Introduction

Cet article décrit comment dessiner un corrélogramme dans R. Un corrélogramme représente le graphique d'une matrice de corrélation. Le corrélogramme est très important pour mettre en évidence les variables les plus corrélées. Dans ce type de graphique, les coefficients de corrélation sont colorés en fonction de leur valeur. La matrice de corrélation peut être aussi réordonnée en fonction du degré de corrélation entre les variables. Le package corrplot de R est utilisé dans ce document.

Installer le package corrplot

Le package corrplot est nécessaire pour exécuter le code R dans cet article.

install.packages("corrplot")

Données pour l'analyse de corrélation

La table de données mtcars est utilisée pour calculer la matrice de corrélation.

head(mtcars)

                   mpg cyl disp  hp drat    wt  qsec vs am gear carb
Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1  0    3    1
Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0  0    3    2
Valiant           18.1   6  225 105 2.76 3.460 20.22  1  0    3    1

Calcul de la matrice de corrélation

M<-cor(mtcars)
head(round(M,2))

       mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb
mpg   1.00 -0.85 -0.85 -0.78  0.68 -0.87  0.42  0.66  0.60  0.48 -0.55
cyl  -0.85  1.00  0.90  0.83 -0.70  0.78 -0.59 -0.81 -0.52 -0.49  0.53
disp -0.85  0.90  1.00  0.79 -0.71  0.89 -0.43 -0.71 -0.59 -0.56  0.39
hp   -0.78  0.83  0.79  1.00 -0.45  0.66 -0.71 -0.72 -0.24 -0.13  0.75
drat  0.68 -0.70 -0.71 -0.45  1.00 -0.71  0.09  0.44  0.71  0.70 -0.09
wt   -0.87  0.78  0.89  0.66 -0.71  1.00 -0.17 -0.55 -0.69 -0.58  0.43

Corrélogramme : Visualisation de la matrice de corrélation

La fonction corrplot est utilisée pour faire le graphique de la **matrice de corrélation.

Le format simplifié de la fonction est:

corrplot(corr, method="circle")

library(corrplot)
corrplot(M, method="circle")

corrplot(M, method="pie")

corrplot(M, method="color")

corrplot(M, method="number")

corrplot(M, type="upper")

corrplot(M, type="lower")

# Corrélogramme avec réarrangement de type hclust
corrplot(M, type="upper", order="hclust")

# Utilisation de différents spectres de couleurs
col<- colorRampPalette(c("red", "white", "blue"))(20)
corrplot(M, type="upper", order="hclust", col=col)

# Changer la couleur de fond en lightblue
corrplot(M, type="upper", order="hclust", col=c("black", "white"),
         bg="lightblue")

library(RColorBrewer)
corrplot(M, type="upper", order="hclust", 
         col=brewer.pal(n=8, name="RdBu"))

corrplot(M, type="upper", order="hclust",
         col=brewer.pal(n=8, name="RdYlBu"))

corrplot(M, type="upper", order="hclust",
         col=brewer.pal(n=8, name="PuOr"))

corrplot(M, type="upper", order="hclust", tl.col="black", tl.srt=45)

# mat : matrice de donnée
# ... : Arguments supplémentaire à passer à la fonction cor.test
cor.mtest <- function(mat, ...) {
    mat <- as.matrix(mat)
    n <- ncol(mat)
    p.mat<- matrix(NA, n, n)
    diag(p.mat) <- 0
    for (i in 1:(n - 1)) {
        for (j in (i + 1):n) {
            tmp <- cor.test(mat[, i], mat[, j], ...)
            p.mat[i, j] <- p.mat[j, i] <- tmp$p.value
        }
    }
  colnames(p.mat) <- rownames(p.mat) <- colnames(mat)
  p.mat
}
# Matrice de p-value de la corrélation
p.mat <- cor.mtest(mtcars)
head(p.mat[, 1:5])

           mpg       cyl      disp        hp      drat
mpg  0.000e+00 6.113e-10 9.380e-10 1.788e-07 1.776e-05
cyl  6.113e-10 0.000e+00 1.803e-12 3.478e-09 8.245e-06
disp 9.380e-10 1.803e-12 0.000e+00 7.143e-08 5.282e-06
hp   1.788e-07 3.478e-09 7.143e-08 0.000e+00 9.989e-03
drat 1.776e-05 8.245e-06 5.282e-06 9.989e-03 0.000e+00
wt   1.294e-10 1.218e-07 1.222e-11 4.146e-05 4.784e-06

# Indication des corrélations non significatives 
#par une croix
corrplot(M, type="upper", order="hclust", 
         p.mat = p.mat, sig.level = 0.01)

# Remplacement des corrélations non significatives
#par du blanc
corrplot(M, type="upper", order="hclust", 
         p.mat = p.mat, sig.level = 0.01, insig = "blank")

col <- colorRampPalette(c("#BB4444", "#EE9988", "#FFFFFF", "#77AADD", "#4477AA"))
corrplot(M, method="color", col=col(200),  
         type="upper", order="hclust", 
         addCoef.col = "black", # Ajout du coefficient de corrélation
         tl.col="black", tl.srt=45, #Rotation des étiquettes de textes
         # Combiner avec le niveau de significativité
         p.mat = p.mat, sig.level = 0.01, insig = "blank", 
         # Cacher les coefficients de corrélation sur la diagonale
         diag=FALSE 
         )

Conclusions

Infos

References: corrplot intro

Cette analyse a été faite avec R (ver. 3.1.0).

Prérequis

La fonction rquery.cormat nécessite l'installation du package corrplot de R. Avant de continuer, installez-le en utilisant le code R suivant:

install.packages("corrplot")

Pour utiliser la fonction rquery.cormat, vous pouvez la sourcer comme suit:

source("https://www.sthda.com/upload/rquery_cormat.r")

Le code R de la fonction rquery.cormat est fourni à la fin de ce document.

