Emzett Digital

Grafiken mit Base R

R kann Diagramme direkt erzeugen. Im Skript speicherst du sie in Dateien (png(), pdf(), svg()), in RStudio erscheinen sie im Plot-Fenster:

text

png("diagramm.png", width = 800, height = 500)

plot(mtcars$wt, mtcars$mpg, main = "Verbrauch und Gewicht",
     xlab = "Gewicht (1000 lbs)", ylab = "Meilen pro Gallone",
     pch = 19, col = "steelblue")
abline(lm(mpg ~ wt, data = mtcars), col = "red", lwd = 2)
legend("topright", legend = c("Autos", "Regression"), col = c("steelblue", "red"), pch = c(19, NA), lty = c(NA, 1))

dev.off()

Die wichtigsten Diagrammtypen:

Funktion	Diagramm
`plot(x, y)`	Streudiagramm; mit `type = "l"` Linie
`hist(x)`	Histogramm
`boxplot(y ~ gruppe, data)`	Boxplot
`barplot(table(x))`	Balkendiagramm
`pie(werte)`	Kreisdiagramm (selten sinnvoll)
`pairs(daten)`	Streudiagramm-Matrix
`curve(sin, 0, 2*pi)`	Funktionskurve
`par(mfrow = c(1, 2))`	mehrere Diagramme nebeneinander

Wir können das Ergebnis der Berechnungen auch ohne Grafik prüfen:

h <- hist(mtcars$mpg, plot = FALSE, breaks = seq(10, 35, by = 5))
h$counts
h$mids
b <- boxplot(mpg ~ cyl, data = mtcars, plot = FALSE)
b$stats
names(b$n) <- b$names
b$n
bp <- barplot(table(mtcars$gear), plot = FALSE)
bp

Ausgabe

[1]  6 12  8  2  4
[1] 12.5 17.5 22.5 27.5 32.5
     [,1]  [,2] [,3]
[1,] 21.4 17.80 13.3
[2,] 22.8 18.65 14.3
[3,] 26.0 19.70 15.2
[4,] 30.4 21.00 16.4
[5,] 33.9 21.40 19.2
 4  6  8
11  7 14
     [,1]
[1,]  0.7
[2,]  1.9
[3,]  3.1

Ein einfaches Text-Diagramm geht auch direkt in der Konsole:

haeufig <- table(mtcars$cyl)
for (n in names(haeufig)) cat(sprintf("%s Zyl. | %s %d\n", n, strrep("#", haeufig[[n]]), haeufig[[n]]))

Ausgabe

4 Zyl. | ########### 11
6 Zyl. | ####### 7
8 Zyl. | ############## 14

ggplot2: Grammatik der Grafiken

Das meistgenutzte Paket für schöne Diagramme. Du beschreibst Daten (data), Zuordnung (aes), Formen (geom_*) in Schichten:

text

library(ggplot2)

ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl))) +
  geom_point(size = 3) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(title = "Verbrauch und Gewicht", x = "Gewicht", y = "mpg", color = "Zylinder") +
  theme_minimal()

ggsave("plot.png", width = 8, height = 5)

Weitere Schichten: geom_bar, geom_histogram, geom_boxplot, geom_line, facet_wrap(~ gruppe) für Kleinbilder.

Das Tidyverse

Eine Sammlung zusammenpassender Pakete: dplyr (Datenaufbereitung), tidyr (Umformen), readr (Einlesen), ggplot2 (Grafik), stringr (Text), lubridate (Datum), purrr (funktionale Programmierung). Der Pipe-Operator (|> in Base R seit 4.1, %>% im Tidyverse) reicht das Ergebnis weiter:

text

library(dplyr)

mtcars |>
  filter(mpg > 20) |>
  group_by(cyl) |>
  summarise(anzahl = n(), mittel_hp = mean(hp), max_mpg = max(mpg)) |>
  arrange(desc(anzahl))

daten |> mutate(kmpl = mpg * 0.425) |> select(mpg, kmpl) |> head()

Auch ohne Zusatzpakete steht die Pipe zur Verfügung:

mtcars |>
  subset(mpg > 20) |>
  (\(d) aggregate(hp ~ cyl, data = d, FUN = mean))() |>
  (\(d) d[order(d$cyl), ])()

c(4, 9, 16) |> sqrt() |> sum()

