Además de elegir el tipo de gráfica, podemos utilizar propiedades visuales para representar información adicional. Estas propiedades reciben el nombre de estéticas (aesthetics) y permiten asociar variables con colores, formas, tamaños o transparencia.
Las estéticas establecen una correspondencia entre las variables del conjunto de datos y características visuales de la gráfica.
Las más comunes son:
x y y: posición en los ejes.color: color de puntos o líneas.shape: forma de los puntos.size: tamaño.alpha: transparencia.Por ejemplo:
library(ggplot2)
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep,
color = species
)
) +
geom_point(size = 2, alpha = 0.7) +
labs(
title = "Relación entre la longitud del pico y aleta de los pingüinos",
x = "Longitud del pico (mm)",
y = "Longitud de la aleta (mm)"
) +
theme_minimal()
En este caso, el color está determinado por la variable species.
El color es una de las estéticas más útiles en una gráfica. Nos permite:
En ggplot2, el color puede usarse de dos formas principales:
aes().aes().library(dplyr)Cuando colocamos color dentro de aes(), le estamos diciendo a ggplot2 que el color depende de una variable del conjunto de datos.
ggplot(
penguins,
aes(
x = bill_len,
y = flipper_len,
color = species
)
) +
geom_point(size = 2, alpha = 0.7) +
labs(
title = "Relación entre la longitud del pico y aleta de los pingüinos",
x = "Longitud del pico (mm)",
y = "Longitud de la aleta (mm)"
) +
theme_minimal()
En este caso, cada especie aparece con un color diferente. Esto facilita comparar si las especies se agrupan de manera distinta según la longitud del pico y la longitud de la aleta.
También podemos agregar una tendencia por especie:
ggplot(
penguins,
aes(
x = bill_len,
y = flipper_len,
color = species
)
) +
geom_point(size = 2, alpha = 0.7) +
geom_smooth(method = "lm") +
labs(
title = "Relación entre la longitud del pico y aleta de los pingüinos",
x = "Longitud del pico (mm)",
y = "Longitud de la aleta (mm)"
) +
theme_minimal()
Aquí el color no solamente afecta a los puntos, sino también a las líneas de tendencia.
Si queremos que todos los puntos tengan el mismo color, el argumento debe ir fuera de aes().
ggplot(
penguins,
aes(
x = bill_len,
y = flipper_len
)
) +
geom_point(size = 2, alpha = 0.7, color = "steelblue") +
labs(
title = "Relación entre la longitud del pico y aleta de los pingüinos",
x = "Longitud del pico (mm)",
y = "Longitud de la aleta (mm)"
) +
theme_minimal()
Dentro de aes() usamos variables del conjunto de datos.
Fuera de aes() usamos valores fijos.
Una práctica común es guardar una gráfica base y después agregarle nuevas capas.
p_penguins <- ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep,
color = species
)
) +
geom_point(size = 2, alpha = 0.8) +
labs(
title = "Medidas del pico de los pingüinos",
x = "Longitud del pico (mm)",
y = "Profundidad del pico (mm)",
color = "Especie"
)
p_penguins
Ahora podemos reutilizar p_penguins y modificar únicamente la escala de color.
Por defecto, ggplot2 asigna colores automáticamente. Sin embargo, podemos elegir colores específicos con scale_color_manual().
p_penguins +
scale_color_manual(
values = c(
"Adelie" = "grey40",
"Chinstrap" = "orange",
"Gentoo" = "skyblue"
)
)
Esto es útil cuando queremos usar colores más contrastantes o una paleta específica.
También existe scale_fill_manual(), que se usa cuando la estética es fill, por ejemplo en barras, histogramas, diagramas de caja o violines.
El color no solamente sirve para variables categóricas. También puede representar variables numéricas.
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep,
color = body_mass
)
) +
geom_point(size = 2) +
labs(
title = "Medidas del pico de los pingüinos",
x = "Longitud del pico (mm)",
y = "Profundidad del pico (mm)",
color = "Masa corporal (g)"
)
En este caso, el color representa una escala continua: pingüinos con menor o mayor masa corporal.
Podemos controlar el gradiente usando scale_color_gradient().