Exemple de données

La table de données mtcars est utilisée dans les exemples ci-dessous :

mydata <- mtcars[, c(1,3,4,5,6,7)]
head(mydata)

                   mpg disp  hp drat    wt  qsec
Mazda RX4         21.0  160 110 3.90 2.620 16.46
Mazda RX4 Wag     21.0  160 110 3.90 2.875 17.02
Datsun 710        22.8  108  93 3.85 2.320 18.61
Hornet 4 Drive    21.4  258 110 3.08 3.215 19.44
Hornet Sportabout 18.7  360 175 3.15 3.440 17.02
Valiant           18.1  225 105 2.76 3.460 20.22

Calcul de la matrice de corrélation

rquery.cormat(mydata)

$r
                hp  disp    wt  qsec  mpg drat
hp       1                            
disp  0.79     1                      
wt    0.66  0.89     1                
qsec -0.71 -0.43 -0.17     1          
mpg  -0.78 -0.85 -0.87  0.42    1     
drat -0.45 -0.71 -0.71 0.091 0.68    1
$p
                    hp    disp      wt  qsec     mpg drat
hp         0                                   
disp 7.1e-08       0                           
wt   4.1e-05 1.2e-11       0                   
qsec 5.8e-06   0.013    0.34     0             
mpg  1.8e-07 9.4e-10 1.3e-10 0.017       0     
drat    0.01 5.3e-06 4.8e-06  0.62 1.8e-05    0
$sym
         hp disp wt qsec mpg drat
hp   1                       
disp ,  1                    
wt   ,  +    1               
qsec ,  .       1            
mpg  ,  +    +  .    1       
drat .  ,    ,       ,   1   
attr(,"legend")
[1] 0 ' ' 0.3 '.' 0.6 ',' 0.8 '+' 0.9 '*' 0.95 'B' 1

Notez que dans le résultat ci-dessus, seule la partie inférieure de la matrice de corrélation est montrée par défaut. Vous pouvez utiliser les codes R suivants pour obtenir la partie supérieure ou la matrice en entier.

rquery.cormat(mydata, type="upper")

$r
         hp disp   wt  qsec   mpg  drat
hp    1 0.79 0.66 -0.71 -0.78 -0.45
disp       1 0.89 -0.43 -0.85 -0.71
wt              1 -0.17 -0.87 -0.71
qsec                  1  0.42 0.091
mpg                         1  0.68
drat                              1
$p
         hp    disp      wt    qsec     mpg    drat
hp    0 7.1e-08 4.1e-05 5.8e-06 1.8e-07    0.01
disp          0 1.2e-11   0.013 9.4e-10 5.3e-06
wt                    0    0.34 1.3e-10 4.8e-06
qsec                          0   0.017    0.62
mpg                                   0 1.8e-05
drat                                          0
$sym
         hp disp wt qsec mpg drat
hp   1  ,    ,  ,    ,   .   
disp    1    +  .    +   ,   
wt           1       +   ,   
qsec            1    .       
mpg                  1   ,   
drat                     1   
attr(,"legend")
[1] 0 ' ' 0.3 '.' 0.6 ',' 0.8 '+' 0.9 '*' 0.95 'B' 1

rquery.cormat(mydata, type="full")

$r
                hp  disp    wt   qsec   mpg   drat
hp    1.00  0.79  0.66 -0.710 -0.78 -0.450
disp  0.79  1.00  0.89 -0.430 -0.85 -0.710
wt    0.66  0.89  1.00 -0.170 -0.87 -0.710
qsec -0.71 -0.43 -0.17  1.000  0.42  0.091
mpg  -0.78 -0.85 -0.87  0.420  1.00  0.680
drat -0.45 -0.71 -0.71  0.091  0.68  1.000
$p
                    hp    disp      wt    qsec     mpg    drat
hp   0.0e+00 7.1e-08 4.1e-05 5.8e-06 1.8e-07 1.0e-02
disp 7.1e-08 0.0e+00 1.2e-11 1.3e-02 9.4e-10 5.3e-06
wt   4.1e-05 1.2e-11 0.0e+00 3.4e-01 1.3e-10 4.8e-06
qsec 5.8e-06 1.3e-02 3.4e-01 0.0e+00 1.7e-02 6.2e-01
mpg  1.8e-07 9.4e-10 1.3e-10 1.7e-02 0.0e+00 1.8e-05
drat 1.0e-02 5.3e-06 4.8e-06 6.2e-01 1.8e-05 0.0e+00
$sym
         hp disp wt qsec mpg drat
hp   1                       
disp ,  1                    
wt   ,  +    1               
qsec ,  .       1            
mpg  ,  +    +  .    1       
drat .  ,    ,       ,   1   
attr(,"legend")
[1] 0 ' ' 0.3 '.' 0.6 ',' 0.8 '+' 0.9 '*' 0.95 'B' 1

col<- colorRampPalette(c("blue", "white", "red"))(20)
cormat<-rquery.cormat(mydata, type="full", col=col)

cormat<-rquery.cormat(mydata, graphType="heatmap")

rquery.cormat(mydata, graph=FALSE)

Formater la table de corrélation

Le code R suivant permet de formater la matrice de corrélation en un tableau à 4 colonnes contenant :

• Les noms des lignes/colonnes
• Les coefficients de corrélation
• Les p-values

Pour cela, utiliser l'argument : type="flatten"

rquery.cormat(mydata, type="flatten", graph=FALSE)

$r
        row column    cor       p
1    hp   disp  0.790 7.1e-08
2    hp     wt  0.660 4.1e-05
3  disp     wt  0.890 1.2e-11
4    hp   qsec -0.710 5.8e-06
5  disp   qsec -0.430 1.3e-02
6    wt   qsec -0.170 3.4e-01
7    hp    mpg -0.780 1.8e-07
8  disp    mpg -0.850 9.4e-10
9    wt    mpg -0.870 1.3e-10
10 qsec    mpg  0.420 1.7e-02
11   hp   drat -0.450 1.0e-02
12 disp   drat -0.710 5.3e-06
13   wt   drat -0.710 4.8e-06
14 qsec   drat  0.091 6.2e-01
15  mpg   drat  0.680 1.8e-05
$p
NULL
$sym
NULL

Description de la fonction rquery.cormat

Un format simplifié de la fonction est :

rquery.cormat(x, type=c('lower', 'upper', 'full', 'flatten'),
                            graph=TRUE, graphType=c("correlogram", "heatmap"),
                            col=NULL, ...)

Description des arguments:

• x : données de type matrix
• type : En fonction de la valeur, la fonction retournera la partie inférieure (type="lower") ou supérieure (type="upper") de la matrice; la matrice entière (type="full") ou formatée (type="flatten").
• graph : Si la valeur est égale à TRUE, alors un graphique de la matrice de corrélation est généré.
• graphType : Type de graphique (corrélogramme ou heatmap)
• col: Couleurs à utiliser pour le graphique
• ... : Arguments supplémentaires à passer à la fonction cor() ou cor.test().

