Exploratorios 2024

Author

Karen Velásquez-C

Published

October 5, 2024

Introducción a exploratorios

Para esta clase emplearemos la paquetería lterdatasampler la cual tiene como objetivo proporcionar subconjuntos de datos medioambientales útiles para la enseñanza y la formación en ciencia de datos.

Instalación paquetería

Podemos instalar la paquetería desde CRAN o la versión en desarrollo en GitHub

#install.packages("lterdatasampler", repos = "http://cran.us.r-project.org")
#remotes::install_github("lter/lterdatasampler")

Relaciones Univariadas

Emplearemos los datos del cangrejo violinista (Minuca pugnax) en marismas de Florida a Massachusetts durante el verano de 2016 en la isla Plum.

library(lterdatasampler)
library(tidyverse)
library(ggrepel)
library(ggridges)
library(patchwork)

Primero exploraremos la tabla de datos, y observaremos las medias, mínimos, máximos….

mean(crab)

crab <- pie_crab %>% select(where(is.numeric))
summary(crab)
    latitude          size          air_temp      air_temp_sd   
 Min.   :30.00   Min.   : 6.64   Min.   :10.29   Min.   :6.391  
 1st Qu.:34.00   1st Qu.:12.02   1st Qu.:12.05   1st Qu.:8.110  
 Median :39.10   Median :14.44   Median :13.93   Median :8.410  
 Mean   :37.69   Mean   :14.66   Mean   :15.20   Mean   :8.654  
 3rd Qu.:41.60   3rd Qu.:17.34   3rd Qu.:18.63   3rd Qu.:9.483  
 Max.   :42.70   Max.   :23.43   Max.   :21.79   Max.   :9.965  
   water_temp    water_temp_sd  
 Min.   :13.98   Min.   :4.838  
 1st Qu.:14.33   1st Qu.:6.567  
 Median :17.50   Median :6.998  
 Mean   :17.65   Mean   :7.252  
 3rd Qu.:20.54   3rd Qu.:7.865  
 Max.   :24.50   Max.   :9.121

Podemos centrarnos en una única variable

summary(crab$size)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   6.64   12.02   14.44   14.66   17.34   23.43

Boxplot

Boxplot básico

boxplot(crab$size, range=1.5, ylab="Size")

crab2 <- stack(crab)
filter(crab2, ind == "size") %>% #selecciono variable que me importa
  ggplot(aes(x= ind, y= values))+ # Creo la capa de datos
  geom_boxplot(outlier.color = "red", #color de outlier
               fill= "gray")+ # color de la caja
#  geom_text(aes(label= values), position = position_dodge2(0.3))+
  labs(title = " Boxplot de tamaño",
       y= " Valores",
       x= "")+
  theme_classic()

Una buena regla de dedo para identificar datos atípicos es: que los puntos que caen mas allá del 3er+1.5*(intercuartil) o mas bajo que 1er-1.5*(intercuartil) son valores atípicos.

Ejemplo:

iqsize <- 17.34-12.02
atip_inf <-(12.02-(iqsize*1.5))
atip_inf
[1] 4.04
atip_sup <- (17.34+(iqsize*1.5))
atip_sup
[1] 25.32
boxplot(crab)

boxplot(log(crab+1))

En ggplot tenemos que usar la base de datos que tenemos en formato “long”

 ggplot(crab2, aes(x= ind, y= values, fill= ind))+ # Creo la capa de datos
  geom_boxplot(outlier.color = "red") # color outlier

#  geom_text(aes(label= values), position = position_dodge2(0.3))+
  labs(title = " Boxplot de tamaño",
       y= " Valores",
       x= "")+
  theme_classic()#+
NULL
 # theme(legend.position ="none") # leyendas variable
ggplot(crab2, aes(x= ind, y= log(values+1), fill= ind))+ # Creo la capa de datos
  geom_boxplot(outlier.color = "red", notch = TRUE) # color outlier

