factoextra: R?duire le chevauchement des points et des annotations - Logiciel R et analyse de donn?es
Pour r?duire le chevauchement, l?argument jitter est utilis? dans les fonctions fviz_pca_xx(), fviz_ca_xx() et fviz_mca_xx() disponible dans le package R factoextra.
L?argument jitter est une liste contenant les objets what, width et height (Ex.; jitter = list(what, width, height)):
- what: l??l?ment ? ajuster. Les valeurs possibles sont ?point? ou ?p?; ?label? ou ?l?; ?both? ou ?b?.
- width: degr? d?ajustement selon l?axe des x (ex: 0.2).
- height: degr? d ?ajustement selon l?axe des y (ex: 0.2).
Quelques exemples d?utilisation sont d?crits dans les sections suivantes.
Installez les package n?cessaires
- FactoMineR: pour effectuer une ACP (Analyse en Composante Principale), une AFC (Analyse Factorielle des Correspondences simples) et une ACM (Analyse des Correspondences Multiples)
- factoextra: pour la visualisation des r?sultats de FactoMineR
Les packages FactoMineR et factoextra peuvent ?tre install?s comme suit:
install.packages("FactoMineR")
# install.packages("devtools")
devtools::install_github("kassambara/factoextra")
Charger FactoMineR et factoextra
library("FactoMineR")
library("factoextra")
Analyse des correspondences multiples (ACM)
# Charger les donn?es
data(poison)
poison.active <- poison[1:55, 5:15]
# Effectuer une ACM
res.mca <- MCA(poison.active, graph = FALSE)
# Graphique par d?faut
fviz_mca_ind(res.mca)
# Utiliser jitter pour r?duire le ch?vauchement des points
# Seulement, les annotations sont ajust?es
fviz_mca_ind(res.mca, jitter = list(what = "label",
width = 0.1, height = 0.15))
# Ajustement des points et annotations
fviz_mca_ind(res.mca, jitter = list(what = "both",
width = 0.1, height = 0.15))
Analyse factorielle des correspondences (AFC)
# Charger les donn?es
data("housetasks")
# Effectuer une AFC
res.ca <- CA(housetasks, graph = FALSE)
# Biplot par d?faut
fviz_ca_biplot(res.ca)
# Ajustement selon l'axe des y
fviz_ca_biplot(res.ca, jitter = list(what = "label",
width = 0.4, height = 0.3))
Analyse en composante principale (ACP)
# Charger les donn?es
data(decathlon2)
decathlon2.active <- decathlon2[1:23, 1:10]
# Effectuer une ACP
res.pca <- PCA(decathlon2.active, graph = FALSE)
# Biplot par d?faut
fviz_pca_ind(res.pca)
# justement selon l'axe des x
fviz_pca_ind(res.pca, jitter = list(what = "label",
width = 0.6, height = 0.6))
Infos
Cette analyse a ?t? r?alis?e en utilisant le logiciel R (ver. 3.2.1), FactoMineR (ver. 1.31.3) et factoextra (ver. 1.0.3)
Enjoyed this article? I’d be very grateful if you’d help it spread by emailing it to a friend, or sharing it on Twitter, Facebook or Linked In.
Show me some love with the like buttons below... Thank you and please don't forget to share and comment below!!
Show me some love with the like buttons below... Thank you and please don't forget to share and comment below!!
Avez vous aimé cet article? Je vous serais très reconnaissant si vous aidiez à sa diffusion en l'envoyant par courriel à un ami ou en le partageant sur Twitter, Facebook ou Linked In.
Montrez-moi un peu d'amour avec les like ci-dessous ... Merci et n'oubliez pas, s'il vous plaît, de partager et de commenter ci-dessous!
Montrez-moi un peu d'amour avec les like ci-dessous ... Merci et n'oubliez pas, s'il vous plaît, de partager et de commenter ci-dessous!