Le module ggplot2 du langage R a la séduisante caractéristique de s’appuyer sur une réflexion théorique de construction des graphiques.
Nous en aborderons ici l’aspect pratique. En revanche, la grammaire des graphiques élaborée par le statisticien Leland Wilkinson ne sera pas étudiée dans ce billet.

---

1. Un substrat théorique : la grammaire des graphiques

Je ne m’apesantirai pas sur le pourquoi et le comment choisir R et ggplot2, Internet est là pour ça. Je ne ferai pas non plus une initiation à R, d’autres l’ont fait bien mieux que ce dont je ne serai jamais capable.

Je voudrais m’attaquer tout de suite au coeur du sujet : faire des graphiques de gestion de manière raisonnée. On a déjà évoqué ce sujet dans le billet Les graphiques selon Stephen Few. On y a abordé la question de la diversité de représentation des mêmes données, et de quelle manière cela pouvait en influencer la compréhension.
On va continuer ici sur le sujet, mais au travers de l’outil ggplot conçu par Hadley Wickham qui met en oeuvre la grammaire des graphiques de Wilkinson :

« La grammaire des graphiques [de Wilkinson] invite l’utilisateur à repenser sa manière de concevoir un graphique en associant variables (données), paramètres graphiques (esthétiques) et formes géométriques, puis en complexifiant progressivement son graphique (coordonnées, échelles, facettes, étiquettes, légendes, thèmes…). »

Extrait de l’exposé de Joseph Larmarange réalisé pour les Rencontres de statistique appliquée, Ined, 18 juin 2018

2. Une construction par couches avec ggplot2

2.1 Approche générale

Donc on a lancé R (ou Rstudio ou Rcommander par exemple). La commande pour installer le module ggplot2 sur son poste de travail est simplement :

install.packages("ggplot2")

Une fois réalisé sur le poste, on n’aura plus à y revenir. En revanche, à chaque nouvelle session R, il faudra, si on veut l’utiliser, penser à charger le module ggplot2 avec :

library(ggplot2)

Maintenant, pour réaliser un graphique avec ggplot, il faut le penser en plusieurs étapes : cela débute avec l’appel de la fonction ggplot(). Mais la suite peut prendre deux formes, toutes basées sur la notion de couches additives.

Soit on considère le graphique comme un ensemble ayant a minima des données brutes suivi d’une couche sur le type de représentation (géométrie) en y précisant le lien avec les données (mapping). Cela peut être éventuellement complété de couches supplémentaires, ce qui donnera quelque chose de ce type :

 ggplot(data = <DATA>) + <GEOM>(mapping = aes(<MAPPINGS>)) + <LAYERS>

Soit on approche le graphique comme un ensemble mettant en relation (mapping) des données et les paramètres graphiques (esthétique avec aes() pour aesthetic), suivi de la couche précisant le type de représentation à utiliser (géométrie) et d’éventuelles couches complémentaires. Ce qui se représente comme suit :

 ggplot(data = <DATA>, mapping = aes(<MAPPINGS>)) + <GEOM> + <LAYERS>

ce qu’on trouve aussi dans des articles ou ouvrages, de manière plus concise mais moins pédagogique, sous cette forme toute aussi acceptable :

 ggplot(<DATA>, aes(<MAPPINGS>)) + <LAYERS>

Pour la suite de ce billet, je vais suivre la formulation :

 ggplot(data = <DATA>, mapping = aes(<MAPPINGS>)) + <GEOM> + <LAYERS>

Une petite précision par ailleurs. Comme on est sous R, il est possible de stocker un graphique créé avec ggplot2 dans une variable, en utilisant la flèche d’assignation. Des nouvelles couches peuvent ensuite être ajoutées à l’objet stocké.

 p <- ggplot(...) + couches
 p <- p + nouvelles_couches

2.2 Un premier exemple

Reprenons. Le graphique va être constitué par couches successives. Voici les premières :

1. d’abord l’ensemble des données brutes,
2. ensuite un ensemble de projection graphique (aesthetic mapping) pour lier ces données aux propriétés visuelles,
3. une couche de géométrie (ou plusieurs) décrivant comment représenter les données (geom) : histogramme, nuage de points, lignes, diagramme barres, etc.,
4. une couche pour les titre et sous-titre, les étiquettes, etc. (labs),
5. des transformations statistiques (stats), si nécessaire, pour l’obtention du graphique final.

