5  Datavisualisatie met ggplot2

ggplot2 (Wickham 2016) is tegenwoordig het package bij uitstek om data te visualiseren in R. Een inleidend overzicht mag in deze basiscursus statistiek dan ook niet ontbreken. ggplot2 is een onderdeel van de tidyverse en zoals we in het vorige hoofdstuk al gezien hebben, streeft tidyverse naar consistentie in de codesyntax. Datamanipulatie met dplyr werkt ook naadloos samen met ggplot2. In het vorige hoofdstuk hebben we gezien hoe datasamenvattingen in dplyr steeds consequent als een dataframe gerapporteerd werden. ggplot2 maakt handig gebruik van deze dataframes.

5.1 Data: False beginners

We werken opnieuw met de falsebeginners dataset en verwijderen eerst alle rijen met NAs.

fb <- read.delim("Falsebeginners.txt", stringsAsFactors=TRUE)
fb <- na.omit(fb)

De dataset volgt het lange dataformaat. We hebben een dataset van \(N = 746\) observaties en \(10\) variabelen.

summary(fb)
    Leerling         School         Klas          PPVT           Spreken      
 Min.   :  2.0   S12    : 50   12A    : 27   Min.   : 31.00   Min.   : 0.000  
 1st Qu.:221.2   S34    : 46   9A     : 26   1st Qu.: 70.00   1st Qu.: 2.000  
 Median :443.5   S38    : 35   11A    : 23   Median : 78.00   Median : 5.000  
 Mean   :441.5   S51    : 35   12B    : 23   Mean   : 78.53   Mean   : 6.782  
 3rd Qu.:661.8   S8     : 34   42A    : 22   3rd Qu.: 88.00   3rd Qu.:10.000  
 Max.   :867.0   S24    : 32   21A    : 20   Max.   :116.00   Max.   :20.000  
                 (Other):514   (Other):605                                    
   Luisteren     SchrijvenLezen      Attitude        Thuistaal    Geslacht  
 Min.   : 0.00   Min.   : 0.00   negatief: 26   Meertalig :198   man  :381  
 1st Qu.:10.00   1st Qu.:13.00   positief:720   Nederlands:548   vrouw:365  
 Median :15.00   Median :18.00                                              
 Mean   :14.94   Mean   :21.13                                              
 3rd Qu.:20.00   3rd Qu.:29.00                                              
 Max.   :25.00   Max.   :50.00

We starten met univariate visualisaties en creëren achtereenvolgens een histogram, een boxplot en een densiteitscurve voor de variabele PPVT, een score op een totaal van \(120\). We visualiseren de variabele Geslacht aan de hand van een staafdiagram.

5.2 Histogram

1ggplot(fb,
2       aes(x=PPVT)) +
3  geom_histogram(bins = 25)
1
het eerste argument verwijst naar de dataset die we gebruiken
2
aes bevat de variabelen die we visualiseren, in dit geval PPVT op de x-as
3
geom verwijst naar de manier waarop we de data willen visualiseren

Figure 5.1: Een histogram van de variabele PPVT met ggplot2

We kunnen gemakkelijk enkele esthetische verbeteringen aanbrengen.

1ggplot(fb,
2       aes(x=PPVT)) +
3  geom_histogram(bins = 25,
4                 fill = "#F1A42B") +
5  theme_minimal() +
6  xlab("Score PPVT (120)")
1
de dataset
2
de data die we willen visualiseren
3
de visualisatiemethode, met argumenten die het histogram aanpassen: het aantal bins
4
de opvulkleur; “col” past de kleur van de randen aan
5
een thema voor de visualisatie; hier laten we de achtergrondkleur weg
6
een betere naam voor de x-as.

Een histogram van PPVT met enkele visuele verbeteringen.

5.3 Boxplot

Het enige wat we hier hoeven aan te passen aan de code voor het histogram is de geom – we stellen immers nog steeds dezelfde data voor, maar gebruiken een andere visualisatie.

1ggplot(fb,
2       aes(y=PPVT)) +
3  geom_boxplot() +
4  scale_x_discrete( ) +
5  theme_minimal()
1
Gebruik gb
2
gebruik PPVT op de y-as (voor een horizontale boxplot gebruik je aes(y=PPVT) maar vertikale boxplots zijn gebruikelijk.
3
teken een boxplot
4
pas de labels op de x-as aan
5
gebruik een minimalistisch thema (er zijn ontelbaar veel thema’s om uit te kiezen).