Ausgabe

cyl        hp
1   4  82.63636
2   6 110.00000
[1] 9

dplyr-Verb	Aufgabe
`filter()`	Zeilen auswählen
`select()`	Spalten auswählen
`mutate()`	Spalten berechnen
`arrange()`	sortieren
`group_by()` + `summarise()`	gruppieren und zusammenfassen
`left_join()`	Tabellen verbinden
`pivot_longer()` / `pivot_wider()` (tidyr)	Tabelle umformen

Pakete verwalten

text

install.packages("dplyr")        # einmal installieren (aus CRAN)
library(dplyr)                   # in jeder Sitzung laden
packageVersion("dplyr")
update.packages()
renv::init()                     # projektspezifische Paketversionen (reproduzierbar)

"stats" %in% loadedNamespaces()
exists("mean")
environmentName(environment(mean))
is.function(utils::head)

Ausgabe

[1] TRUE
[1] TRUE
[1] "base"
[1] TRUE

Berichte und Anwendungen

R Markdown / Quarto: Text, Code und Ergebnisse in einem Dokument (HTML, PDF, Word)
Shiny: interaktive Web-Apps in R
tidymodels / caret: Machine Learning
data.table: sehr schnelle Tabellenverarbeitung
Bioconductor: Bioinformatik-Pakete

Ein Quarto-Dokument (bericht.qmd) besteht aus einem Kopf mit title: und format: html, normalem Markdown-Text, Inline-Code wie r round(mean(mtcars$mpg), 1) für berechnete Werte und Code-Blöcken (Chunks), die mit {r} geöffnet werden. Mit quarto render bericht.qmd entsteht daraus HTML, PDF oder Word.

Merke

Base R zeichnet mit plot, hist, boxplot, barplot; speichern mit png() ... dev.off()
ggplot2 baut Grafiken schichtweise (ggplot() + geom_*())
Tidyverse (dplyr, tidyr, readr) mit Pipe |> für lesbare Datenaufbereitung
Pakete: install.packages einmal, library je Sitzung
Berichte mit Quarto/R Markdown, Apps mit Shiny

Aufgabe

Zeichne (in RStudio) ein Histogramm der PS-Werte (hp) in mtcars und beschrifte die Achsen.

Grafiken mit Base R

R kann Diagramme direkt erzeugen. Im Skript speicherst du sie in Dateien (png(), pdf(), svg()), in RStudio erscheinen sie im Plot-Fenster:

text

png("diagramm.png", width = 800, height = 500)

plot(mtcars$wt, mtcars$mpg, main = "Verbrauch und Gewicht",
     xlab = "Gewicht (1000 lbs)", ylab = "Meilen pro Gallone",
     pch = 19, col = "steelblue")
abline(lm(mpg ~ wt, data = mtcars), col = "red", lwd = 2)
legend("topright", legend = c("Autos", "Regression"), col = c("steelblue", "red"), pch = c(19, NA), lty = c(NA, 1))

dev.off()

Die wichtigsten Diagrammtypen:

Funktion	Diagramm
`plot(x, y)`	Streudiagramm; mit `type = "l"` Linie
`hist(x)`	Histogramm
`boxplot(y ~ gruppe, data)`	Boxplot
`barplot(table(x))`	Balkendiagramm
`pie(werte)`	Kreisdiagramm (selten sinnvoll)
`pairs(daten)`	Streudiagramm-Matrix
`curve(sin, 0, 2*pi)`	Funktionskurve
`par(mfrow = c(1, 2))`	mehrere Diagramme nebeneinander

Wir können das Ergebnis der Berechnungen auch ohne Grafik prüfen:

h <- hist(mtcars$mpg, plot = FALSE, breaks = seq(10, 35, by = 5))
h$counts
h$mids
b <- boxplot(mpg ~ cyl, data = mtcars, plot = FALSE)
b$stats
names(b$n) <- b$names
b$n
bp <- barplot(table(mtcars$gear), plot = FALSE)
bp