Voici ce que cela peut donner, étant précisé qu’on obtient ici un graphique vraiment basique :

  # chargement de la bibliothèque graphique
  library(ggplot2)
  # constitution du jeu de données (source INSEE)
  deces <- c(0.5, 0.9, 7.7, 10.1, 18.3, 62.6)
  age <- c("00-24", "25-44", "45-64", "65-74", "75-84", "85 et +")
  mortalite <- data.frame(age,deces)
  # les couches essentielles de constitution d'un graphique
  ggplot(data=mortalite, mapping=aes(age, deces)) + geom_bar(stat = "identity")

Ce qui affiche :

3. Première étape : définir les données brutes

3.1 Collecter les données nécessaires

Prenons un exemple issu des données fournies dans le rapport sur «Les dépenses de santé en 2019» de la DREES. Nous allons nous intéresser à la consommation de soins et de biens médicaux (CSBM, tableau 1 page 11). Les données que nous utilisons sont :

• les années (de 2010 à 2019),
• les dépenses hospitalières (privé comme public), en millions d’Euros (M€),
• les dépenses dites ambulatoires (qui comprennent les soins de ville, les médicaments, les transports sanitaires et, enfin, les autres biens médicaux comme les prothèses, l’optique etc.), en M€.

Ce qui nous donne en R :

annees <- c("2010", "2011", "2012", "2013", "2014", "2015", "2016", "2017", "2018", "2019")
hopital <- c(80316, 82461, 84567, 86688, 89060, 90430, 92320, 93848, 94887, 97127)
ambulatoire <- c(93168, 95606, 97229, 98552, 101154, 102532, 104827, 106688, 108861, 110908)

Nous constituons notre tableau de données brutes avec R :

csbm<-data.frame(annees, hopital, ambulatoire)

Il se présente donc sous forme d’un tableau de 10 lignes et 3 colonnes :

 annees hopital ambulatoire 
 2010   80316       93168  
 2011   82461       95606  
 2012   84567       97229  
 2013   86688       98552  
 2014   89060      101154  
 2015   90430      102532  
 2016   92320      104827  
 2017   93848      106688  
 2018   94887      108861  
 2019   97127      110908  

3.2 La nécessité de données bien formées

Mais ce jeu de données n’est pas bien formé au sens de Wickham, c’est-à-dire qu’il n’est pas structuré pour réaliser une analyse de données (voir l’article «Tidy data» paru dans le Journal of Statistical Software d’août 2014).

Cette partie est souvent occultée dans les articles ou les ouvrages, car on y utilise des jeux de données déjà constitués et (habilement) bien formés.

Disons qu’intuitivement cela revient à se demander ce que l’on veut afficher. Ici, il s’agit d’obtenir une vision des dépenses de santé par année, dépenses qui peuvent être hospitalières ou ambulatoires. Cette approche nous donne alors :

 depenses <- c(80316, 82461, 84567, 86688, 89060, 90430, 92320, 93848, 94887, 97127, 93168, 95606, 97229, 98552, 101154, 102532, 104827, 106688, 108861, 110908)
 annees <- c("2010", "2011", "2012", "2013", "2014", "2015", "2016", "2017", "2018", "2019", "2010", "2011", "2012", "2013", "2014", "2015", "2016", "2017", "2018", "2019")
 origine<-c("hopital", "hopital", "hopital", "hopital", "hopital", "hopital", "hopital", "hopital", "hopital", "hopital","ambulatoire","ambulatoire","ambulatoire","ambulatoire","ambulatoire","ambulatoire","ambulatoire","ambulatoire","ambulatoire","ambulatoire" )
 csbm<-data.frame(annees, depenses, origine)

J’ai maintenant un jeu de 20 lignes et 3 colonnes :

 annees depenses     origine
 2010    80316     hopital
 2011    82461     hopital
 2012    84567     hopital
 2013    86688     hopital
 2014    89060     hopital
 2015    90430     hopital
 2016    92320     hopital
 2017    93848     hopital
 2018    94887     hopital
 2019    97127     hopital
 2010    93168 ambulatoire
 2011    95606 ambulatoire
 2012    97229 ambulatoire
 2013    98552 ambulatoire
 2014   101154 ambulatoire
 2015   102532 ambulatoire
 2016   104827 ambulatoire
 2017   106688 ambulatoire
 2018   108861 ambulatoire
 2019   110908 ambulatoire

Si nous tapons :

 ggplot(data = csbm)

il s’affiche un graphique vide de tout contenu.

