diagrammtypen grafisch darstellen, wobei hier nur auf eine Auswahl der verfügbaren Typen eingegangen werden kann. Für eine umfassende Dokumentation vgl. Murrell (2018) und Unwin (2015). Während sich dieses Kapitel auf den Basisumfang von R konzentriert, geht Kap. auf das beliebte Zusatzpaket ggplot2 ein Wickham und Sievert (2016).

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution

Chapter: USD 29.95; Price excludes VAT (USA)

eBook: USD 44.99; Price excludes VAT (USA)

Softcover Book: USD 59.99; Price excludes VAT (USA)

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

1.
Viele Beispiele zeigt https://www.r-graph-gallery.com/.
2.
Weitere Details erklärt unter https://www.rstudio.com/resources/cheatsheets/ das Dokument How big is your graph?
3.
Alternativ stellt das PaketCairo (Urbanek und Horner 2020) die gleichnamige Funktion zur Verfügung, mit der Diagramme in vielen Dateiformaten auch in hoher Auflösung und mit automatischer Kantenglättung gespeichert werden können.
4.
Dagegen erzeugt ein Säulendiagramm der Häufigkeiten jeder Faktorstufe (Abschn. 14.4), da plot() eine generische Funktion ist (Abschn. 17.6.3).
5.
Hat die Modellformel die Form , werden in einem Diagramm getrennt für die von definierten Gruppen boxplots dargestellt (Abschn. 14.6.3).
6.
Das Paket colorspace (Zeileis et al. 2019; Ihaka et al. 2019) definiert eine Reihe von Paletten, deren Farben für besonders gute Unterscheidbarkeit unter verschiedenen Randbedingungen optimiert wurden – etwa für Farbfehlsichtige oder Graustufen-Ausdrucke. Weiterführende Artikel zu diesem Thema nennt vignette("colorspace").
7.
Ein vierter Wert zwischen 0 und 1 kann den Grad des alpha-blendings für simulierte Transparenz definieren. Niedrige Werte stehen für sehr durchlässige, hohe Werte für opaque Farben (Abb. 12.2). Diese Art von Transparenz wird nur von manchen devices unterstützt, etwa von pdf() oder png().
8.
Für weitere Funktionen zur Verwendung verschiedener Farbräume vgl. ?convertColor sowie das Paketcolorspace.
9.
Für die Verteilung eines dichotomen Merkmals in Abhängigkeit einer kontinuierlichen Variable vgl. cdplot() (Abb. 8.1). Vergleiche mosaicplot() (Abb. 8.5) für die gemeinsame Verteilung von mehr als zwei kategorialen Variablen.
10.
Das Aussehen von Linienenden sowie das Verhalten von sich treffenden Endpunkten bestimmen die Argumente lend und ljoin von par().
11.
Mit polypath() lassen sich auch Polygone mit sich selbst überschneidenden Kanten zeichnen.
12.
Für Konfidenzellipsen als Maß für die Variabilität zweidimensionaler Daten vgl. Abschn. 14.6.8.
13.
Als Grafikdatei vorhandene Bitmap-Bilder können mit Funktionen aus den Paketen imager (Barthelme 2020) oder EBImage (Pau et al. 2010) eingelesen werden.
14.
PlotFdist() aus dem Paket DescTools stellt das Histogramm gemeinsam mit der kumulierten empirischen Häufigkeitsverteilung sowie einem boxplot in einem Diagramm dar. Für den Vergleich der Verteilungen einer Variable in zwei Bedingungen zeigthistbackback() aus demHmisc Paket die zugehörigen Histogramme Rücken-an-Rücken angeordnet simultan in einem Diagramm.
15.
Wird die Anzahl der Klassengrenzen genannt, behandelt R diesen Wert nur als Vorschlag, nicht als zwingend. Der in der Voreinstellung verwendete Algorithmus erzeugt häufig nur wenige Intervalle. Durch breaks="FD" wird ein anderer Algorithmus verwendet, der meist zu einer etwas größeren Anzahl führt.
16.
Zweidimensionale Dichten werden von smoothScatter() geschätzt und dargestellt.
17.
Liegen geradzahlig viele Werte vor, wird das Rechteck nach oben und unten nicht exakt durch die Quartile begrenzt, vgl. ?boxplot.stats.
18.
Dies sind die Mittelpunkte der Intervalle, die durch die empirischen kumulierten relativen Häufigkeiten gebildet werden (Abschn. 2.12.6).
19.
Für Konfidenzellipsen im inferenzstatistischen Sinn s. confidenceEllipse() aus demselben Paket.
20.
Ähnliche Abbildungen erzeugenstars() undsunflowerplot().
21.
Grafisch sehr aufwendig gerenderte Darstellungen dreidimensionaler Szenen erzeugt das Paketrayshader (Morgan-Wall 2020). Beispiele zeigt https://github.com/tylermorganwall/rayshader/.
22.
Sehr dynamisch ist derzeit die Entwicklung von Paketen, die interaktive Diagramme für Webseiten mit Hilfe von JavaScript-Bibliotheken implementieren. Dazu zählengoogleVis (Gesmann und de Castillo 2011) und plotly (Sievert et al. 2020; Sievert 2020).
23.
Ästhetisch ansprechendere heatmaps mit sehr viel mehr Gestaltungsmöglichkeiten bietet das Paket pheatmap (Kolde 2019).

Author information

Authors and Affiliations

Institut für Medizinische Biometrie, Epidemiologie und Informatik (IMBEI), Universitätsmedizin der Johannes Gutenberg-Universität Mainz, Mainz, Deutschland
Daniel Wollschläger

Authors

Daniel Wollschläger
View author publications
You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Daniel Wollschläger .

Rights and permissions

Reprints and permissions

Copyright information

About this chapter

Cite this chapter

Wollschläger, D. (2020). Diagramme erstellen. In: Grundlagen der Datenanalyse mit R. Statistik und ihre Anwendungen. Springer Spektrum, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-61736-6_14

Download citation

DOI: https://doi.org/10.1007/978-3-662-61736-6_14
Published: 03 November 2020
Publisher Name: Springer Spektrum, Berlin, Heidelberg
Print ISBN: 978-3-662-61735-9
Online ISBN: 978-3-662-61736-6
eBook Packages: Life Science and Basic Disciplines (German Language)

Publish with us

Policies and ethics