Figure 5.2: Een verticale boxplot van PPVT met ggplot2

Als je dit nogal omslachtig vindt om een simpele boxplot te tekenen, dan heb je gelijk. Gebruik base-R voor dergelijke eenvoudige plots. De kracht van ggplot2 komt tot zijn recht bij complexere figuren.

5.4 Densiteitscurve

Door de geom aan te passen bekomen we op dezelfde manier een densiteitscurve.

1ggplot(fb, aes(x = PPVT)) +
2  geom_density()  +
  theme_minimal()
1
gebruik gb
2
gebruik PPVT op de x-as

Figure 5.3: Een densiteitscurve van de variabele PPVT

5.5 Staafdiagram

Om een staafdiagram te maken, moeten we eerst de data samenvatten. We gebruiken hiervoor het dplyr-package.

1Geslacht_N <- fb |>
2  count(Geslacht)
3Geslacht_N
1
creëer een nieuwe dataframe Geslacht_N, begin met fb
2
tel het aantal observaties voor elke waarde van de categorische variabele Geslacht
3
print de nieuwe dataset 
  Geslacht   n
1      man 381
2    vrouw 365

Merk op dat je hier mooi het verschil ziet met de table() functie in base R. Het resultaat van table() is een tabel en geen dataframe. In tidyverse worden de resultaten consequent in een dataframe weergegeven.

Vergelijk:

table(fb$Geslacht)

  man vrouw 
  381   365

Geslacht_N gebruiken we nu voor de visualisatie: op de x-as plaatsen we de twee waarden van de variabele geslacht, en op de y-as visualiseren we de frequenties die we zonet berekend hebben.

1ggplot(Geslacht_N,
2       aes(x = Geslacht,
3           y = n)) +
4  geom_col()
1
Gebruik Geslacht_N
2
Gebruik Geslacht (althans de waarden ervan) op de x-as
3
Gebruik de getelde aantallen op de y-as
4
visualiseer de datapunten met een staafdiagram (“col” = column)

Een staafdiagram van de variabele Geslacht.

We kunnen opnieuw enkele esthetische aanpassingen aanbrengen.

1ggplot(Geslacht_N,
2       aes(x = Geslacht,
3           y = n)) +
4  geom_col(fill = "#1E64C8") +
5  xlab("Geslacht")  +
6  theme_minimal()
1
Gebruik Geslacht_N
2
gebruik Geslacht (althans de waarden ervan) op de x-as
3
gebruik de getelde aantallen op de y-as
4
visualiseer de datapunten met een staafdiagram en voeg een kleur toe
5
geef een label aan de x-as
6
gebruik een minimalistisch thema.

Figure 5.4: Een staafdiagram van Geslacht met enkele visuele verbeteringen.

Het grote voordeel van ggplot2 komt tot uiting wanneer we de figuren uitbreiden met extra variabelen. De code blijft grotendeels gelijk. We hoeven enkel een extra variabele toe te voegen die de groepering aanduidt en aan te geven hoe die variabele gevisualiseerd moet worden.

5.6 Overlappende histogrammen

Overlappende histogrammen zijn handig om twee verdelingen te vergelijken.

1ggplot(fb,
2       aes(x=PPVT,
3           fill = Geslacht)) +
4  geom_histogram(bins = 20,
                 position = "identity",       
                 alpha = 0.4) +               
5  theme_classic()
1
Kies fb
2
gebruik PPVT voor de x-as
3
gebruik Geslacht om een kleurverschil aan te geven
4
maak een histogram. Pas de bins aan. “identity” is noodzakelijk om de histogrammen te laten overlappen. Met alpha pas je de doorzichtigheid van de histogrammen aan
5
in een klassiek thema.

Figure 5.5: Overlappende histogrammen van PPVT volgens Geslacht.

5.7 Histogrammen in een raster

Hier volgt geef een voorbeeld van een visualisatie waarbij we eerst data selecteren met dplyr om te tonen hoe beide packages samenwerken.

