library(tidyverse) # ai fini della data manipulation e per ggplot2
library(gapminder) # per utilizzare la tabella data gapminderGrafica interattiva {package vari} e grafica animata {gganimate}
Prepariamo l’ambiente di lavoro
Le funzioni usate in questo file di esempio sono contenute in alcune librerie generiche:
gapminder(tabella dati usata per la costruzione dei grafici di esempio)dplyr(manipolazione della tabella dati)ggplot2(costruzione di rappresentazione grafiche statiche)
ed in alcune librerie specifiche, ed in particolare:
ggiraph: aggiunta di interazioni sui grafici costruiti conggplot2plotly: aggiunta di interazioni sfruttando la libreriaplotly, libreriaJavaScript. Anche in questo caso è possibile sfruttare un’interfaccia,ggplotly, che permette di aggiungere interazioni su un grafico statico costruito conggplot2Highcharteredygraphs: interfacce a due librerieJavaScriptche permettono di ottenere grafici interattivi sfruttando una sintassi ad hocgganimate: che introduce unagrammar for data animation, molto simile a quella introdotta dal packageggplot2
Entrambi i package dplyr e ggplot2 sono caricati automaticamente quando si carica tidyverse. Gli altri package sono caricati nelle sezioni successive del documento:
Le tabelle di esempio
Per la maggior parte degli esempi nel seguito di questo documento utilizzerò la tabella gapminder, resa famosa da questo Ted Talk che ha aperto la strada per l’uso degli effetti di animazione nella grafica statistica:
The best stats you’ve ever seen (Hans Rosling)
Procedo a creare un oggetto sul workspace a partire dalla tabella gapminder, rinominando due colonne ed eliminando un apostrofo dal nome del paese: la presenza dell’apostrofo generebbe infatti un errore successivamente quando utilizzo il nome del paese per inserire le etichette sui grafici interattivi:
gap <- gapminder |>
rename(life_exp = lifeExp, gdp_per_cap = gdpPercap) |>
mutate(country = recode(country,
`Cote d'Ivoire` = "Cote Ivoire"))Una funzione che può essere utile per selezionare / cancellare alcune righe da una tabella dati è la funzione slice {dplyr}. Ecco alcuni esempi di utilizzo:
