Visuelle Merkmale

Bestimmte visuelle Merkmale (pre-attentive attributes) werden von unserem Auge vorgefiltert

Visuelle Merkmale

Die hervorhebende Wirkung von visuellen Merkmalen hängt auch vom Kontext ab

Aufteilen von Grafiken

• häufig ist Information besser auf mehrere, kleinere Grafiken verteilt (‘small multiples’)
  • → zerlegen in verschiedene daten-basierte Schichten
• → Vergleiche zwischen Gruppen bieten sich visuell an

Visualisierungen und Forschung

“Data visualization can be understood as a translation tool that assigns abstract numerical values to physical properties such as spatial position along a scale, the length of a bar or the geometric shape and color of a plotting symbol.

However, data visualization involves more than simply mapping numbers to visual stimuli. Ideally, data visualization is a method that helps us and our audience understand the political world by assisting analytical thinking.”

Traunmüller (2020), S. 437

Visualisierungen erstellen

• Definition von Variablen als aesthetics mit aes()
  • x-Variable, y-Variable
• geom_point() erzeugt einen Scatterplot basierend auf Werten
  • Achtung: Hinzufügen mit +

ggplot(data=democracy)+
  geom_point(aes(x=mean_stfgov,
                 y=mean_stfdem))

Geoms

• geom_point() ist nur ein sogenanntes ‘geom’ → viele weitere in R
  • verschiedene geoms brauchen oft unterschiedliche aesthetics

ggplot(data=democracy)+
  geom_label(aes(x=mean_stfgov,
                   y=mean_stfdem,
                   label=cntry))

Weitere visuelle Merkmale

• Kontrolle weiterer Merkmale über aes
  • z.B. fill, color, shape, …
  • Verknüpfung mit Variable

democracy$cee <- ifelse(democracy$cntry %in%
                          c("CZ","EE","HU","LT","PL","SI"),
                        "CEE","other")

ggplot(data=democracy)+
  geom_point(aes(x=mean_stfgov,
           y=mean_stfdem,
           color=cee,
           shape=cee))

Faceting

• besonders hilfreich, wenn wir Statistiken für jede Facet berechnen
  • z.B. zeichnet geom_smooth() eine Regressionslinie (lm: lineares Modell)

ggplot(data=democracy,
       aes(x=mean_stfgov,
           y=mean_stfdem,
           label=cntry))+
  geom_smooth(method="lm")+
  geom_label()+
  facet_wrap(~lowhigh)

Themes

Einige typische eigene Modifikationen

• theme(legend.position="bottom") / theme(legend.position="none")
  • platziert Legende anders / verbirgt sie
• theme(axis.text=element_text(size=4))
  • verändert Größe der Achsen-Annotation

plot+theme(legend.position="bottom")
plot+theme(axis.text=element_text(size=15))

Übersicht

• Geoms: Art der Visualisierung
  • geom_point()
  • geom_label()
  • geom_smooth()
• aesthetics: Variable Eigenschaften, in geom oder ggplot definiert
  • x, y
  • color, shape, fill etc.
• Facets: facet_wrap()
• Themes
  • theme_minimal(), theme_classic(), theme_bw()
• CheatSheet

Häufigkeitsverteilungen

• als Histogramm mit geom_histogram()
  • zählt Kategorien aus

ggplot(data=ess8,aes(x=agea))+
  geom_histogram()

→ nützlich v.a. für wenige Kategorien

Häufigkeitsverteilungen

• als weichgezeichnete Verteilung mit geom_density()
  • Häufigkeitsverteilung, keine direkten Werte → sinnvoll für viele Kategorien
• hier wird fill als ‘attribute’ verwendet (siehe cheat sheet), d.h. es ist nicht mit einer Variable verknüpft und steht deswegen nicht in aes, sondern im geom

ggplot(data=ess8,aes(x=agea))+
  geom_density(fill="turquoise",alpha=0.4)

→ geeigneter für viele Kategorien

Bar chart

• Bar charts mit geom_col()
  • auch geom_bar(stat="identity")
  • geom_bar() zählt Häufigkeit, geom_col() und geom_bar(stat="identity") funktionieren, wenn wir die Häufigkeit schon berechnet haben

# sortieren der Werte
democracy <- democracy %>%
  arrange(mean_stfgov) %>%
  mutate(cntry=factor(cntry,cntry))

# Grafik
ggplot(data=democracy,
       aes(x=mean_stfgov,xend=0,
           y=cntry, yend=cntry))+
  geom_col()

Lollipop chart

# sortieren
democracy <- democracy %>%
  arrange(mean_stfgov) %>%
  mutate(cntry=factor(cntry,cntry))

# lollipop chart
ggplot(data=democracy,
       aes(x=mean_stfgov,xend=0,
           y=cntry, yend=cntry))+
  geom_segment()+
  geom_point()

→ Achtung: geom_segment() braucht auch xend und yend als Spezifikation, weil es eine Fläche zwischen diesen Punkten markiert!

Lollipop chart

democracy$col <- ifelse(democracy$cntry=="DE","highlight","else")
ggplot(data=democracy,
       aes(x=mean_stfgov,xend=0,
           y=cntry, yend=cntry,
           # Definition Farbe
           color=col))+
  geom_segment()+
  geom_point()+
  # Legende unterdrücken
  theme_minimal() + theme(legend.position="none")+
  # zuweisen von Farben
  scale_color_manual(values=c("gray","#094782"))