La base

Visualiser les données est une étape cruciale lorsqu’on veut les analyser. En effet, le premier réflexe est de regarder la distribution ou la fréquence de certaines variables avant de procéder à la modélisation dans notre domaine.

Les actuaires sont d’abord passionnés par les chiffres afin d’analyser les différents risques et scénarios. Souvent, les données sont présentées en forme de tableaux ce qui n’est pas toujours évident à bien comprendre. Pensons seulement à l’exemple de données extrêmes; dans un tableau il est plus difficile de voir un chiffre qui, on va dire très élevé (ou très petit) par rapport à la moyenne. Toutefois, il est plus évident d’apercevoir un point isolé des autres sur un nuage de point.

Créer un graphique

Il y’a plusieurs manières de visualiser les données avec R. Dans ce cours, nous utilisons le package ggplot2, ce dernier est très riche cohérent dans la création de graphiques, il est aussi le plus utilisé dans la communauté scientifique, l’aide sur internet est aussi très abondante.

Tout d’abord, il faut charger le package en question;

library(ggplot2)

Utilisons les données mpg qui sont aussi dans le package ggplot2 afin d’illustrer quelques exemples;

head(mpg,3)

A tibble: 3 × 11

manufacturer	model	displ	year	cyl	trans	drv	cty	hwy	fl	class
<chr>	<chr>	<dbl>	<int>	<int>	<chr>	<chr>	<int>	<int>	<chr>	<chr>
audi	a4	1.8	1999	4	auto(l5)	f	18	29	p	compact
audi	a4	1.8	1999	4	manual(m5)	f	21	29	p	compact
audi	a4	2.0	2008	4	manual(m6)	f	20	31	p	compact

Nous nous intéressons alors à la relation entre la taille du moteur displ et hwy, l’efficacité énergétique d’une voiture sur l’autoroute, en miles par gallon(mpg). Une voiture à faible rendement énergétique consomme plus de carburant qu’une voiture à haut rendement énergétique lorsqu’ils parcourent la même distance.

geom

Chaque fonction geom dans ggplot2 prend un argument de mappage. Ceci définit comment les variables de votre ensemble de données sont mappées aux propriétés visuelles. L’argument de mappage est toujours associé à aes (), et les arguments x et y de aes () spécifient les variables à mapper avec les axes x et y. ggplot2 recherche la variable mappée dans l’argument de données, dans ce cas, mpg

options(repr.plot.width=5, repr.plot.height=3)
ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy))

On peut mettre plusieurs geom dans un seul graphique. Ici, on ajoute une courbe de tendance aux points de notre graphique de base.

ggplot(data = mpg) +
geom_point(mapping = aes(x = displ, y = hwy)) +
geom_smooth(mapping = aes(x = displ, y = hwy))

`geom_smooth()` using method = 'loess'
and formula = 'y ~ x'

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) +
geom_point(mapping = aes(color = class)) +
geom_smooth()

`geom_smooth()` using method = 'loess'
and formula = 'y ~ x'

aes

Dans le graphique précédent, vous avez surement remarqué que certains points sont de mêmes couleurs. En effet, la fonction aes permet de modifier l’esthétique (aesthetic) du graphique. On peut alors ajouter une troisième variable comme la classe, à un nuage de points bidimensionnel. L’esthétique comprend d’autres éléments comme la taille, la forme ou la couleur de vos points.

ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy, color = class))

Si l’on utilise l’argument alpha, on obtient alors;

ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy, alpha = class))

Warning message:
“Using alpha for a discrete variable is
not advised.”

ou la variable shape

ggplot(data = mpg) +
geom_point(mapping = aes(x = displ, y = hwy, shape = class))

Warning message:
“The shape palette can deal with a maximum of 6 discrete values because
more than 6 becomes difficult to discriminate; you have 7. Consider
specifying shapes manually if you must have them.”