Code R de la fonction rquery.cormat:

#+++++++++++++++++++++++++
# Computing of correlation matrix
#+++++++++++++++++++++++++
# Required package : corrplot
# x : matrix
# type: possible values are "lower" (default), "upper", "full" or "flatten";
    #display lower or upper triangular of the matrix, full  or flatten matrix.
# graph : if TRUE, a correlogram or heatmap is plotted
# graphType : possible values are "correlogram" or "heatmap"
# col: colors to use for the correlogram
# ... : Further arguments to be passed to cor or cor.test function
# Result is a list including the following components :
    # r : correlation matrix, p :  p-values
    # sym : Symbolic number coding of the correlation matrix
rquery.cormat<-function(x,
                                                type=c('lower', 'upper', 'full', 'flatten'),
                                                graph=TRUE,
                                                graphType=c("correlogram", "heatmap"),
                                                col=NULL, ...)
{
    library(corrplot)
    # Helper functions
    #+++++++++++++++++
    # Compute the matrix of correlation p-values
    cor.pmat <- function(x, ...) {
        mat <- as.matrix(x)
        n <- ncol(mat)
        p.mat<- matrix(NA, n, n)
        diag(p.mat) <- 0
        for (i in 1:(n - 1)) {
            for (j in (i + 1):n) {
                tmp <- cor.test(mat[, i], mat[, j], ...)
                p.mat[i, j] <- p.mat[j, i] <- tmp$p.value
            }
        }
        colnames(p.mat) <- rownames(p.mat) <- colnames(mat)
        p.mat
    }
    # Get lower triangle of the matrix
    getLower.tri<-function(mat){
        upper<-mat
        upper[upper.tri(mat)]<-""
        mat<-as.data.frame(upper)
        mat
    }
    # Get upper triangle of the matrix
    getUpper.tri<-function(mat){
        lt<-mat
        lt[lower.tri(mat)]<-""
        mat<-as.data.frame(lt)
        mat
    }
    # Get flatten matrix
    flattenCorrMatrix <- function(cormat, pmat) {
        ut <- upper.tri(cormat)
        data.frame(
            row = rownames(cormat)[row(cormat)[ut]],
            column = rownames(cormat)[col(cormat)[ut]],
            cor  =(cormat)[ut],
            p = pmat[ut]
        )
    }
    # Define color
    if (is.null(col)) {
        col <- colorRampPalette(
                        c("#67001F", "#B2182B", "#D6604D", "#F4A582",
                            "#FDDBC7", "#FFFFFF", "#D1E5F0", "#92C5DE", 
                         "#4393C3", "#2166AC", "#053061"))(200)
        col<-rev(col)
    }
    
    # Correlation matrix
    cormat<-signif(cor(x, use = "complete.obs", ...),2)
    pmat<-signif(cor.pmat(x, ...),2)
    # Reorder correlation matrix
    ord<-corrMatOrder(cormat, order="hclust")
    cormat<-cormat[ord, ord]
    pmat<-pmat[ord, ord]
    # Replace correlation coeff by symbols
    sym<-symnum(cormat, abbr.colnames=FALSE)
    # Correlogram
    if(graph & graphType[1]=="correlogram"){
        corrplot(cormat, type=ifelse(type[1]=="flatten", "lower", type[1]),
                         tl.col="black", tl.srt=45,col=col,...)
    }
    else if(graphType[1]=="heatmap")
        heatmap(cormat, col=col, symm=TRUE)
    # Get lower/upper triangle
    if(type[1]=="lower"){
        cormat<-getLower.tri(cormat)
        pmat<-getLower.tri(pmat)
    }
    else if(type[1]=="upper"){
        cormat<-getUpper.tri(cormat)
        pmat<-getUpper.tri(pmat)
        sym=t(sym)
    }
    else if(type[1]=="flatten"){
        cormat<-flattenCorrMatrix(cormat, pmat)
        pmat=NULL
        sym=NULL
    }
    list(r=cormat, p=pmat, sym=sym)
}

Infos

Cette analyse a été faite avec R (ver. 3.1.0).

C'est quoi le test de corrélation?

Le test de corrélation est utilisé pour évaluer une association (dépendance) entre deux variables. Le calcul du coefficient de corrélation peut être effectué en utilisant différentes méthodes. Il existe la corrélation de Pearson, la corrélation tau de Kendall et le coefficient de corrélation rho de Spearman. Ces méthodes de calcul de corrélation sont décrites dans les sections suivantes.

Fonction R de calcul du coefficient de corrélation

La fonction cor() de R peut être utilisée pour calculer le coefficient de corrélation entre deux variables, x et y. Un format simplifié de la fonction est:

# x et y sont des vecteurs de type numérique
cor(x, y, method = c("pearson", "kendall", "spearman"))

- La méthode de corrélation de Pearson calcule un coefficient de corrélation appelé paramétrique.
- Les méthodes de test de corrélation de Kendall et de Spearman sont non paramétriques. Ce sont des tests de corrélation basés sur le rang.

Calculer le coefficient de corrélation entre deux variables dans R

x <- c(44.4, 45.9, 41.9, 53.3, 44.7, 44.1, 50.7, 45.2, 60.1)
y <- c( 2.6,  3.1,  2.5,  5.0,  3.6,  4.0,  5.2,  2.8,  3.8)

cor(x,y, method="pearson")

[1] 0.5712

cor(x, y, use = "complete.obs")

p-value du coefficient de corrélation (test de significativité)

La fonction cor.test() peut être utilisée pour calculer le niveau de significativité de la corrélation. Elle teste l'association entre deux variables en utilisant les méthodes de pearson, kendall ou de spearman.

Le format simplifié de la fonction :

# x et y sont des vecteurs numériques de même longueur
cor.test(x, y, method=c("pearson", "kendall", "spearman"))

La valeur retournée par la fonction est une liste contenant, entre autres, les composants suivants :

res<-cor.test(x,y, method="pearson")
res

        Pearson's product-moment correlation
data:  x and y
t = 1.841, df = 7, p-value = 0.1082
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 -0.1497  0.8956
sample estimates:
     cor 
0.5712 

res<-cor.test(x,y, method="kendall")
res

        Kendall's rank correlation tau
data:  x and y
T = 26, p-value = 0.1194
alternative hypothesis: true tau is not equal to 0
sample estimates:
     tau 
0.4444 

res<-cor.test(x,y, method="spearman")
res

        Spearman's rank correlation rho
data:  x and y
S = 48, p-value = 0.0968
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho 
0.6 

Conclusions

Infos

Cette analyse a été faite avec R (ver. 3.1.0).