5.7.0.1 Voorbeeld

We wensen voor scholen met meer dan \(15\) leerlingen per klas de PPVT score te visualiseren aan de hand van een histogram. Hiervoor moeten we eerst de klassen te kennen met meer dan \(15\) leerlingen. We gebruiken dplyr om die uit de dataset te filteren.

1fbs <- fb |> count(School, Klas) |>
2  filter(n > 15)
1
Maak een nieuwe dataframe fbs, start met fb en tel het aantal klassen per school
2
filter de rijen op basis van de conditie dat n (= het aantal leerlingen) meer dan \(20\) moet zijn.

We tellen het aantal klassen omdat de dataset is opgemaakt volgens het lange dataformaat. Elke leerling zit in één klas per school; door het aantal klassen te tellen krijgen we het aantal leerlingen.

Bekijk de eerste tien rijen uit de fbs dataframe:

head(fbs, 10)
   School Klas  n
1     S10  10A 19
2     S11  11A 23
3     S12  12A 27
4     S12  12B 23
5     S18  18A 18
6     S21  21A 20
7     S24  24A 16
8     S24  24B 16
9     S30  30A 16
10    S33  33A 18

n geeft hier het aantal leerlingen per klas weer en uiteraard niet het aantal klassen per school. Sommige scholen (bvb. S24) hebben meer dan \(1\) klas met meer dan \(15\) leerlingen. Hoeveel klassen zijn er?

dim(fbs)
[1] 25  3

Er zijn \(25\) klassen met meer dan \(15\) leerlingen. We weten nu welke scholen meer dan \(15\) klassen hebben in de dataset. Nu moeten we die scholen nog uit de fb dataset filteren. Anders kunnen we PPVT niet gebruiken.

fbschool <- filter(fb, School %in% fbs$School)

De %in% operator hebben we nog niet gebruikt: met filter halen we rijen uit fb, op basis van de conditie welke School (uit fb) overeenstemt met School uit fbs (die we hierboven gemaakt hebben). Vergelijk:

1groep1 <- c("Maarten", "Jonas", "Mathis")
groep2 <- c("Matheus", "Lucas", "Johanes", "Maarten", "Mathis")
2groep1 %in% groep2
3groep1[which(groep1 %in% groep2)]
1
we maken twee karaktervectoren met namen die gedeeltelijk overlappen.
2
via de logische operator %in% gaan we voor elke waarden uit groep1 na of die in groep2 voorkomt. De uitkomst is waar of vals. bvb. de eerste “TRUE”: Maarten komt inderdaad voor in groep2
3
via de indexfunctie (de vierkante haakjes) halen we de elementen uit groep1 met TRUE. 
[1]  TRUE FALSE  TRUE
[1] "Maarten" "Mathis"

We keren terug naar de fbschool-dataset en bekijken de eerste zes rijen.

head(fbschool)
  Leerling School Klas PPVT Spreken Luisteren SchrijvenLezen Attitude
1      102     S8   8B   78       1        17             14 negatief
2      103     S8   8B   69       2         9             13 positief
3      104     S8   8B   83      12        19             28 positief
4      105     S8   8B  108      13        25             45 positief
5      107     S8   8B   96      15        21             26 positief
6      108     S8   8B   65       8        14              7 positief
   Thuistaal Geslacht
1 Nederlands    vrouw
2 Nederlands    vrouw
3 Nederlands    vrouw
4 Nederlands    vrouw
5 Nederlands      man
6  Meertalig    vrouw

Als extra check tellen we het aantal leerlingen per school.

fbschool |> count(School)
   School  n
1     S10 19
2     S11 23
3     S12 50
4     S18 18
5     S21 20
6     S24 32
7     S30 16
8     S33 32
9     S34 46
10    S37 17
11    S38 35
12    S42 22
13    S44 19
14    S45 19
15    S46 17
16    S48 17
17    S49 18
18    S51 35
19     S8 34
20     S9 26

School S24 heeft \(32\) leerlingen. Dat klopt want die school heeft 2 klassen van elk \(16\) leerlingen.

fbs |> filter(School == "S24")
  School Klas  n
1    S24  24A 16
2    S24  24B 16

Vervolgens maken we een histogram van PPVT voor elke school, weergegeven in Figure 5.6.

1ggplot(fbschool,
2       aes(x=PPVT)) +
3  geom_histogram(bins = 8) +
4  facet_wrap(School ~ .)  +
  theme_minimal()
1
Kies fbschool
2
kies PPVT als x-as variabele
3
visualiseer de waarden als een histogram
4
deel de figuur op per School.