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep,
color = body_mass
)
) +
geom_point(size = 2) +
scale_color_gradient(
low = "lightblue",
high = "darkblue"
) +
labs(
title = "Medidas del pico de los pingüinos",
x = "Longitud del pico (mm)",
y = "Profundidad del pico (mm)",
color = "Masa corporal (g)"
)
También podemos usar una transformación, por ejemplo log10, si los valores tienen una escala muy desigual.
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep,
color = log10(body_mass)
)
) +
geom_point(size = 2) +
scale_color_gradient(
low = "blue",
high = "red"
) +
labs(
title = "Medidas del pico de los pingüinos",
x = "Longitud del pico (mm)",
y = "Profundidad del pico (mm)",
color = "log10(masa corporal)"
)
Cuando queremos mostrar valores por debajo y por encima de un punto de referencia, podemos usar scale_color_gradient2().
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep,
color = body_mass
)
) +
geom_point(size = 2) +
scale_color_gradient2(
low = "blue",
mid = "white",
high = "red",
midpoint = mean(penguins$body_mass, na.rm = TRUE)
) +
labs(
title = "Medidas del pico de los pingüinos",
x = "Longitud del pico (mm)",
y = "Profundidad del pico (mm)",
color = "Masa corporal (g)"
)
Este tipo de escala es útil cuando hay un valor central importante, por ejemplo cero, un promedio o una referencia biológica.
En lugar de elegir colores manualmente, podemos usar paletas ya diseñadas.
Una opción común es el paquete RColorBrewer.
library(RColorBrewer)
display.brewer.all()
Para una variable categórica, podemos usar scale_color_brewer().
p_penguins +
scale_color_brewer(palette = "Dark2")
Las paletas viridis son muy útiles porque suelen funcionar bien en escala de grises y son más accesibles para personas con distintos tipos de daltonismo.
Para variables categóricas usamos scale_color_viridis_d().
p_penguins +
scale_color_viridis_d()
La d viene de discrete, porque species es una variable categórica.
Para variables continuas usamos scale_color_viridis_c().
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep,
color = body_mass
)
) +
geom_point(size = 2) +
scale_color_viridis_c() +
labs(
color = "Masa corporal (g)"
)
La c viene de continuous, porque body_mass es una variable numérica.
Como regla práctica:
scale_color_viridis_d() para grupos o categorías;scale_color_viridis_c() para variables numéricas continuas.A veces necesitamos figuras que funcionen bien impresas en blanco y negro.
Para variables categóricas:
p_penguins +
scale_color_grey()
Para variables continuas:
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep,
color = body_mass
)
) +
geom_point(size = 2) +
scale_color_gradient(
low = "grey85",
high = "black"
) +
labs(
color = "Masa corporal (g)"
)
No todas las combinaciones de colores son igualmente fáciles de interpretar. Algunas paletas pueden ser confusas para personas con daltonismo o pueden perder información al imprimirse en escala de grises.
Por eso, cuando la gráfica sea para comunicación pública, artículos o presentaciones, conviene usar paletas accesibles como viridis.
p_penguins +
scale_color_viridis_d() +
labs(
title = "Medidas del pico de los pingüinos",
subtitle = "Colores por especie usando una paleta accesible",
x = "Longitud del pico (mm)",
y = "Profundidad del pico (mm)",
color = "Especie"
) +
theme_minimal()
El color puede usarse para comunicar distintos tipos de información:
| Objetivo | Función útil |
|---|---|
| Asignar color por grupo | aes(color = variable) |
| Usar un color fijo | geom_point(color = "steelblue") |
| Elegir colores manualmente | scale_color_manual() |
| Representar una variable numérica | aes(color = variable_numerica) |
| Crear un gradiente | scale_color_gradient() |
| Usar un gradiente con punto medio | scale_color_gradient2() |
| Usar paletas predefinidas | scale_color_brewer() |
| Usar paletas accesibles | scale_color_viridis_d() / scale_color_viridis_c() |
| Usar escala de grises | scale_color_grey() |
Una página que contiene muchas paletas de colores y varias paletas accesibles es la siguietne:
https://r-charts.com/color-palettes/
Como ya mencionamos, además de elegir una paleta agradable, es importante verificar que los colores sean distinguibles para personas con distintas formas de daltonismo. Una forma sencilla de hacerlo es con la función cvdPlot().