C'est quoi un test de corrélation ?

Le test de corrélation est très utile pour évaluer une association (dépendence) entre deux variables.

Différentes méthodes existent pour le calcul du coefficient de corrélation entre deux ou plusieurs variables: La corrélation r de Pearson, la corrélation tau de kendall et la corrélation rho de Spearman.

Le coefficient de corrélation de Pearson mesure une dépendance linéaire entre deux variables. C'est une corrélation de type paramétrique car elle dépend de la distribution des données.

Les tests de corrélation de Kendall et de Spearman mesurent des coefficients de corrélation basés sur un test de rang. Dans ce chapitre, nous allons décrire comment calculer et visualiser des coefficients de corrélation dans R.

Un exemple de graphique (correlogramme) pour visualiser une matrice de corrélation est montrée ci-dessous:

Cr?er des donn?es

Poids de 200 personnes en pouces ( 1 pouce = 2.5 cm) :

set.seed(1234)
df <- data.frame(height = round(rnorm(200, mean=60, sd=15)))
head(df)

##   height
## 1     42
## 2     64
## 3     76
## 4     25
## 5     66
## 6     68

Graphiques ECDF

library(ggplot2)

ggplot(df, aes(height)) + stat_ecdf(geom = "point")

ggplot(df, aes(height)) + stat_ecdf(geom = "step")

Pour une valeur donn?e, par exemple height = 50, vous pouvez constater qu?environ 25% des individus sont plus petits que 50 pouces.

Graphique ECDF personnalis?

# Basic ECDF plot
ggplot(df, aes(height)) + stat_ecdf(geom = "step")+
labs(title="Empirical Cumulative \n Density Function",
     y = "F(height)", x="Height in inch")+
theme_classic()

Infos

Cette analyse a ?t? faite en utilisant le logiciel R (ver. 3.2.4) et le package ggplot2 (ver. 2.1.0)

Pr?parer les donn?es

Le jeu de donn?es mtcars est utilis? dans les exemples ci-dessous.

# Convertir la colonne cyl en variable de type facteur
mtcars$cyl <- as.factor(mtcars$cyl)
head(mtcars)

##                    mpg cyl disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0  0    3    2
## Valiant           18.1   6  225 105 2.76 3.460 20.22  1  0    3    1

Nuage de points simples

Des nuages de points simples sont cr??s en utilisant le code de R ci-dessous. La couleur, la taille et la forme des points peuvent ?tre modifi?es en utilisant la fonction geom_point() comme suit:

geom_point(size, color, shape)

library(ggplot2)

# Nuage de points simples
ggplot(mtcars, aes(x=wt, y=mpg)) + geom_point()

# Changer la taille et la forme
ggplot(mtcars, aes(x=wt, y=mpg)) +
  geom_point(size=2, shape=23)

Notez que, la taille des points peut ?tre contr?l?e en fonction des valeurs d?une variable continue comme dans l?exemple ci-dessous.

# Changer la taille des points
ggplot(mtcars, aes(x=wt, y=mpg)) + 
  geom_point(aes(size=qsec))

Lire plus sur la taille des points : ggplot2 taille des points

Annoter les points

La fonction geom_text() peut ?tre utilis?e:

ggplot(mtcars, aes(x=wt, y=mpg)) +
  geom_point() + 
  geom_text(label=rownames(mtcars))

Lire plus sur les annotations de textes : ggplot2 - ajoouter du texte au graphique

geom_smooth(method="auto", se=TRUE, fullrange=FALSE, level=0.95)

# Ajouter la droite de regression
ggplot(mtcars, aes(x=wt, y=mpg)) + 
  geom_point()+
  geom_smooth(method=lm)

# Supprimer l'intervalle de confiance
ggplot(mtcars, aes(x=wt, y=mpg)) + 
  geom_point()+
  geom_smooth(method=lm, se=FALSE)

# La m?thode "Loess"
ggplot(mtcars, aes(x=wt, y=mpg)) + 
  geom_point()+
  geom_smooth()

# Changer la couleur et la forme des points
# Changer le type de trait et la couleur
ggplot(mtcars, aes(x=wt, y=mpg)) + 
  geom_point(shape=18, color="blue")+
  geom_smooth(method=lm, se=FALSE, linetype="dashed",
             color="darkred")

# Changer la couleur de remplissage de l'intervalle de confiance
ggplot(mtcars, aes(x=wt, y=mpg)) + 
  geom_point(shape=18, color="blue")+
  geom_smooth(method=lm,  linetype="dashed",
             color="darkred", fill="blue")

Nuage de points avec plusieurs groupes

Cette section d?crit comment changer les couleurs et les types de points automatiquement et manuellement.

# Changer le type de points en fonction des niveaux de cyl
ggplot(mtcars, aes(x=wt, y=mpg, shape=cyl)) +
  geom_point()

# Changer le type et la couleur
ggplot(mtcars, aes(x=wt, y=mpg, shape=cyl, color=cyl)) +
  geom_point()

# Changer le type, la couleur et la taille
ggplot(mtcars, aes(x=wt, y=mpg, shape=cyl, color=cyl, size=cyl)) +
  geom_point()

# Ajouter des lignes de r?gression
ggplot(mtcars, aes(x=wt, y=mpg, color=cyl, shape=cyl)) +
  geom_point() + 
  geom_smooth(method=lm)

# Supprimer les intervalles de confiance
# Etendre les droites de r?gression
ggplot(mtcars, aes(x=wt, y=mpg, color=cyl, shape=cyl)) +
  geom_point() + 
  geom_smooth(method=lm, se=FALSE, fullrange=TRUE)

ggplot(mtcars, aes(x=wt, y=mpg, color=cyl, shape=cyl)) +
  geom_point() + 
  geom_smooth(method=lm, aes(fill=cyl))

# Changer le type de points et la couleur manuellement
ggplot(mtcars, aes(x=wt, y=mpg, color=cyl, shape=cyl)) +
  geom_point() + 
  geom_smooth(method=lm, se=FALSE, fullrange=TRUE)+
  scale_shape_manual(values=c(3, 16, 17))+ 
  scale_color_manual(values=c('#999999','#E69F00', '#56B4E9'))+
  theme(legend.position="top")
  