Figure 5.6: Histogrammen voor scholen met klassen van meer dan 15 leerlingen.

5.8 Meerdere boxplots

We keren terug naar de fb-dataset en vergelijken PPVT op basis van Geslacht aan de hand van een geclusterde boxplot. We plaatsen de variabele Geslacht op de x-as zodat er twee verticale boxplots naast elkaar getekend worden. Het resultaat zie je in Figure 5.7.

1ggplot(fb, aes(x = Geslacht,
2               y = PPVT,
3               fill = Geslacht)) +
4  geom_boxplot() +
5  theme_minimal() +
6  theme(legend.position = "none")
1
Kies fb en de waarden voor de x-as
2
PPVT is de variabele op de y-as
3
we voegen een kleurverschil toe voor Geslacht
4
en maken een boxplot
5
een minimalistische opmaak
6
en een legende is overbodig.

Figure 5.7: Geclusterde boxplot van PPVT volgens Geslacht.

Merk op hoe consequent eerst de waarden voor de x- en y-as gekozen worden via aes, om vervolgens een methode van visualisatie toe te passen.

5.9 Boxplots met een facet

We visualiseren nu de scholen met meer dan \(n=15\) leerlingen per klas aan de hand van boxplots.

1ggplot(fbschool,
2       aes(x=PPVT)) +
3  geom_boxplot() +
4  facet_wrap(School ~ .) +
5  theme_minimal() +
6  theme(axis.text.y = element_blank())
1
Kies fbschool
2
kies PPVT als x-as variabele
3
visualiseer de waarden als een boxplot
4
deel de figuur op per School
5
met een minimalistische opmaak
6
zonder waarden op de y-as.

Figure 5.8: Boxplots van PPVT voor scholen met klassen van meer dan 15 leerlingen.

5.10 Geclusterde staafdiagrammen

We gaan na of er een verband is tussen Geslacht en Attitude tegenover Engels. We visualiseren het verband tussen beide binaire categorische variabelen aan de hand van een geclusterde staafdiagram zoals in Figure 5.9. We moeten eerst de frequenties berekenen. We slaan het resultaat op als de dataframe ga. We hebben dit object nodig om te visualiseren.

ga <- fb |> count(Geslacht, Attitude) 
ga
  Geslacht Attitude   n
1      man negatief  13
2      man positief 368
3    vrouw negatief  13
4    vrouw positief 352

Bekijk opnieuw het verschil met de uitkomst van de table() functie.

table(fb$Geslacht, fb$Attitude)
       
        negatief positief
  man         13      368
  vrouw       13      352
1ggplot(data=ga, aes(x=Geslacht,
2                    y=n,
3                    fill=Attitude)) +
4  geom_col(position = "dodge") +
  theme_minimal()
1
Kies ga, en Geslacht als x-as variabele
2
n als waarden op de y-as
3
gekleurd volgens Attitude
4
visualiseer met een staafdiagram. Geclusterd, vandaar “dodge”. Ander krijg je een gestapelde versie.

Figure 5.9: Geclusterde staafdiagrammen met ggplot2

5.11 Scatterplot

We visualiseren de samenhang tussen twee continue variabelen PPVT en Spreken.

1ggplot(fb, aes(x = PPVT, y = Spreken)) +
2  geom_point()   +
  theme_light()
1
Kies fb, de variabele voor de x-as en de y-as
2
Visualiseer aan de hand van punten

Figure 5.10: Een scatterplot van Spreken in functie van PPVT.

5.12 Drie of meer variabelen

5.12.1 Scatterplot

We bekijken opnieuw de scholen met klassen met meer dan \(15\) leerlingen. We gebruiken hiervoor de fbschool dataframe die we hierboven gemaakt hebben. We onderzoeken het verband tussen de scores voor Spreken en Luisteren aan de hand van een scatterplot. We voegen een lineaire regressielijn toe om het mogelijke lineaire verband weer te geven.