#  geom_text(aes(label= values), position = position_dodge2(0.3))+
  labs(title = " Boxplot de tamaño",
       y= " Valores",
       x= "")+
  theme_classic()#+
NULL
 # theme(legend.position ="none") # leyendas variable
ggplot(crab2, aes(x=ind, y= log(values+1), fill=ind))+
  geom_violin()+ # geometría de violin
  geom_jitter(aes(col= ind), alpha= 0.6)+
    labs(title = "Gráfico de violín", 
         x= "", y= "variables scala log")+
  theme_minimal()+
  theme(legend.position = "none") #quitar leyenda de variables

Ahora en conjunto

ggplot(crab2, aes(x=ind, y= log(values+1)))+
  geom_jitter( aes(color=ind),width = 0.2, alpha= 0.6)+
  geom_violin(aes(color=ind),
              scale = "width", 
              alpha= 0.1, # valor de opacidad
              size= 0.8)+ # tamaño de la linea
  geom_boxplot(width = 0.3, alpha= 0.1, size= 0.8,
               outlier.color = "red",
               outlier.alpha = 0.9,
               outlier.size = 2)+
  labs(title = "Gráfico conjunto", 
       x= "", y= "Variables scala log")+
  theme_bw()+
  theme(legend.position = "none", # quitar leyenda de variables
       text = element_text(size= 11, face = "bold")) # Ajustar tamaño de texto

Dotplots

Con base R

dotchart(crab$size, 
         ylab = "Order of observations", 
         xlab = "SO2", 
         main = "Cleveland dotplot")

Modo ggplot

d_plot <-  crab %>% 
   mutate(index = seq(n())) %>%
  select_if(is.numeric) %>% 
  pivot_longer(cols = !index, 
               names_to = "Variable", 
               values_to = "Value") %>%
  ggplot(aes(x= Value, y= index, col= Variable))+
  geom_point(size= 2, alpha=0.6)+
  scale_color_viridis_d(option = "mako", 
                        begin = 0.1,
                        end = 0.8)+
  facet_wrap(~Variable, scales = "free")+
  labs(y= "Order of ovservation")+
   theme_bw()+
   theme(legend.position = "none",
         text = element_text(size=10))

Histogramas

hist(crab$size,lwd=2)
abline(v = 14.65, col = "blue")
abline(v = 14.435, col = "red")

Todas las variables juntas (base R)

par(mfrow=c(3,2))
hist(crab$size,lwd=2); abline(v = c(14.65,14.435), col = c("blue", "red"))
hist(crab$latitude,lwd=2)
hist(crab$air_temp,lwd=2)
hist(crab$air_temp_sd,lwd=2)
hist(crab$water_temp,lwd=2)
hist(crab$water_temp_sd,lwd=2)

Modo ggplot

Volvemos a emplear nuestra base crab2 en modo largo

ggplot(crab2, aes(x=values, fill= ind))+
  geom_histogram( bins = 7, color="black")+
  facet_wrap(.~ind, scales = "free")+ # Crear los paneles por variable
  theme_bw()+
  theme(legend.position = "none")+
  labs(x="", y= " Frequency")

Gráficos de densidad

ggplot de una variable

ggplot(crab, aes(x= size))+
  geom_histogram(aes(y = stat(density)), 
                 bins = 7,
                 fill= "gray",
                 color="black")+
  geom_density(size=1)+
  theme_classic()

ggplot de todas las variables

ggplot(crab2, aes(x=log(values+1), fill= ind))+
  geom_histogram(aes(y = stat(density), fill= ind), 
                 bins = 7, color="black")+
  geom_density(aes(fill= ind),
               size=1, alpha= 0.5)+
  facet_wrap(.~ind, scales = "free")+ # Crear los paneles por variable
  theme_classic()+
  theme(legend.position = "none")+
  labs(x="", y= " Frequency")

Ahora pondremos las variables a la misma escala y las exploraremos con un gráfico de olas

ggplot(crab2, aes(x= log(values+1), y= ind, fill= ind))+
  geom_density_ridges()+
  theme_ridges() + 
  theme(legend.position = "none")

QQ-plots

Primero con plot base

qqnorm(crab$size, main="Q-Q plot Size")
qqline(crab$size, col = 2, lty = 2)

modo ggplot para QQplot

ggplot(crab, aes(sample=size))+
  stat_qq()+
  stat_qq_line(linetype= "dashed")+
    labs(title = "Q-Q plot", 
       x= "Theoretical Quantiles", 
       y= "Education sample cuantiles")+
  theme_bw()