# Changer la taille des points manuellement
ggplot(mtcars, aes(x=wt, y=mpg, color=cyl, shape=cyl))+
  geom_point(aes(size=cyl)) + 
  geom_smooth(method=lm, se=FALSE, fullrange=TRUE)+
  scale_shape_manual(values=c(3, 16, 17))+ 
  scale_color_manual(values=c('#999999','#E69F00', '#56B4E9'))+
  scale_size_manual(values=c(2,3,4))+
  theme(legend.position="top")

p <- ggplot(mtcars, aes(x=wt, y=mpg, color=cyl, shape=cyl)) +
  geom_point() + 
  geom_smooth(method=lm, se=FALSE, fullrange=TRUE)+
  theme_classic()

# Utiliser les palettes brewer
p+scale_color_brewer(palette="Dark2")

# Utiliser les couleurs grises
p + scale_color_grey()

Ajoutter la densit? marginale

La fonction geom_rug() peut ?tre utilis?e:

geom_rug(sides ="bl")

sides : c?t? sur lequel il faudrait ajouter la densit?. La valeur possible est une cha?ne de caract?re contenant l?un des ?l?ments ?trbl?, pour top (haut), right (droite), bottom (bas), et left (gauche).

# Ajouter la densit? marginale
ggplot(mtcars, aes(x=wt, y=mpg)) +
  geom_point() + geom_rug()

# Changer les couleurs
ggplot(mtcars, aes(x=wt, y=mpg, color=cyl)) +
  geom_point() + geom_rug()

# Utiliser le jeu de donn?es faithful
ggplot(faithful, aes(x=eruptions, y=waiting)) +
  geom_point() + geom_rug()

Nuage de points avec estimation de la densit? 2d

Les fonctions geom_density_2d() ou stat_density_2d() peuvent ?tre utilis?es:

# Nuage de points avec estimation de la densit? 2d
sp <- ggplot(faithful, aes(x=eruptions, y=waiting)) +
  geom_point()
sp + geom_density_2d()

# Gradient de couleur
sp + stat_density_2d(aes(fill = ..level..), geom="polygon")

# Changer le gradient de couleur
sp + stat_density_2d(aes(fill = ..level..), geom="polygon")+
  scale_fill_gradient(low="blue", high="red")

Lire plus sur ggplot2 et couleurs : ggplot2 couleurs

Nuage de points avec ellipese

La fonction stat_ellipse() peut ?tre utilis?e comme suit:

# Une ellipse autour de tous les points
ggplot(faithful, aes(waiting, eruptions))+
  geom_point()+
  stat_ellipse()
# Ellipses par groupes
p <- ggplot(faithful, aes(waiting, eruptions, color = eruptions > 3))+
  geom_point()
p + stat_ellipse()
# Changer le type d'ellipses: 
# Valeurs possibles "t", "norm", "euclid"
p + stat_ellipse(type = "norm")

Nuage de points avec des decoupes rectangulaires

Le nombre d?observations est compt? dans chaque d?coupe et affich? en utilisant l?un des fonctions suivantes:

• geom_bin2d() pour ajouter un heatmap du comptage dans les d?coupes 2d
• stat_bin_2d() pour le comptage du nombre d?observation dans les d?coupes rectangulaires
• stat_summary_2d() pour appliquer des fonctions statistiques sur les d?coupes 2d

Les formats simplifi?s de ces fonctions sont:

plot + geom_bin2d(...)

plot+stat_bin_2d(geom=NULL, bins=30)

plot + stat_summary_2d(geom = NULL, bins = 30, fun = mean)

• geom : l?objet g?om?trique ? afficher
• bins : Nombre de d?coupes verticale et horizontale. La valeur par d?faut est 30
• fun : fonction pour une description statistique

Le jeux e donn?es diamonds, dans le package ggplot2, est utilis? :

head(diamonds)

##   carat       cut color clarity depth table price    x    y    z
## 1  0.23     Ideal     E     SI2  61.5    55   326 3.95 3.98 2.43
## 2  0.21   Premium     E     SI1  59.8    61   326 3.89 3.84 2.31
## 3  0.23      Good     E     VS1  56.9    65   327 4.05 4.07 2.31
## 4  0.29   Premium     I     VS2  62.4    58   334 4.20 4.23 2.63
## 5  0.31      Good     J     SI2  63.3    58   335 4.34 4.35 2.75
## 6  0.24 Very Good     J    VVS2  62.8    57   336 3.94 3.96 2.48

# Graphique
p <- ggplot(diamonds, aes(carat, price))
p + geom_bin2d()

Changer le nombre de d?coupes:

# Changer le nombre de d?coupes
p + geom_bin2d(bins=10)

Ou sp?cifie la largeur des d?coupes:

# Sp?cifier la largeur des d?coupes
p + geom_bin2d(binwidth=c(1, 1000))

Nuage de point avec distribution marginale

Step 1/3. Cr?er des donn?es:

set.seed(1234)
x <- c(rnorm(500, mean = -1), rnorm(500, mean = 1.5))
y <- c(rnorm(500, mean = 1), rnorm(500, mean = 1.7))
group <- as.factor(rep(c(1,2), each=500))
df <- data.frame(x, y, group)
head(df)

##             x          y group
## 1 -2.20706575 -0.2053334     1
## 2 -0.72257076  1.3014667     1
## 3  0.08444118 -0.5391452     1
## 4 -3.34569770  1.6353707     1
## 5 -0.57087531  1.7029518     1
## 6 -0.49394411 -0.9058829     1

Step 2/3. Cr?er des graphiques:

# Nuage de points color?s par groupes
scatterPlot <- ggplot(df,aes(x, y, color=group)) + 
  geom_point() + 
  scale_color_manual(values = c('#999999','#E69F00')) + 
  theme(legend.position=c(0,1), legend.justification=c(0,1))
scatterPlot


# Courbe de densit? marginale de x (panel du haut)
xdensity <- ggplot(df, aes(x, fill=group)) + 
  geom_density(alpha=.5) + 
  scale_fill_manual(values = c('#999999','#E69F00')) + 
  theme(legend.position = "none")
xdensity

# Courbe de densit? marginale de y (panel de droite)
ydensity <- ggplot(df, aes(y, fill=group)) + 
  geom_density(alpha=.5) + 
  scale_fill_manual(values = c('#999999','#E69F00')) + 
  theme(legend.position = "none")
ydensity