1ggplot(fbschool, aes(x = Spreken, y = Luisteren)) +
2  geom_point() +
3  facet_wrap(School ~ .) +
4  stat_smooth(method = lm, se = FALSE)  +
  theme_minimal()
1
Kies fbschool, met Spreken op de x-as en Luisteren op de y-as
2
visualiseer aan de hand van een puntenwolk
3
visualiseer per School
4
voeg een lineaire regressielijn toe. 
`geom_smooth()` using formula = 'y ~ x'

Figure 5.11: Het verband tussen Spreken en Luisteren voor scholen met klassen van meer dan 15 leerlingen.

5.12.2 Boxplots

We onderzoeken opnieuw dezelfde fbschool dataset en visualiseren PPVT rekening houdend met Geslacht.

1ggplot(fbschool,
       aes(x=Geslacht,    
2           y=PPVT,
3           fill = Geslacht)) +
4  geom_boxplot() +
5  facet_wrap(School ~ .) +
  theme_minimal() +
  theme(legend.position = "none")
1
Kies fbschool
2
kies PPVT als x-as variabele
3
voeg een kleur toe op basis van Geslacht
4
visualiseer de waarden als een boxplot
5
deel de figuur op per School.

Figure 5.12: PPVT per school (met klassen met meer dan 15 leerlingen) en per Geslacht.

Jongens scoorden in de meeste klassen hoger voor PPVT dan meisjes.

5.13 Likertschalen visualiseren

De Likertschaal is een populaire meetschaal om attitudes, percepties en meningen te meten. Met het likert package (Bryer and Speerschneider 2016) kunnen meerdere likertschalen op een efficiënte manier in één figuur weergeven worden. We bekijken de functies aan de hand van de influencer dataset.1 Deze dataset bevat \(N = 1249\) observaties op basis van een “matched guise experiment”. De participanten werd gevraagd om naar verschillende sprekers te luisteren die dezelfde tekst met een ander accent inspraken. In feite ging het om dezelfde spreker die verschillende accenten nabootste. Vervolgens werd aan de participanten gevraagd om de taal van de spreker te beoordelen op basis van verschillende kwaliteiten. Er werd onder meer gevraagd: “klinkt deze spreker voor jou …”

  • Eigentijds
  • Professioneel
  • Mooi
  • Authentiek
  • Betrouwbaar

De participanten gaven een beoordeling op een 5-punt-likertschaal, van \(1 =\) “helemaal niet akkoord” tot \(5 =\) “helemaal akkoord”. De dataset bevat negen variabelen:

ID Variabele Toelichting
1 ID een uniek nummer voor elke observatie
2 Spreker een code voor de spreker (A, B, C, en D)
3 AccentSpreker het accent van de spreker (“Brabants” vs. “West-Vlaams”)
4 Participant een uniek nummer voor elke participant
5 Eigentijds beoordeling op een 5-punt likertschaal
6 Professioneel beoordeling op een 5-punt likertschaal
7 Mooi beoordeling op een 5-punt likertschaal
8 Authentiek beoordeling op een 5-punt likertschaal
9 Betrouwbaar beoordeling op een 5-punt likertschaal

Open de dataset en het likert package.

influencer <- read.delim("influencer.txt", 
                         stringsAsFactors=TRUE)
library(likert)

De cijfers voor de beoordelingen moeten we eerst een label geven.

1Attitude <- influencer |> select(5:9)
2mylevels<-c("helemaal niet akkoord",
            "niet akkoord", 
            "neutraal",
            "akkoord", 
            "helemaal akkoord")
3Attitude <- data.frame(lapply(Attitude, factor, ordered=TRUE,
                          levels=1:5, 
                          labels=mylevels))
1
we maken een nieuwe dataframe Attitude en kiezen de likertschaalvariabelen die we wensen te visualiseren
2
we dienen de cijfers in de dataset een label te geven. Deze stap is niet nodig als de levels al met woorden weergegeven zijn.
3
de cijfers krijgen een label, via de lapply() functie. We veranderen elke variabele in de dataframe attitude naar een geordende factor met 5 levels en met met als labels de levels die we in stap 2 opgegeven hebben.

We kiezen vijf kleuren voor onze visualisatie. Het kleurenpallet is gebaseerd op de UGent-huisstijl.

kleuren<-c("#1E64C8", "#78a2de", "#DBD7D6", "#ffe466", "#FFD200")

We maken een likert-object L1. Dit object dient als basis voor de visualisatie. Achter de schermen berekent deze code proporties voor elke beoordeling en voor elke variabele die we hebben opgenomen. Vervolgens plotten we het likertobject (L1).