# posso selezionare una riga specificando una data posizione (indice di riga)
gap |> slice(10)# A tibble: 1 × 6
country continent year life_exp pop gdp_per_cap
<fct> <fct> <int> <dbl> <int> <dbl>
1 Afghanistan Asia 1997 41.8 22227415 635.# o escludere una riga inserendo il segno - prima dell'indice di riga
gap |> slice(-10)# A tibble: 1,703 × 6
country continent year life_exp pop gdp_per_cap
<fct> <fct> <int> <dbl> <int> <dbl>
1 Afghanistan Asia 1952 28.8 8425333 779.
2 Afghanistan Asia 1957 30.3 9240934 821.
3 Afghanistan Asia 1962 32.0 10267083 853.
4 Afghanistan Asia 1967 34.0 11537966 836.
5 Afghanistan Asia 1972 36.1 13079460 740.
6 Afghanistan Asia 1977 38.4 14880372 786.
7 Afghanistan Asia 1982 39.9 12881816 978.
8 Afghanistan Asia 1987 40.8 13867957 852.
9 Afghanistan Asia 1992 41.7 16317921 649.
10 Afghanistan Asia 2002 42.1 25268405 727.
# ℹ 1,693 more rows# posso anche selezionare un insieme di righe usando l'operatore :
gap |> slice(10:15)# A tibble: 6 × 6
country continent year life_exp pop gdp_per_cap
<fct> <fct> <int> <dbl> <int> <dbl>
1 Afghanistan Asia 1997 41.8 22227415 635.
2 Afghanistan Asia 2002 42.1 25268405 727.
3 Afghanistan Asia 2007 43.8 31889923 975.
4 Albania Europe 1952 55.2 1282697 1601.
5 Albania Europe 1957 59.3 1476505 1942.
6 Albania Europe 1962 64.8 1728137 2313.Un esempio sicuramente più utile per l’utilizzo delle funzioni della famiglia slice è quello che permette di selezionare un gruppo di dati in base ad una caratteristica:
# slice_head permette di specificare le prime n osservazioni all'interno di
# ciascun gruppo
# NOTA: è possibile anche specificare una data proporzione di osservazioni
# all'interno di ciascun gruppo sfruttando l'argomento prop invece
# dell'argomento n
#
# raggruppo le osservazioni per paese e seleziono le prime due osservazioni
# all'interno di ciascun gruppo
gap_first_2 <- gap |> group_by(country) |> slice_head(n = 2)
gap_first_2# A tibble: 284 × 6
# Groups: country [142]
country continent year life_exp pop gdp_per_cap
<fct> <fct> <int> <dbl> <int> <dbl>
1 Afghanistan Asia 1952 28.8 8425333 779.
2 Afghanistan Asia 1957 30.3 9240934 821.
3 Albania Europe 1952 55.2 1282697 1601.
4 Albania Europe 1957 59.3 1476505 1942.
5 Algeria Africa 1952 43.1 9279525 2449.
6 Algeria Africa 1957 45.7 10270856 3014.
7 Angola Africa 1952 30.0 4232095 3521.
8 Angola Africa 1957 32.0 4561361 3828.
9 Argentina Americas 1952 62.5 17876956 5911.
10 Argentina Americas 1957 64.4 19610538 6857.
# ℹ 274 more rows# da notare che la tabella in output mantiene l'attributo di raggruppamento
class(gap_first_2)[1] "grouped_df" "tbl_df" "tbl" "data.frame"# poiché la presenza dell'attributo di raggruppamento potrebbe essere fonte
# di possibili errori o comportamenti non attesi è consigliabile eliminare
# l'attributo di raggruppamento sfruttando la funzione ungroup
gap_first_2 <- gap |> group_by(country) |> slice_head(n = 2) |>
ungroup()
class(gap_first_2)[1] "tbl_df" "tbl" "data.frame"# è possibile sfruttare l'argomento by per indicare l'attributo di raggruppamento