Cr?er un emplacement vide :

blankPlot <- ggplot()+geom_blank(aes(1,1))+
  theme(plot.background = element_blank(), 
   panel.grid.major = element_blank(),
   panel.grid.minor = element_blank(), 
   panel.border = element_blank(),
   panel.background = element_blank(),
   axis.title.x = element_blank(),
   axis.title.y = element_blank(),
   axis.text.x = element_blank(), 
   axis.text.y = element_blank(),
   axis.ticks = element_blank()
     )

Step 3/3. Regrouper les graphiques:

Pour mettre plusieurs graphiques sur la m?me page, le package gridExtra peut ?tre utilis?. Installez le package comme suit:

install.packages("gridExtra")

Arranger le graphique avec des largeurs et des hauteurs adapt?es pour chaque ligne et chaque colonne:

library("gridExtra")
grid.arrange(xdensity, blankPlot, scatterPlot, ydensity, 
        ncol=2, nrow=2, widths=c(4, 1.4), heights=c(1.4, 4))

Lire plus sur comment arranger plusieurs graphiques sur la m?me page : ggplot2 - Arranger plusieurs graphiques sur la m?me page

Nuages de points personnalis?s

# Nuage de points simple
ggplot(mtcars, aes(x=wt, y=mpg)) + 
  geom_point()+
  geom_smooth(method=lm, color="black")+
  labs(title="Miles per gallon \n according to the weight",
       x="Weight (lb/1000)", y = "Miles/(US) gallon")+
  theme_classic()  

# Changer la couleur/ le type par groupe
# Supprimer l'intervalle de confiance
p <- ggplot(mtcars, aes(x=wt, y=mpg, color=cyl, shape=cyl)) + 
  geom_point()+
  geom_smooth(method=lm, se=FALSE, fullrange=TRUE)+
  labs(title="Miles per gallon \n according to the weight",
       x="Weight (lb/1000)", y = "Miles/(US) gallon")

p + theme_classic()  

Changer les couleurs manuellement

# Couleurs continues
p + scale_color_brewer(palette="Paired") + theme_classic()

# Couleurs discr?tes
p + scale_color_brewer(palette="Dark2") + theme_minimal()

# Couleurs en gradient
p + scale_color_brewer(palette="Accent") + theme_minimal()

Lire plus sur ggplot2 et couleurs : ggplot2 couleurs

Infos

Cette analyse a ?t? faite en utilisant le logiciel R (ver. 3.2.4) et le package ggplot2 (ver. 2.1.0)

Pr?parer les donn?es

Le jeu de donn?es ToothGrowth est utilis? dans les exemples ci-dessous :

# Convertir la variable dose de type "numeric" au type "factor"
ToothGrowth$dose <- as.factor(ToothGrowth$dose)
head(ToothGrowth)

##    len supp dose
## 1  4.2   VC  0.5
## 2 11.5   VC  0.5
## 3  7.3   VC  0.5
## 4  5.8   VC  0.5
## 5  6.4   VC  0.5
## 6 10.0   VC  0.5

Assurez-vous que la variable dose soit convertie en une variable de type ?factor? en utilisant le script de R ci-dessus.

Exemple de graphes

library(ggplot2)
p <- ggplot(ToothGrowth, aes(x=dose, y=len)) + geom_boxplot()
p

Fonctions rapides pour changer le th?me

Plusieurs fonctions sont disponibles dans le package ggplot2 pour changer rapidement le th?me des graphes:

• theme_gray : couleur de fond grise et grille blanche
• theme_bw : couleur de fond blanche et grille grise

p + theme_gray(base_size = 14)

p + theme_bw()

• theme_linedraw: traits noirs autour du graphique
• theme_light: traits et axes l?g?rement gris (plus d?attention accord?e aux donn?es)

p + theme_linedraw()

p + theme_light()

• theme_minimal: pas de couleur de fond
• theme_classic : th?me avec les traits des axes mais pas de grilles

p + theme_minimal()

p + theme_classic()

• theme_void: Th?me vide, util pour des graphs avec des coordonn?es non-standard ou pour dessiner
• theme_dark(): Th?me avec un arri?re plan noir, design? pour faire ressortir les couleurs.

p + theme_void()

p + theme_dark()

ggplot2 background color, theme_void and theme_dark, R programming

Les fonctions theme_xx() peuvent prendre les deux arguments ci-dessous:

• base_size : taille de base de la police (pour changer la taille de tous les ?l?ments textuels sur le graphique)
• base_family : famille de police

La taille, de tous ?l?ments textuels du graphe, peut ?tre chang?e facilement en une seule fois :

# Exemple 1
theme_set(theme_gray(base_size = 20))
ggplot(ToothGrowth, aes(x=dose, y=len)) + geom_boxplot()

# Exemple 2
ggplot(ToothGrowth, aes(x=dose, y=len)) + geom_boxplot()+
  theme_classic(base_size = 25)

Notez que, la fonction theme_set() modifie le th?me pour toute la dur?e de la session.

Personnaliser l?arri?re plan du graphique

La fonction theme() est utilis?e pour contr?ler les ?l?ments graphiques incluant :

• Les ?l?ments lin?aires : traits des axes, traits des grilles mineur et majeur, bordure du panneau graphique, graduation des axes, couleurs de fond, etc.
• Les ?l?ments textuels : titre du graphique et des axes, titre et textes de la l?gende, les ?tiquettes des graduations des axes, etc.
• Les ?l?ments rectangualaires : arri?re plan du graphique, du panneau et de la l?gende, etc.