Warning message:
“Removed 62 rows containing missing
values (`geom_point()`).”

on obtient un message d’avertissement nous indiquant que l’argument shape contient seulement 6 catégories et que dans nos donnés nous en avons 7:

Une autre méthode, particulièrement utile pour les variables catégorielles, consiste à diviser le graphique en facettes, sous-placettes qui affichent chacune une catégorie (ou groupe) des données.

ggplot(data = mpg) +
geom_point(mapping = aes(x = displ, y = hwy)) +
facet_wrap(~ class, nrow = 2)

Quelques exemples

Bien évidemment, on ne peut pas couvrir tous cas possibles de graphiques. On ne peut les maîtriser que par la pratique sans avoir à connaître par coeur la syntaxe. Vous pouvez toujours consulter cet aide-mémoire qui résume bien comment tracer des graphiques avec la librairie ggplot2

geom_bar

Il est toujours plus rapide d’avoir une idée de la forme des données catégorielle lorsqu’on les représente dans un graphique de type bar plot

Soit les données suivantes qui montrent les moyennes des résultats d’examen du cours ACT3035 du groupe d’hiver 2018 vs automne 2017.

c(rep(1,3), rep(2,3), rep(3,3))

1. 1
2. 1
3. 1
4. 2
5. 2
6. 2
7. 3
8. 3
9. 3

dat4 <- data.frame(
    session = factor(c("Aut17","Aut17","Aut17","Hiv18","Hiv18","Hiv18", "ETE18", "ETE18", "ETE18")),
    examen = c("Examen_1","Examen_2", "Examen_3","Examen_1","Examen_2", "Examen_3", "Examen_1","Examen_2", "Examen_3"),
    moyenne = c(20, 24, 26, 21, 22, 23,18, 20, 19), 
    ordre=c(c(rep(1,3), rep(2,3), rep(3,3)))
)

dat4

A data.frame: 9 × 4

session	examen	moyenne	ordre
<fct>	<chr>	<dbl>	<dbl>
Aut17	Examen_1	20	1
Aut17	Examen_2	24	1
Aut17	Examen_3	26	1
Hiv18	Examen_1	21	2
Hiv18	Examen_2	22	2
Hiv18	Examen_3	23	2
ETE18	Examen_1	18	3
ETE18	Examen_2	20	3
ETE18	Examen_3	19	3

ggplot(data=dat4, aes(x=reorder(examen, -ordre), y=moyenne, fill=session)) +
    geom_bar(stat="identity", position=position_dodge(), colour="black")+
    scale_fill_manual(values=c("#f293ce", "#a5bcef", "red")) +
    xlab("Examen") + ylab("Moyenne") +
    ggtitle("Évolution de la moyenne \ndes examens du cours ACT3035") +
    theme(plot.title = element_text(hjust = 0.5))

Rmarque: . Par défaut, le geom_bar utilise le nombre d’occurrences d’une variable (count) comme valeur de la haute de la barre. Si l’on veut que la hauteur corresponde à une valeur d’une variable dans le data frame, on doit alors préciser cela avec l’option stat="identity" car cette dernière est stat="bin" par défaut.

geom_line

On peut aussi représenter ces données sur des lignes continues en ajoutant deux petites lignes représentant la moyenne ± l’écart-type

Pour ce faire, ajoutons à notre df les données de l’écart-type

dat4$se<-c(.33, .27, .5, .25, .7, .5, .7, .4, .7)

ggplot(dat4, aes(x=examen, y=moyenne, colour=session, group=session,)) + 
    geom_errorbar(aes(ymin=moyenne-se, ymax=moyenne+se), width=.1) +
    geom_line() +
    geom_point()+xlab("Examen") + ylab("Moyenne") +
    ggtitle("Évolution de la moyenne \ndes examens du cours ACT3035")