# da utilizzare per la funzione di slice: in questo modo la tabella di output
# non mantiene l'attributo di raggruppamento
gap |> slice_head(n = 2, by = country)# A tibble: 284 × 6
country continent year life_exp pop gdp_per_cap
<fct> <fct> <int> <dbl> <int> <dbl>
1 Afghanistan Asia 1952 28.8 8425333 779.
2 Afghanistan Asia 1957 30.3 9240934 821.
3 Albania Europe 1952 55.2 1282697 1601.
4 Albania Europe 1957 59.3 1476505 1942.
5 Algeria Africa 1952 43.1 9279525 2449.
6 Algeria Africa 1957 45.7 10270856 3014.
7 Angola Africa 1952 30.0 4232095 3521.
8 Angola Africa 1957 32.0 4561361 3828.
9 Argentina Americas 1952 62.5 17876956 5911.
10 Argentina Americas 1957 64.4 19610538 6857.
# ℹ 274 more rows# la funzione slice_min permette di selezionare le unità che presenta i valori
# più bassi di una variabile
# ad esempio seleziono i record dei paesi che presentano i valori della variabile
# gdp_per_cap più bassi
gap |> slice_min(gdp_per_cap, by = country)# A tibble: 142 × 6
country continent year life_exp pop gdp_per_cap
<fct> <fct> <int> <dbl> <int> <dbl>
1 Afghanistan Asia 1997 41.8 22227415 635.
2 Albania Europe 1952 55.2 1282697 1601.
3 Algeria Africa 1952 43.1 9279525 2449.
4 Angola Africa 1997 41.0 9875024 2277.
5 Argentina Americas 1952 62.5 17876956 5911.
6 Australia Oceania 1952 69.1 8691212 10040.
7 Austria Europe 1952 66.8 6927772 6137.
8 Bahrain Asia 1952 50.9 120447 9867.
9 Bangladesh Asia 1972 45.3 70759295 630.
10 Belgium Europe 1952 68 8730405 8343.
# ℹ 132 more rows# la funzione slice_max lavora allo stesso modo ma restituendo i record che
# presentano i valori più alti
gap |> slice_max(gdp_per_cap, by = country)# A tibble: 142 × 6
country continent year life_exp pop gdp_per_cap
<fct> <fct> <int> <dbl> <int> <dbl>
1 Afghanistan Asia 1982 39.9 12881816 978.
2 Albania Europe 2007 76.4 3600523 5937.
3 Algeria Africa 2007 72.3 33333216 6223.
4 Angola Africa 1967 36.0 5247469 5523.
5 Argentina Americas 2007 75.3 40301927 12779.
6 Australia Oceania 2007 81.2 20434176 34435.
7 Austria Europe 2007 79.8 8199783 36126.
8 Bahrain Asia 2007 75.6 708573 29796.
9 Bangladesh Asia 2007 64.1 150448339 1391.
10 Belgium Europe 2007 79.4 10392226 33693.
# ℹ 132 more rowsCreo un oggetto con i dati relativi all’ultimo anno che utilizzo per alcuni grafici nel seguito:
# posso selezionare tutti i record dell'ultimo anno disponibile (2007)
# sfruttando la funzione filter
gap |> filter(year == 2007)# A tibble: 142 × 6
country continent year life_exp pop gdp_per_cap
<fct> <fct> <int> <dbl> <int> <dbl>
1 Afghanistan Asia 2007 43.8 31889923 975.
2 Albania Europe 2007 76.4 3600523 5937.
3 Algeria Africa 2007 72.3 33333216 6223.
4 Angola Africa 2007 42.7 12420476 4797.
5 Argentina Americas 2007 75.3 40301927 12779.
6 Australia Oceania 2007 81.2 20434176 34435.
7 Austria Europe 2007 79.8 8199783 36126.
8 Bahrain Asia 2007 75.6 708573 29796.
9 Bangladesh Asia 2007 64.1 150448339 1391.
10 Belgium Europe 2007 79.4 10392226 33693.
# ℹ 132 more rows# utilizzando la funzione slice_tail seleziono l'ultimo anno disponibile
# per ciascun paese: questo approccio è consigliabile quando non sono
# sicuro che l'ultimo anno disponibile non sia lo stesso per tutti i paesi
gap_last <- gap |> slice_tail(n = 1, by = country)Elementi interattivi sfruttando il package ggiraph
Il package ggiraph permette di aggiungere elementi di interazione sfruttando la stessa sintassi di ggplot2 attraverso una serie di geom_*_interactive. La pagina ufficiale del package è disponibile su questo link, da cui si può accedere ad un manuale esteso, ggiraph-book.
library(ggiraph)Conviene partire costruire un grafico statico sfruttando ggplot2: a titolo esemplificativo consideriamo uno scatter plot del gdp_per_cap vs la life_exp sui dati del 2007:
ggplot(gap_last) +
aes(x = gdp_per_cap, y = life_exp) +
geom_point()
Per aggiungere l’interazione è sufficiente sostituire geom_point_interactive a geom_point, specificando la colonna da usare come tooltip da abbinare all’azione mouse over e dare in pasto il grafico risultante alla funzione girafe, che funge da parser per trasformare il grafico statico in un grafico interattivo:
gg1 <- ggplot(gap_last) +
aes(x = gdp_per_cap, y = life_exp) +
geom_point_interactive(aes(tooltip = country,
data_id = country),
hover_nearest = TRUE,
size = 3)
girafe(ggobj = gg1)Gli elementi di interazioni possono essere aggiunti su qualunque grafico ggplot2: ecco un esempio di un grafico statico in cui sfrutto il colore per differenziare i punti dello scatter plot in base al continente:
ggplot(gap_last) +
aes(x = gdp_per_cap, y = life_exp, colour = continent) +
geom_point() +
theme(legend.position = "top")
Ed ecco il corrispondente grafico interattivo:
gg2 <- ggplot(gap_last) +
aes(x = gdp_per_cap, y = life_exp, colour = continent) +
geom_point_interactive(aes(tooltip = country,
data_id = country),
hover_nearest = TRUE,
size = 3) +
theme(legend.position = "top")
girafe(ggobj = gg2)L’interazione con i punti del grafico viene gestita automaticamente anche nel caso divisi in pannelli usando facet_wrap o facet_grid: passando con il mouse su un punto in un pannello, viene automaticamente evidenziato il punto con lo stesso data_id anche negli altri pannelli.
Per mostrare un esempio di questa funzionalità seleziono i dati degli ultimi tre anni e rappresento lo scatter plot usando un pannelo separato per ciascun anno:
last_three <- gap |>
slice_tail(n = 3, by = country)
ggplot(last_three) +
aes(x = gdp_per_cap, y = life_exp) +
geom_point() +
facet_grid(rows = vars(year))
Costruisco il corrispondente grafico ggiraph sfruttando geom_point_interactive: scorrendo con il mouse su uno dei pannelli si può notare come il punto dello stesso paese sia automaticamente evidenziato anche negli altri pannelli.