Il existe une fonction sp?cifique pour modifier chacun de ces trois ?l?ments:

• element_line() pour modifier les ?l?ments lin?aires du th?me
• element_text() pour modifier les ?l?ments textuels
• element_rect() pour changer l?apparence des ?l?ments rectangulaires

Notez que, chacun de ces ?l?ments de th?me peut ?tre supprim? avec la fonction element_blank()

p + theme(panel.background = element_rect(fill, colour, size, 
                                          linetype, color))

# Changer les traits des grilles mineures et majeures 
p + theme(
  panel.grid.major = element_line(colour, size, linetype,
                                   lineend, color),
  panel.grid.minor = element_line(colour, size, linetype,
                                   lineend, color)
  )

# Changer la couleur de fond du panneau en "lightblue"
# et la couleur des grilles en "white"
p + theme(
  panel.background = element_rect(fill = "lightblue",
                                colour = "lightblue",
                                size = 0.5, linetype = "solid"),
  panel.grid.major = element_line(size = 0.5, linetype = 'solid',
                                colour = "white"), 
  panel.grid.minor = element_line(size = 0.25, linetype = 'solid',
                                colour = "white")
  )

Supprimer les bordures du panneau et les grilles

Il est possible de masquer les bordures du panneau graphique et les lignes de la grille avec la fonction element_blank() comme suit:

# Masquer les bordures et les lignes de la grille
p + theme(panel.border = element_blank(),
          panel.grid.major = element_blank(),
          panel.grid.minor = element_blank())

# Masquer les bordures et les lignes de la grille
# Modifier le trait des axes
p + theme(panel.border = element_blank(),
          panel.grid.major = element_blank(),
          panel.grid.minor = element_blank(),
          axis.line = element_line(size = 0.5, linetype = "solid",
                                   colour = "black"))

ggplot2 background color, remove plot panel border, remove grid lines, R programming

p + theme(plot.background = element_rect(fill = "darkblue"))

Utiliser un th?me personnalis?

Vous pouvez changer enti?rement l?apparence d?un graphique en utilisant des th?mes personnalis?s. Jeffrey Arnold a d?velopp? le package ggthemes contenant des th?mes personnalis?s.

Pour utiliser ces th?mes installer et charger le package ggthemes comme suit:

install.packages("ggthemes") # Installer 
library(ggthemes) # Charger

Le package ggthemes fournit de nombreux th?mes pour ggplot2.

theme_tufte : un th?me minimalist

# Nuage de point
ggplot(mtcars, aes(wt, mpg)) +
  geom_point() + geom_rangeframe() + 
  theme_tufte()

ggplot2 theme_tufte, logiciel R

theme_economist : th?me bas? sur des graphiques de magazines economistes

p <- ggplot(iris, aes(Sepal.Length, Sepal.Width, colour = Species))+
  geom_point()

# Utiliser l'?chelle de couleurs ?conomiste
p + theme_economist() + 
  scale_color_economist()+
  ggtitle("Iris data sets")

ggplot2 theme_economist, logiciel R

Notez que la fonction scale_fill_economist() est aussi disponible (pour le remplissage des box plots, bar plots, ?).

theme_stata: th?me bas? sur des graphiqes de types Stata

p + theme_stata() + scale_color_stata() +
  ggtitle("Iris data")

ggplot2 theme_stata, logiciel R

Les ?chelles de couleurs stata peuvent ?tre utilis?es comme suit :

scale_fill_stata(scheme = "s2color", ...)

scale_color_stata(scheme = "s2color", ...)

Les valeurs possibles pour l?argument scheme sont ?s2color?, ?s1rcolor?, ?s1color?, ou ?mono?.

theme_wsj: th?me bas? sur des graphiques de types Wall Street Journal

p + theme_wsj()+ scale_colour_wsj("colors6")+
  ggtitle("Iris data")

ggplot2 theme_wsj, logiciel R

Les ?chelles de couleurs de types Wall Street Journal sont :

scale_color_wsj(palette = "colors6", ...)

scale_fill_wsj(palette = "colors6", ...)

Les valeurs possibles pour l?argument palette sont: ?rgby?, ?red_green?, ?black_green?, ?dem_rep?, ?colors6?.

theme_calc : th?me de type LibreOffice Calc

p + theme_calc()+ scale_colour_calc()+
  ggtitle("Iris data")

ggplot2 theme_calc, logiciel R

theme_hc : th?me de types Highcharts JS

p + theme_hc()+ scale_colour_hc()

ggplot2 theme_hc et logiciel R

Cr?? un th?me personnalis?

1. Vous pouvez changer le th?me pour la session R courante en utilisant la fonction theme_set() comme suit :

theme_set(theme_gray(base_size = 20))

2. Vous pouvez extraire et modifier le code R du th?me theme_gray :

theme_gray

function (base_size = 11, base_family = "") 
{
 half_line <- base_size/2
theme(
  line = element_line(colour = "black", size = 0.5, 
                      linetype = 1, lineend = "butt"), 
  rect = element_rect(fill = "white", colour = "black",
                      size = 0.5, linetype = 1),
  text = element_text(family = base_family, face = "plain",
                      colour = "black", size = base_size,
                      lineheight = 0.9,  hjust = 0.5,
                      vjust = 0.5, angle = 0, 
                      margin = margin(), debug = FALSE), 
  
  axis.line = element_blank(), 
  axis.text = element_text(size = rel(0.8), colour = "grey30"),
  axis.text.x = element_text(margin = margin(t = 0.8*half_line/2), 
                             vjust = 1), 
  axis.text.y = element_text(margin = margin(r = 0.8*half_line/2),
                             hjust = 1),
  axis.ticks = element_line(colour = "grey20"), 
  axis.ticks.length = unit(half_line/2, "pt"), 
  axis.title.x = element_text(margin = margin(t = 0.8 * half_line,
                                          b = 0.8 * half_line/2)),
  axis.title.y = element_text(angle = 90, 
                              margin = margin(r = 0.8 * half_line,
                                          l = 0.8 * half_line/2)),
  
  legend.background = element_rect(colour = NA), 
  legend.margin = unit(0.2, "cm"), 
  legend.key = element_rect(fill = "grey95", colour = "white"),
  legend.key.size = unit(1.2, "lines"), 
  legend.key.height = NULL,
  legend.key.width = NULL, 
  legend.text = element_text(size = rel(0.8)),
  legend.text.align = NULL,
  legend.title = element_text(hjust = 0), 
  legend.title.align = NULL, 
  legend.position = "right", 
  legend.direction = NULL,
  legend.justification = "center", 
  legend.box = NULL, 
  
  panel.background = element_rect(fill = "grey92", colour = NA),
  panel.border = element_blank(), 
  panel.grid.major = element_line(colour = "white"), 
  panel.grid.minor = element_line(colour = "white", size = 0.25), 
  panel.margin = unit(half_line, "pt"), panel.margin.x = NULL, 
  panel.margin.y = NULL, panel.ontop = FALSE, 
  
  strip.background = element_rect(fill = "grey85", colour = NA),
  strip.text = element_text(colour = "grey10", size = rel(0.8)),
  strip.text.x = element_text(margin = margin(t = half_line,
                                              b = half_line)), 
  strip.text.y = element_text(angle = -90, 
                              margin = margin(l = half_line, 
                                              r = half_line)),
  strip.switch.pad.grid = unit(0.1, "cm"),
  strip.switch.pad.wrap = unit(0.1, "cm"), 
  
  plot.background = element_rect(colour = "white"), 
  plot.title = element_text(size = rel(1.2), 
                            margin = margin(b = half_line * 1.2)),
  plot.margin = margin(half_line, half_line, half_line, half_line),
  complete = TRUE)
}

Notez que la fonction rel() modifie la taille de mani?re relative ? la taille de base.