Nous pouvons faire la même chose avec les geom_bar que nous avons vu;

ggplot(dat4, aes(x=examen, y=moyenne, fill=session)) + 
    geom_bar(position=position_dodge(), stat="identity") +
    geom_errorbar(aes(ymin=moyenne-se, ymax=moyenne+se),
                  width=.2,                    # Width of the error bars
                  position=position_dodge(.8),
                size=.3    # Thinner lines
                 )+
    ggtitle("Évolution de la moyenne des résultats \nd'examens du cours ACT3035") +
    theme(plot.title = element_text(hjust = 0.5))

Warning message:
“Using `size` aesthetic for lines was
deprecated in ggplot2 3.4.0.
ℹ Please use `linewidth` instead.”

geom_histogram

La grande différence entre un histogramme et un graphique de type bar plot se situe principalement dans le type de données. Dans le premier cas, les données sont groupées par des données catégorielles. Alors que dans le deuxième cas, les données sont présentées en groupe de données continues (quantitative).

Nous avons besoin alors des données continues afin d’illustrer quelques exemples d’histogrammes. Générons-en quelques données continues;

set.seed(1234)
dat <- data.frame(cond = factor(rep(c("A","B"), each=200)), 
                   rating = c(rnorm(200),rnorm(200, mean=.8)))

Nous avons généré 200 observations (A) tirées d’une distribution normale centrée réduite, et 200 observations (B) tirées d’une distribution normale de moyenne mu=.8

table(dat$cond)

  A   B 
200 200 

# head(dat[sample(nrow(dat)),])

Puisque nous avons là des données continues, représentons-les alors dans un graphique de type geom_histogram;

ggplot(dat, aes(x=rating)) + geom_histogram(binwidth=.5)

On voit bien qu’on ne peut pas distinguer les observations A de B. Pour ce faire, nous devons alors ajouter la condition à fill=cond à notre aes

ggplot(dat, aes(x=rating, fill=cond)) +
    geom_histogram(binwidth=.5, alpha=.5, position="identity")

On peut même ajouter la moyenne de chaque variable;

library(plyr)
cdat <- ddply(dat, "cond", summarise, rating.mean=mean(rating))
cdat

A data.frame: 2 × 2

cond	rating.mean
<fct>	<dbl>
A	-0.05775928
B	0.87324927

Ou calculer directement la moyenne de chaque groupe comme suit;

moyenne_B<-mean(dat$rating[dat$cond == "B"])
moyenne_B

0.873249267913921

Utilisons les données `cdat

ggplot(dat, aes(x=rating, fill=cond)) +
    geom_histogram(binwidth=.5, alpha=.5, position="identity") +
    geom_vline(data=cdat, aes(xintercept=rating.mean,  colour=cond),
               linetype="dashed", size=1)

geom_density

On peut présenter ces mêmes données sous deux courbes puisqu’elles sont continues;

ggplot(dat, aes(x=rating, colour=cond)) +
    geom_density() +
    geom_vline(data=cdat, aes(xintercept=rating.mean,  colour=cond),
               linetype="dashed", size=1)

Sans oublier qu’il est aussi possible d’ajouter des courbes aux histogrammes;

ggplot(dat, aes(x=rating, fill=cond)) +
    geom_histogram(aes(y=..density..),binwidth=.5, alpha=.5, position="identity") +
    geom_vline(data=cdat, aes(xintercept=rating.mean,  colour=cond),
               linetype="dashed", size=1)+geom_density(alpha=.2, aes( colour=cond))

Warning message:
“The dot-dot notation (`..density..`)
was deprecated in ggplot2 3.4.0.
ℹ Please use `after_stat(density)`
  instead.”

geom_boxplot

Lorsqu’il s’agit de présenter les données statistiques de base sur des catégories de variables, un graphique de type geom_boxplot devient alors incontournable;

ggplot(dat, aes(x=cond, y=rating, fill=cond)) + geom_boxplot()

Voici comment renverser les axes;

ggplot(dat, aes(x=cond, y=rating, fill=cond)) + geom_boxplot() + 
    guides(fill=FALSE) + coord_flip()