La función cvdPlot() permite visualizar cómo se vería una gráfica bajo distintas condiciones de deficiencia en la visión del color.
if (!"colorBlindness" %in% installed.packages()) {
install.packages("colorBlindness")
}
library(colorBlindness)Primero construimos una gráfica usando una paleta accesible, como viridis.
pp2_viridis <- p_penguins +
scale_color_viridis_d() +
labs(
title = "Medidas del pico de los pingüinos",
subtitle = "Colores por especie usando una paleta accesible",
x = "Longitud del pico (mm)",
y = "Profundidad del pico (mm)",
color = "Especie"
) +
theme_minimal()
pp2_viridis
Ahora usamos cvdPlot() para simular cómo se vería la misma gráfica para personas con distintos tipos de deficiencia en la visión del color.
cvdPlot(pp2_viridis)
La salida muestra varias versiones de la gráfica. Esto nos ayuda a revisar si los grupos siguen siendo distinguibles aun cuando cambia la percepción del color.
Las paletas viridis suelen ser una buena opción porque fueron diseñadas para ser perceptualmente uniformes y más accesibles para personas con daltonismo.
Veamos solo un ejemplo de una paleta no accesible.
p_penguins
Usando cvdPlot vemos que estos plots no son visualemente accesibles.
cvdPlot(p_penguins)
La estética shape permite distinguir grupos mediante símbolos diferentes.
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep,
shape = species
)
) +
geom_point()
Incluso podemos combinar color y forma:
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep,
color = species,
shape = species
)
) +
geom_point()
Es el equivalente al parámetro pch de los gráficos base de R. Para cambiarlo, usamos shape = n, donde n es un número entre 0 y 25. Algunos de los símbolos disponibles se muestran a continuación.
La estética size es especialmente útil para variables numéricas.
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep,
size = body_mass
)
) +
geom_point()
Los pingüinos con mayor masa corporal aparecen representados por puntos más grandes.
También podemos fijar un tamaño constante:
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep
)
) +
geom_point(size = 3)
La transparencia se controla mediante el parámetro alpha, cuyos valores están entre 0 y 1.
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep
)
) +
geom_point(alpha = 0.4)
Valores pequeños producen puntos más transparentes.
La transparencia es útil cuando existen muchos datos y varios puntos se superponen.
linetype: cambia el tipo de línea, por ejemplo, de sólida a punteada. Es el equivalente al parámetro lty de los gráficos base. Podemos especificar el tipo de línea mediante nombres (“solid”, “dashed”, “dotted”, “dotdash”, “longdash”, “twodash”) o mediante números del 0 al 6.
Podemos utilizar varias estéticas simultáneamente.
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep,
color = species,
shape = species,
size = body_mass
)
) +
geom_point(alpha = 0.7)
Cada estética añade una dimensión adicional de información.
En ocasiones es necesario modificar los límites o las marcas de los ejes.
ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep
)
) +
geom_point() +
xlim(30, 60) +
ylim(12, 22)
scale_x_continuous()ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep
)
) +
geom_point() +
scale_x_continuous(
limits = c(30, 60),
breaks = seq(30,60,5)
)
Aquí:
limits controla el intervalo mostrado.breaks determina las marcas del eje.ggplot(
penguins,
aes(
x = bill_len,
y = bill_dep
)
) +
geom_point() +
scale_x_continuous(
breaks = seq(30,60,5)
) +
scale_y_continuous(
breaks = seq(12,22,2)
)
Las estéticas permiten representar información mediante propiedades visuales:
| Estética | Representa |
|---|---|
x, y |
Posición |
color |
Color |
shape |
Forma |
size |
Tamaño |
alpha |
Transparencia |
Las escalas permiten controlar cómo se muestran los valores sobre los ejes y cómo se traducen las variables a elementos visuales.
En conjunto, las estéticas y las escalas hacen posible construir gráficas más informativas y fáciles de interpretar.