Relaciones Bivariadas

Veamos que relación hay entre las distintas variables. Aquí utilizo una función smoooth (regresión con pesos locales) que permite sugerir con los propios datos que tipo de relación pudieran tener.

pairs(crab, panel=panel.smooth)

Veamos la relación entre el tamaño de los cangrejos y la latitud

ggplot(data = pie_crab, aes(y = latitude, x = water_temp)) +
  geom_point()

En general, la temperatura del agua dentro del área de estudio disminuye hacia latitudes más bajas.

crab_stats <- pie_crab %>% group_by(latitude, site) %>% 
  summarise(
  n = n(), 
  mean_mm = mean(size),
  min_mm = min(size),
  max_mm = max(size),
  sd_mm = sd(size),
  median_mm = median(size)
  ) 
crab_stats
# A tibble: 13 × 8
# Groups:   latitude [13]
   latitude site      n mean_mm min_mm max_mm sd_mm median_mm
      <dbl> <chr> <int>   <dbl>  <dbl>  <dbl> <dbl>     <dbl>
 1     30   GTM      28   12.4    7.55   14.9  1.80     12.6 
 2     31.4 SI       30    9.85   6.64   13.6  1.79      9.55
 3     33.3 NIB      30   13.3    8.52   17.3  2.42     13.3 
 4     34   ZI       35   12.1    8.05   15.7  2.01     12.0 
 5     34.7 RC       25   12.5    9.4    17.6  2.34     12.1 
 6     37.2 VCR      30   16.3   11.7    21.4  2.94     16.0 
 7     39.1 DB       30   15.6   11.5    20.4  2.12     15.1 
 8     39.6 JC       30   15.3    9.58   20.9  2.72     15.4 
 9     41.3 CT       33   14.7   11.0    19.5  2.36     15.5 
10     41.6 NB       29   17.1   13.2    21.9  2.29     17.2 
11     41.9 CC       27   16.8   10.6    19.8  2.05     16.7 
12     42.2 BC       37   16.2    9.01   23.4  4.81     17.3 
13     42.7 PIE      28   18.5    9.92   22.1  2.30     18.4

Aquí, creamos un boxplot del tamaño del caparazón del cangrejo (mm) por latitud. En general, el tamaño de los cangrejos aumenta hacia latitudes más altas, siguiendo la regla de Bergmann.

pie_crab %>%
  ggplot(aes(y=latitude)) +
  geom_boxplot(aes(size, group = latitude, color=-latitude), outlier.size=0.8) +
  geom_text(data = crab_stats,
            aes(label = (paste('n =', n)), 
                group = latitude, 
                color = -latitude, 
                x= max_mm + 0.2, 
                y= latitude + 0.15), 
            size=3.5) +
  scale_x_continuous(breaks = seq(from = 7, to = 23, by = 2), limits = c(6.5,24))+
  scale_y_continuous(breaks = seq(from = 29, to = 43, by = 2), limits = c(29, 43.5)) +
  theme(legend.position= "none") 

crab_summary <- pie_crab %>% group_by(site, latitude) %>%
  summarise(
    mean_size = mean(size)
    ) %>% ungroup()

A continuación se muestra otro gráfico del tamaño del caparazón (mm) según la latitud del lugar, con los tamaños medios registrados para cada lugar mostrados como puntos morados (todas las observaciones incluidas como puntos gris claro), lo que revela una relación aproximadamente lineal entre el tamaño medio del caparazón y la latitud.

ggplot(data = crab_summary, aes(y = latitude, x = mean_size)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE, color="black") +
  geom_point(color = "purple", size=3) +
  geom_point(aes(x = size, y = latitude), data = pie_crab, color = "gray", alpha = 0.5) +
  geom_text(aes(label = site), nudge_x = 0.3, nudge_y = 0.3, size=3) +
  labs(y = "Latitude", 
       x = "Mean carapace width (mm)",
       title = "Mean carapace width of male fiddler crabs by latitude") +
  theme_minimal()