gg3 <- ggplot(last_three) +
aes(x = gdp_per_cap, y = life_exp) +
geom_point_interactive(aes(data_id = country,
tooltip = country)) +
facet_grid(rows = vars(year))
girafe(ggobj = gg3)Oltre alle azioni legate al movimento del mouse è possibile aggiungere anche effetti di interazione legati alle azioni di selezione sfruttando le numerose opzioni che offre il package ggiraph. Ecco un esempio che sfrutta la selezione di un singolo punto (anche in questo caso la selezione su uno dei pannelli produce automaticamente una selezione del punto relativo allo stesso paese anche negli altri pannelli):
girafe(ggobj = gg3,
options = list(
opts_selection(
type = "single",
only_shiny = FALSE))
)Ed ecco un esempio in cui è possibile sfruttare la selezione di più punti in successione, ottenuta impostando a multiple il tipo di selezione:
girafe(ggobj = gg3,
options = list(
opts_selection(
type = "multiple",
only_shiny = FALSE))
)Riporto a seguire un altro esempio di grafico costruito con ggiraph.
A tale scopo, a partire dalla tabella originaria, calcolo il valore medio del gpd_per_cap per i vari anni aggregando i dati per continente e rappresentando la tabella risultante usando un grafico a linee, dove ogni linea fa riferimento ai valori medi del gdp_per_cap per ciascuno dei cinque continenti:
tb_medie <- gap |>
group_by(continent, year) |>
summarise(gdp_per_cap = mean(gdp_per_cap))`summarise()` has grouped output by 'continent'. You can override using the
`.groups` argument.tb_medie# A tibble: 60 × 3
# Groups: continent [5]
continent year gdp_per_cap
<fct> <int> <dbl>
1 Africa 1952 1253.
2 Africa 1957 1385.
3 Africa 1962 1598.
4 Africa 1967 2050.
5 Africa 1972 2340.
6 Africa 1977 2586.
7 Africa 1982 2482.
8 Africa 1987 2283.
9 Africa 1992 2282.
10 Africa 1997 2379.
# ℹ 50 more rowsggplot(tb_medie) +
aes(x = year, y = gdp_per_cap, colour = continent) +
geom_line() +
theme(legend.position = "bottom")
Anche in questo caso si può aggiungere l’interazione sostituendo geom_line_interactive a geom_line e sfruttando la funzione girafe:
gg4 <- ggplot(tb_medie) +
aes(x = year, y = gdp_per_cap, colour = continent) +
theme(legend.position = "bottom") +
geom_line_interactive(aes(tooltip = continent))
girafe(ggobj = gg4)Elementi interattivi sfruttando il package plotly (e la funzione ggplotly)
Una differente libreria che permette di aggiungere elementi interattivi su un grafico è la libreria plotly:
library(plotly)In questo caso è possibile sfruttare la libreria usando una sintassi ad hoc, come illustrato sulla pagina web dedicata all’interfaccia tra R e la libreria grafica. E’ però possibile sfruttare anche in questo caso la sintassi tipica di ggplot2 sfruttando la funzione ggplotly come parser finale di un grafico statico ottenuto in ggplot2. Per maggiori dettagli si rimanda alla pagina ufficiale.
Si riporta di seguito a titolo esemplificativo il codice che permette di ottenere un boxplot sui dati gapminder:
gg5 <- ggplot(gap_last) +
aes(x = continent, y = gdp_per_cap, fill = continent) +
geom_boxplot(show.legend = FALSE)
ggplotly(gg5)ed uno scatter plot:
gg6 <- ggplot(gap_last) +
aes(x = gdp_per_cap, y = life_exp, label = country) +
geom_point()
ggplotly(gg6)Dai due esempi si nota immediatamente come in questo caso è sufficiente costruire il grafico in ggplot2 e passare in input alla funzione ggplotly {plotly} per aggiungere gli elementi interattivi, che variano da grafico a grafico.
Cenni al package highcharter
La libreria highcharter è invece un’interfaccia tra R e la libreria JavaScript Highcharts:
library(highcharter)La sintassi di questa libreria è in questo caso differente e varia per i differenti tipi di grafico. Per dettagli si rimanda alla pagina ufficile dove sono riportati esempi per i differenti tipi di grafici.