4. Deuxième étape : la liaison (ou mapping) entre données brutes et données à visualiser (l’esthétique)

Attaquons maintenant l’étape de projection graphique (mapping) pour lier ces données aux attributs esthétiques (aes).
Nous allons faire très simple d’abord, en demandant que les années soient sur l’axe des x, et les dépenses de santé sur l’axe des y. C’est le degré zéro de l’esthétique sous ggplot.

aes(x=annees, y=depense))

On a donc les données, l’esthétique, il ne reste plus qu’à projeter tout ça et l’afficher. La commande est la suivante :

ggplot(data = csbm, mapping = aes(x=annees, y=depenses))

et nous obtenons :

La grille sur laquelle on doit positionner les données est donc bien en place. Mais on n’a pas encore défini de quelle manière on veut voir représenter les données. C’est l’étape suivante.

5. Troisième étape : la géométrie ou la spécification du type de représentation souhaité

Dans notre exemple, nous souhaitons d’abord afficher les dépenses sous forme de point. Pour ce faire on ajoutera simplement la couche geom_point(). La commande ggplot sera alors :

ggplot(data = csbm, mapping = aes(x=annees, y=depenses)) + geom_point()

Nous avons maintenant l’affichage :

Si on a bien les dépenses hospitalières et ambulatoires sur le graphique, on ne les distingue pas visuellement. Cette distinction se situe au niveau de la couche d’esthétique. Elle peut se faire de diverses manières : par la couleur (colour=), la forme (shape=), etc. Ici on choisit de distinguer l’origine des dépenses par la couleur :

ggplot(data = csbm, mapping = aes(x=annees, y=depenses, colour=origine)) + geom_point()

Soit maintenant :

Mais imaginons que je ne veuille pas des points, mais des barres. Il me faudra changer un paramètre d’esthétique (fill=) et la couche de géométrie (geom_bar()). La commande deviendra :

ggplot(data = csbm, mapping = aes(x=annees, y=depenses,  fill=origine)) + geom_bar(stat="identity")

Ce qui donne :

6. La formulation dépend du problème à résoudre.

Nous avons vu par l’exemple précédent que la projection esthétique (mapping) et la géométrie sont étroitement liées. La formulation que nous avons jusqu’à présent adoptée,

 ggplot(data = <DATA>, mapping = aes(<MAPPINGS>)) + <GEOM> + <LAYERS>

les distingue, ce qui était intéressant pour montrer les différentes étapes de constitution d’un graphique. Mais, du fait de l’imbrication entre la projection esthétique et la géométrie, il est plus rationnel d’adopter cette formulation :

 ggplot(data = <DATA>) + <GEOM>(mapping = aes(<MAPPINGS>)) + <LAYERS>

Par exemple, cette instruction :

  ggplot(data = csbm, mapping = aes(x=annees, y=depenses, colour=origine)) + 
        geom_point()

devient :

  ggplot(data = csbm) + 
        geom_point( mapping = aes(x=annees, y=depenses, colour=origine))

Mais on peut aussi l’écrire :

  ggplot(data = csbm, mapping = aes(x=annees, y=depenses)) + 
        geom_point(aes(colour=origine))

et pour le diagramme barre correspondant :

  ggplot(data = csbm, mapping = aes(x=annees, y=depenses)) + 
        geom_bar(aes(fill=origine), stat="identity")

En fait, la formulation va aussi dépendre du problème à résoudre. Dans l’exemple suivant, il apparait ainsi naturel de séparer le mapping de la géométrie, car la construction du graphique voulu le nécessite.

Nous allons utiliser les chiffres fournis par l’INSEE dans son analyse « Avec un excédent de mortalité de 2 % entre début mars et mi-avril, la Bretagne est une des régions les moins touchées ». On l’avait déjà abordée dans le billet précédent.

Sont données par tranche d’âges la répartition par sexe des personnes domiciliées en Bretagne et décédées entre le 2 mars et le 19 avril 2020, soit :

tranche d’âges	répartition décès féminins	répartition décès masculins
00-24 ans	0,5 %	0,6 %
25-44 ans	0,9 %	2,7 %
45-64 ans	7,7 %	13,7 %
65-74 ans	10,1 %	21,1 %
75-84 ans	18,3 %	22,9 %
85 ans ou +	62,6 %	39,0 %

On utilise dans cette construction la notion de facette (facet_draw()) à la place de l’esthétique (de type colour = ou shape=) pour distinguer le comportement des données attachées respectivement aux femmes et aux hommes. L’idée, en effet, est de pouvoir comparer les taux respectifs de mortalité des hommes et des femmes en réalisant un graphique pour chacun, côte à côte.