Ausgabe

[1]  6 12  8  2  4
[1] 12.5 17.5 22.5 27.5 32.5
     [,1]  [,2] [,3]
[1,] 21.4 17.80 13.3
[2,] 22.8 18.65 14.3
[3,] 26.0 19.70 15.2
[4,] 30.4 21.00 16.4
[5,] 33.9 21.40 19.2
 4  6  8
11  7 14
     [,1]
[1,]  0.7
[2,]  1.9
[3,]  3.1

Ein einfaches Text-Diagramm geht auch direkt in der Konsole:

haeufig <- table(mtcars$cyl)
for (n in names(haeufig)) cat(sprintf("%s Zyl. | %s %d\n", n, strrep("#", haeufig[[n]]), haeufig[[n]]))

Ausgabe

4 Zyl. | ########### 11
6 Zyl. | ####### 7
8 Zyl. | ############## 14

ggplot2: Grammatik der Grafiken

Das meistgenutzte Paket für schöne Diagramme. Du beschreibst Daten (data), Zuordnung (aes), Formen (geom_*) in Schichten:

text

library(ggplot2)

ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl))) +
  geom_point(size = 3) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(title = "Verbrauch und Gewicht", x = "Gewicht", y = "mpg", color = "Zylinder") +
  theme_minimal()

ggsave("plot.png", width = 8, height = 5)

Weitere Schichten: geom_bar, geom_histogram, geom_boxplot, geom_line, facet_wrap(~ gruppe) für Kleinbilder.

Das Tidyverse

text

library(dplyr)

mtcars |>
  filter(mpg > 20) |>
  group_by(cyl) |>
  summarise(anzahl = n(), mittel_hp = mean(hp), max_mpg = max(mpg)) |>
  arrange(desc(anzahl))

daten |> mutate(kmpl = mpg * 0.425) |> select(mpg, kmpl) |> head()

Auch ohne Zusatzpakete steht die Pipe zur Verfügung:

mtcars |>
  subset(mpg > 20) |>
  (\(d) aggregate(hp ~ cyl, data = d, FUN = mean))() |>
  (\(d) d[order(d$cyl), ])()

c(4, 9, 16) |> sqrt() |> sum()

Ausgabe

cyl        hp
1   4  82.63636
2   6 110.00000
[1] 9

dplyr-Verb	Aufgabe
`filter()`	Zeilen auswählen
`select()`	Spalten auswählen
`mutate()`	Spalten berechnen
`arrange()`	sortieren
`group_by()` + `summarise()`	gruppieren und zusammenfassen
`left_join()`	Tabellen verbinden
`pivot_longer()` / `pivot_wider()` (tidyr)	Tabelle umformen

Pakete verwalten

text

install.packages("dplyr")        # einmal installieren (aus CRAN)
library(dplyr)                   # in jeder Sitzung laden
packageVersion("dplyr")
update.packages()
renv::init()                     # projektspezifische Paketversionen (reproduzierbar)

"stats" %in% loadedNamespaces()
exists("mean")
environmentName(environment(mean))
is.function(utils::head)

Ausgabe

[1] TRUE
[1] TRUE
[1] "base"
[1] TRUE

Berichte und Anwendungen

R Markdown / Quarto: Text, Code und Ergebnisse in einem Dokument (HTML, PDF, Word)
Shiny: interaktive Web-Apps in R
tidymodels / caret: Machine Learning
data.table: sehr schnelle Tabellenverarbeitung
Bioconductor: Bioinformatik-Pakete

Merke

Base R zeichnet mit plot, hist, boxplot, barplot; speichern mit png() ... dev.off()
ggplot2 baut Grafiken schichtweise (ggplot() + geom_*())
Tidyverse (dplyr, tidyr, readr) mit Pipe |> für lesbare Datenaufbereitung
Pakete: install.packages einmal, library je Sitzung
Berichte mit Quarto/R Markdown, Apps mit Shiny

Aufgabe

Zeichne (in RStudio) ein Histogramm der PS-Werte (hp) in mtcars und beschrifte die Achsen.

Grafik, Pakete und Tidyverse

Grafiken mit Base R

ggplot2: Grammatik der Grafiken

Das Tidyverse

Pakete verwalten

Berichte und Anwendungen

Merke

Aufgabe

Grafik, Pakete und Tidyverse

Grafiken mit Base R

ggplot2: Grammatik der Grafiken

Das Tidyverse

Pakete verwalten

Berichte und Anwendungen

Merke

Aufgabe