A titolo esemplificativo riporto lo scatter plot mostrato già in precedenza con le altre librerie grafiche:
hchart(gap_last,
"point",
hcaes(x = gdp_per_cap, y = life_exp, group = continent))L’esempio successivo mostra l’andamento del gdp_per_cap tra i vari continenti sfruttando dei boxplot paralleli:
data_to_plot <- data_to_boxplot(data = gap_last,
variable = gdp_per_cap,
group_var = continent,
name = "GDP per Cap")
highchart() |>
hc_xAxis(type = "category") |>
hc_add_series_list(data_to_plot)e sovraimponendo allo stesso grafico aggiungendo dei punti con la tecnica del jittering:
highchart() |>
hc_xAxis(type = "category") |>
hc_add_series_list(data_to_plot) |>
hc_add_series(
data = gap_last,
type = "scatter",
hcaes(x = "continent", y = "gap_last$gdp_per_cap", group = "continent")
) |>
hc_plotOptions(scatter = list(
marker = list(
radius = 3,
symbol = "circle",
lineWidth = 1
)
)) |>
hc_plotOptions(scatter = list(jitter = list(x = .1, y = 0)))Cenni al package dygraphs
La libreria dygraphs è invece un’interfaccia tra R e la libreria JavaScript dygraphs:
library(dygraphs)Si tratta di una libreria che permette di costruire dei grafici interattivi su dati di tipo temporali. Per dettagli anche in questo caso si rimanda alla pagina ufficiale.
Per mostrare qualche esempio è necessario fare una premessa sui dati di tipo temporali. In particolare sfruttando le funzioni seq e as.Date è possibile costruire una sequenza di date che va dal 1952 al 2007 con un passo di 5 anni:
seq(from = as.Date("1952-01-01"), by = "5 years", length.out = 12) [1] "1952-01-01" "1957-01-01" "1962-01-01" "1967-01-01" "1972-01-01"
[6] "1977-01-01" "1982-01-01" "1987-01-01" "1992-01-01" "1997-01-01"
[11] "2002-01-01" "2007-01-01"Per sfruttare le funzioni della libreria dygraphs è utile (non necessario) preparare adeguatamenti gli oggetti da rappresentare: se si utilizzano infatti oggetti di tipo serie storiche (ts o xts) la rappresentazione gestisce in automatico le etichette. Di seguito il codice, abbastanza articolato a dire il vero, necessario per costruire un oggetto da usare per la reppresentazione:
# la libreria xts permette di ottenere degli oggetti di tipo xts
# che sono tipicamente utilizzati per dati di serie storiche
library(xts)
# calcolo una tabella di sintesi con la speranza di vita media
# per i vari continenti e i vari anni
continent_life_exp <- gap |>
group_by(continent, year) |>
summarise(life_exp = mean(life_exp)) |>
ungroup()
# stampo una porzione della tabella
continent_life_exp# A tibble: 60 × 3
continent year life_exp
<fct> <int> <dbl>
1 Africa 1952 39.1
2 Africa 1957 41.3
3 Africa 1962 43.3
4 Africa 1967 45.3
5 Africa 1972 47.5
6 Africa 1977 49.6
7 Africa 1982 51.6
8 Africa 1987 53.3
9 Africa 1992 53.6
10 Africa 1997 53.6
# ℹ 50 more rows# a partire da questa tabella di sintesi costruisco un oggetto
# di tipo xts (serie storica) per ciascun continente
# questo è l'esempio per i dati relativi all'Africa
continent_life_exp |>
filter(continent == "Africa") |>
pull(life_exp) |>
xts(order.by = seq(from = as.Date("1952-01-01"),
by = "5 years",
length.out = 12)) [,1]
1952-01-01 39.13550
1957-01-01 41.26635
1962-01-01 43.31944
1967-01-01 45.33454
1972-01-01 47.45094
1977-01-01 49.58042
1982-01-01 51.59287
1987-01-01 53.34479
1992-01-01 53.62958
1997-01-01 53.59827
2002-01-01 53.32523
2007-01-01 54.80604# sfruttando la funzione cbind concanteno per colonna
# in un unico oggetto le serie storiche relative ai vari continenti
xts_obj <- cbind(
Africa = {
continent_life_exp |>
filter(continent == "Africa") |>
pull(life_exp) |>
xts(order.by = seq(from = as.Date("1952-01-01"),
by = "5 years",
length.out = 12))
},
Americas = {
continent_life_exp |>
filter(continent == "Americas") |>
pull(life_exp) |>
xts(order.by = seq(from = as.Date("1952-01-01"),
by = "5 years",
length.out = 12))
},
Asia = {
continent_life_exp |>
filter(continent == "Asia") |>