Infos

Cette analyse a ?t? r?alis?e avec le logiciel R (ver. 3.2.4) et le package ggplot2 (ver. 2.1.0)

Ajouter des barres d?erreurs sur un graphique en barre et un graphique lin?aire

Pr?parer les donn?es

Le jeu de donn?es ToothGrowth est utilis?. Il d?crit l?effet de la Vitamine C sur la croissance des dents des porcs guin?ens. Trois doses de Vitamine C (0.5, 1 et 2 mg) avec chacune des m?thodes de livraison [orange juice (OJ) ou ascorbic acid (VC)] sont utilis?es:

library(ggplot2)
df <- ToothGrowth
df$dose <- as.factor(df$dose)
head(df)

##    len supp dose
## 1  4.2   VC  0.5
## 2 11.5   VC  0.5
## 3  7.3   VC  0.5
## 4  5.8   VC  0.5
## 5  6.4   VC  0.5
## 6 10.0   VC  0.5

Assurez-vous que la variable dose soit convertie en facteur en utilisant le script de R ci-dessus.

• len : Longueur des dents
• dose : Dose en milligrammes (0.5, 1, 2)
• supp : Type de suppl?ment (VC or OJ)

Dans les exemples ci-dessous, nous allons dessiner la moyenne de la longueur des dents dans chaque groupe. L??cart-type est utilis? comme barre d?erreurs sur le graphe.

Tout d?abord, la fonction ci-dessous sera utilis?e pour calculer la moyenne et l??cart type, pour la variable d?int?r?t, dans chaque groupe:

#+++++++++++++++++++++++++
# Fonction pour calculer la moyenne et l'?cart-type
# pour chaque groupe
#+++++++++++++++++++++++++
# data : une data frame
# varname: le nom de la colonne contenant la variable 
  # d'int?r?t 
# groupnames : vecteur contenant les noms des colonnes ? utiliser
  # comme des variables de grouping 
data_summary <- function(data, varname, groupnames){
  require(plyr)
  summary_func <- function(x, col){
    c(mean = mean(x[[col]], na.rm=TRUE),
      sd = sd(x[[col]], na.rm=TRUE))
  }
  data_sum<-ddply(data, groupnames, .fun=summary_func,
                  varname)
  data_sum <- rename(data_sum, c("mean" = varname))
 return(data_sum)
}

R?sum? statistique des donn?es:

df2 <- data_summary(ToothGrowth, varname="len", 
                    groupnames=c("supp", "dose"))
# Convertir dose en facteur
df2$dose=as.factor(df2$dose)
head(df2)

##   supp dose   len       sd
## 1   OJ  0.5 13.23 4.459709
## 2   OJ    1 22.70 3.910953
## 3   OJ    2 26.06 2.655058
## 4   VC  0.5  7.98 2.746634
## 5   VC    1 16.77 2.515309
## 6   VC    2 26.14 4.797731

library(ggplot2)
# Graphique par d?faut
p<- ggplot(df2, aes(x=dose, y=len, fill=supp)) + 
  geom_bar(stat="identity", color="black", 
           position=position_dodge()) +
  geom_errorbar(aes(ymin=len-sd, ymax=len+sd), width=.2,
                 position=position_dodge(.9)) 
print(p)

# Graphique fini
p+labs(title="Tooth length per dose", x="Dose (mg)", y = "Length")+
   theme_classic() +
   scale_fill_manual(values=c('#999999','#E69F00'))

# Garder seulement les barres d'?rreurs sup?rieures
 ggplot(df2, aes(x=dose, y=len, fill=supp)) + 
  geom_bar(stat="identity", color="black", position=position_dodge()) +
  geom_errorbar(aes(ymin=len, ymax=len+sd), width=.2,
                 position=position_dodge(.9)) 

# Graphique par d?faut
p<- ggplot(df2, aes(x=dose, y=len, group=supp, color=supp)) + 
  geom_line() +
  geom_point()+
  geom_errorbar(aes(ymin=len-sd, ymax=len+sd), width=.2,
                 position=position_dodge(0.05))
print(p)

# Graphique fini
p+labs(title="Tooth length per dose", x="Dose (mg)", y = "Length")+
   theme_classic() +
   scale_color_manual(values=c('#999999','#E69F00'))

# Utiliser geom_pointrange
ggplot(df2, aes(x=dose, y=len, group=supp, color=supp)) + 
geom_pointrange(aes(ymin=len-sd, ymax=len+sd))

# Utiliser geom_line()+geom_pointrange()
ggplot(df2, aes(x=dose, y=len, group=supp, color=supp)) + 
  geom_line()+
  geom_pointrange(aes(ymin=len-sd, ymax=len+sd))

Dot plot avec lepoint de la moyenne et les barres d??rreurs

Les fonctions geom_dotplot() et stat_summary() sont utilis?es :

La moyenne +/- SD peut ?tre ajout?e comme un crossbar , une barre d?erreur ou un pointrange :

p <- ggplot(df, aes(x=dose, y=len)) + 
    geom_dotplot(binaxis='y', stackdir='center')

# utiliser geom_crossbar()
p + stat_summary(fun.data="mean_sdl", fun.args = list(mult=1), 
                 geom="crossbar", width=0.5)

# Utiliser geom_errorbar()
p + stat_summary(fun.data=mean_sdl, fun.args = list(mult=1), 
        geom="errorbar", color="red", width=0.2) +
  stat_summary(fun.y=mean, geom="point", color="red")
   
# Utiliser geom_pointrange()
p + stat_summary(fun.data=mean_sdl, fun.args = list(mult=1), 
                 geom="pointrange", color="red")

Lire plus sur ggplot2 dot plots : ggplot2 dot plot

Infos

Cette analyse a ?t? faite en utilisant le logiciel R (ver. 3.2.4) et le package ggplot2 (ver. 2.1.0)