Warning message:
“The `<scale>` argument of `guides()`
cannot be `FALSE`. Use "none" instead
as of ggplot2 3.3.4.”

ggcorrplot

Lorsque nous avons des données où nous trouvons la corrélation entre chaque variable (deux à deux), il peut être difficile de voir où sont les variables les plus (ou les moins) corrélées;

df_app<-read.csv("https://raw.githubusercontent.com/nmeraihi/data/master/stocks_correlation.csv",
                 header = T)[ ,2:9]
head(df_app)

A data.frame: 6 × 8

	DO	AMZN	AAPL	BA	FB	HON	ITW	NFLX
	<dbl>	<dbl>	<dbl>	<dbl>	<dbl>	<dbl>	<dbl>	<dbl>
1	18.06	750.57	108.6043	146.1413	118.42	111.5562	122.7038	117.00
2	17.70	768.66	114.3968	152.2714	115.05	114.0969	124.5074	123.80
3	16.38	823.48	119.8588	159.8419	130.32	116.5296	125.3345	140.71
4	16.84	845.04	135.3066	176.2839	135.54	122.6161	130.0739	142.13
5	16.71	886.54	142.5098	174.4757	142.05	123.6397	130.5272	147.81
6	14.42	924.99	142.4999	182.3383	150.25	129.8480	136.7335	152.20

Dans ces données, nous trouvons le prix de l’action des entreprises citées dans le tableau au 2017-01-01. On peut alors calculer la corrélation entre les variables avec la fonction corr

mat_corr<-cor(df_app)
mat_corr

A matrix: 8 × 8 of type dbl

	DO	AMZN	AAPL	BA	FB	HON	ITW	NFLX
DO	1.0000000	-0.5991331	-0.5734723	-0.4594365	-0.5740901	-0.5931147	-0.4391862	-0.4808701
AMZN	-0.5991331	1.0000000	0.9491803	0.8523493	0.9373536	0.9481765	0.9413468	0.9313529
AAPL	-0.5734723	0.9491803	1.0000000	0.8722640	0.9504718	0.9553516	0.8783502	0.9275452
BA	-0.4594365	0.8523493	0.8722640	1.0000000	0.9606722	0.9450005	0.8729395	0.9550461
FB	-0.5740901	0.9373536	0.9504718	0.9606722	1.0000000	0.9786910	0.8972479	0.9762811
HON	-0.5931147	0.9481765	0.9553516	0.9450005	0.9786910	1.0000000	0.9464567	0.9539829
ITW	-0.4391862	0.9413468	0.8783502	0.8729395	0.8972479	0.9464567	1.0000000	0.8993815
NFLX	-0.4808701	0.9313529	0.9275452	0.9550461	0.9762811	0.9539829	0.8993815	1.0000000

Utilisons la librairie ggcorrplot qui nous offre beaucoup d’options pour visualiser un tel type de graphique

library(ggcorrplot)

Error in library(ggcorrplot): there is no package called ‘ggcorrplot’
Traceback:

1. library(ggcorrplot)

ggcorrplot(mat_corr, hc.order = TRUE, type = "lower",
   lab = TRUE)

Modifions un peu ce graphique;

ggcorrplot(mat_corr, hc.order = TRUE, type = "lower",
   lab = TRUE)+theme(
  axis.title.x = element_blank(),
  axis.title.y = element_blank(),
  panel.grid.major = element_blank(),
  panel.border = element_blank(),
  panel.background = element_blank(),
  axis.ticks = element_blank(),
  legend.justification = c(1, 0),
  legend.position = c(0.3, 0.85),
  legend.direction = "horizontal")+
  guides(fill = guide_colorbar(barwidth = 7, barheight = 1,
                title.position = "top", title.hjust = 0.5, title="Corrélation Pearson"))

Conclusion

Bien sûr, il ne faut pas s’attendre à ce que l’on connaisse par coeur toutes les options de graphique. Car de toute façon, il existe beaucoup d’exemples dans la documentation de ggplot2.