pull(life_exp) |>
xts(order.by = seq(from = as.Date("1952-01-01"),
by = "5 years",
length.out = 12))
},
Europe = {
continent_life_exp |>
filter(continent == "Europe") |>
pull(life_exp) |>
xts(order.by = seq(from = as.Date("1952-01-01"),
by = "5 years",
length.out = 12))
},
Oceania = {
continent_life_exp |>
filter(continent == "Oceania") |>
pull(life_exp) |>
xts(order.by = seq(from = as.Date("1952-01-01"),
by = "5 years",
length.out = 12))
}
)
# stampo a video l'anteprima dell'oggetto risultante
xts_obj Africa Americas Asia Europe Oceania
1952-01-01 39.13550 53.27984 46.31439 64.40850 69.2550
1957-01-01 41.26635 55.96028 49.31854 66.70307 70.2950
1962-01-01 43.31944 58.39876 51.56322 68.53923 71.0850
1967-01-01 45.33454 60.41092 54.66364 69.73760 71.3100
1972-01-01 47.45094 62.39492 57.31927 70.77503 71.9100
1977-01-01 49.58042 64.39156 59.61056 71.93777 72.8550
1982-01-01 51.59287 66.22884 62.61794 72.80640 74.2900
1987-01-01 53.34479 68.09072 64.85118 73.64217 75.3200
1992-01-01 53.62958 69.56836 66.53721 74.44010 76.9450
1997-01-01 53.59827 71.15048 68.02052 75.50517 78.1900
2002-01-01 53.32523 72.42204 69.23388 76.70060 79.7400
2007-01-01 54.80604 73.60812 70.72848 77.64860 80.7195# e la relativa classe
class(xts_obj)[1] "xts" "zoo"Una volta preparato l’oggetto è sufficiente passarlo in input alla funzione dygraph:
xts_obj |> dygraph()Se si aggiunge anche la funzione dyRangeSelector viene aggiunto anche un selettore che permette di effettuare zoom sui dati, impostare finestre mobili e navigare sui dati:
xts_obj |> dygraph() |> dyRangeSelector()Si segnala che nell’esempio riportato sopra, tenuto conto della scarsa numerosità, non si apprezza molto quest’ultima funzionalità, che è invece molto interessante per dati ad alta frequenza. Sulla documentazione ufficiale sono riportati diversi esempi per altri grafici tipicamenti utilizzati nel campo finanziario.
Animazioni sfruttando il package gganimate
La libreria gganimate è ispirata al TED-Talk Gapminder di cui sopra:
library(gganimate)La libreria usa un approccio basato su ggplot2 per la costruzione del grafico di partenza, cui aggiunge delle animazioni. Per dettagli si rimanda alla pagina ufficiale del package.
Il codice seguente permette di riprodurre l’animazione che Hans Rosling ha presentato nel suo Ted-Talk (vedi video in testa alla pagina). Si parte costruendo un grafico rappresentando tutti i dati che poi verranno divisi per ottenere i vari frame del grafico animato:
ggplot(gap) +
aes(x = gdp_per_cap, y = life_exp, colour = continent) +
geom_point() +
theme(legend.position = "top")
A questo punto è sufficiente sfruttare la funzione transition_states impostando la variabile year per separare i dati nei vari frame:
gg7 <- ggplot(gap) +
aes(x = gdp_per_cap, y = life_exp, colour = continent) +
geom_point() +
theme(legend.position = "top") +
transition_states(year)
gg7
Si può migliorare il grafico precedente usando lo strato labs(title = "Anno: {closest_state}") che permette di mostrare nel titolo del grafico l’anno cui i dati fanno riferimento:
gg7 <- ggplot(gap) +
aes(x = gdp_per_cap, y = life_exp, colour = continent) +
geom_point() +
theme(legend.position = "top") +
labs(title = "Anno: {closest_state}") +
transition_states(year) +
ease_aes('linear')
gg7
Di seguito un grafico animato che mostra i dati relativi ai vari paesi, separandoli questa volta in singoli pannelli per i vari continenti e usando la dimensione del punto per mostrare la popolazione dei singoli paesi:
ggplot(gap) +
aes(gdp_per_cap, life_exp, size = pop, colour = country) +
geom_point(alpha = 0.7, show.legend = FALSE) +
scale_colour_manual(values = country_colors) +
scale_size(range = c(2, 12)) +
scale_x_log10() +
facet_wrap(~continent) +
# Here comes the gganimate specific bits
labs(title = 'Year: {frame_time}', x = 'GDP per capita', y = 'life expectancy') +
transition_time(year) +
ease_aes('linear')