Bien sûr, les données ont été transformées pour être bien formées, comme on le constate dans les instructions R qui suivent.

 # chargement de la bibliothèque graphique
 library(ggplot2)
 # constitution des données (source INSEE)
 deces <- c(0.5, 0.9, 7.7, 10.1, 18.3, 62.6,
            0.6, 2.7, 13.7, 21.1, 22.9, 39)
 sexe <- c("f","f","f","f","f","f","h","h","h","h","h","h")
 age <- c(rep(c("00-24", "25-44", "45-64", "65-74", "75-84", "85 et +"),2))
 mortalite <- data.frame(age,deces,sexe)
 # On construit la base graphique sans géométrie
 base <- ggplot(data=mortalite, mapping=aes(age, deces))
 # On étiquette les axes, on donne un titre, etc.
 base <- base + labs(title = "Décès survenus entre le 2 mars et le 19 avril 2020",
                subtitle = "de personnes domiciliées en région Bretagne",
                x = "tranches d'âge",
                y = "Répartition en % des décès",
                caption = "Données&nbsp;: INSEE 2020 - Graphique&nbsp;: Konk Gwin")
 # On répartit par sexe (facet_wrap())
 labels <- c( f = "2 609 femmes décédées durant la période", 
              h = "2 432 hommes décédés durant la période")
 base <- base + facet_wrap(~sexe, ncol = 2,labeller=labeller(sexe = labels))
 # On crée le diagramme barre (geom_bar())
 base <- base+geom_bar(stat = "identity")
 # On agrandit l'axe des y pour écrire les % au dessus des barres
 base <- base + expand_limits(y=65)
 # on inscrit les pourcentages de décès au dessus des barres
 base <- base + geom_text(aes(label = paste(deces,"%")), size=3, vjust=-.3)
 # et on affiche le tout
 print(base)

Voici le graphique obtenu :

Il est clair ici que les Bretonnes ont un sacré système immunitaire ou une bien meilleure hygiène de vie que nous autres, pauvres hommes. La différence (onze points !) est surtout sensible pour la tranche 65-74 ans.
En comparant ce graphique avec la représentation choisie par l’INSEE figure 3 on constatera le peu d’intérêt à utiliser un diagramme circulaire (ou « camembert »), en dehors de l’aspect coloré et tape à l’oeil.

7. Vers le tidyverse

On a vu la construction d’un graphique par la mise en place de couches sous ggplot2. Il faut cependant noter qu’on n’a fait qu’une très brève incursion dans ggplot2, plus intuitive qu’explicative d’ailleurs.
Pour avoir un rapide panorama des possibilités de ggplot2, on pourra profiter de cet exposé de Joseph Larmarange qui fournit aussi une webographie complémentaire.
À noter aussi (mais il y en a tellement d’autres) ce billet d’introduction à ggplot2 en anglais sur le site du statisticien Antoine Soetewey, Stats and R, que je viens (au 21 décembre 2020) de découvrir par hasard.

Mais la grammaire n’est là que pour nous aider à la bonne construction du graphique. Elle n’aide en rien à la construction du bon graphique.
Elle n’apporte rien concernant la pertinence du graphique pour le problème qu’il est censé éclairer ou poser.
Ainsi, le graphique s’inscrit dans un cycle de vie qui va du choix et de la constitution des données brutes (où dès l’abord on peut produire des biais) jusqu’à son interprétation lors de sa communication graphique :

Hadley Wickham propose tout un ensemble de modules R (dont ggplot2) pour faciliter et fiabiliser chaque phase de ce cycle de vie, ce qu’il appelle le tidyverse, qu’on explorera peut-être un jour sur ce site.

---

———- La citation :

Allez, en clin d’oeil à Leland Wilkinson qui est un fondu de piano, une interprétation par Polina Osetinskaya de la transcription pour piano (par Alexandre Tharaud) du largo du concerto en ré mineur pour orgue BWV 596 de Bach, concerto pour orgue qui est lui-même la transcription du concerto n° 11 en ré mineur pour deux violons, violoncelle et cordes, RV. 565 de Vivaldi.
Quand c’est beau ? On transcrit !

---

Dernière modification: 21 décembre 2020
Établi: 16 octobre 2020