1L1<-likert(Attitude)
2plot(L1,
3     wrap=50,
4     centered=TRUE,
5     col=kleuren,
6     text.size=3,
7     ordered=TRUE) +
8  theme(strip.text       = element_text(size=10),
        text             = element_text(size = rel(4)),    
        legend.text      = element_text(size = 7),         
        plot.title       = element_text(size = 12),        
        axis.title.x     = element_blank(),                
        axis.text.x      = element_blank(),                
        panel.background = element_blank()) +                
  guides(fill=guide_legend("")) +                 
  ggtitle("Ik vind de uitspraak...")
1
Maak het likert-object
2
kies het likertobject om te visualiseren (L1)
3
de breedte van de levels in de plot (vooral handig als er vragen gevisualiseerd worden)
4
de neutrale keuze in het midden
5
de kleuren die we gemaakt hebben
6
tekstgrootte labels
7
geordend volgens percentages (helemaal) akkoord
8
verschillende esthetische aspecten.

Figure 5.13: Een visualisatie van de beoordeelde attitudeschalen met het likert package.

We voegen vervolgens het accent van de spreker als groeperende variabele toe zodat we de beoordelingen voor de twee accenten gemakkelijk kunnen vergelijken.

L2<-likert(Attitude, grouping = influencer$AccentSpreker)
plot(L2, 
     wrap=50, 
     centered=TRUE, 
     col=kleuren,  
     text.size=3, 
     ordered=TRUE) + 
  theme(strip.text       = element_text(size=10),
        text             = element_text(size = rel(4)), 
        legend.text      = element_text(size = 7),
        plot.title       = element_text(size = 12),
        axis.title.x     = element_blank(),
        axis.text.x      = element_blank(),
        panel.background = element_blank()) +
  guides(fill=guide_legend("")) + 
  ggtitle("Ik vind de uitspraak...")

Figure 5.14: Een visualisatie van de beoordeelde attitudeschalen volgens het accent van de spreker.

5.14 Formanten visualiseren

Sönning (2021) bevat een dataset met de eerste en tweede formant voor de TRAP en DRESS vocalen die gerealiseerd werden door Engelse moedertaalsprekers (zowel Amerikaans als Brits Engels). We laden de dataset en inspecteren de variabelen.

trap <- read.csv("trap_data_ns.csv", sep=";", stringsAsFactors=TRUE)
str(trap)
'data.frame':   286 obs. of  15 variables:
 $ subject: Factor w/ 26 levels "NS01","NS02",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ vowel  : Factor w/ 2 levels "{","e": 2 2 2 2 2 2 1 1 1 1 ...
 $ word   : Factor w/ 11 levels "bad","bed","cat",..: 7 2 4 11 9 8 1 5 3 10 ...
 $ dur    : int  154 170 154 104 60 99 272 232 128 140 ...
 $ voicing: Factor w/ 2 levels "v","vl": 1 1 2 2 2 2 1 1 2 2 ...
 $ variety: Factor w/ 2 levels "AmE","BrE": 2 2 2 2 2 2 2 2 2 2 ...
 $ age    : int  21 21 21 21 21 21 21 21 21 21 ...
 $ gender : Factor w/ 2 levels "f","m": 1 1 1 1 1 1 1 1 1 1 ...
 $ F1     : int  678 672 730 679 780 713 764 747 802 731 ...
 $ F2     : int  1738 1694 1688 1794 1722 1453 1392 1543 1692 1428 ...
 $ F1Bk   : num  6.36 6.32 6.75 6.37 7.1 ...
 $ F2Bk   : num  12.1 11.9 11.9 12.3 12 ...
 $ F1zBk  : num  0.777 0.737 1.121 0.784 1.439 ...
 $ F2zBk  : num  0.551 0.472 0.461 0.649 0.522 0.002 -0.128 0.185 0.468 -0.051 ...
 $ log_dur: num  5.04 5.14 5.04 4.64 4.09 ...

Op basis van het codeboek weten we dat de vocalen symbolisch worden weergegeven: “{” staat voor TRAP, “e” voor DRESS. We passen dit aan in de dataset om een mooiere visualisatie te kunnen maken.

levels(trap$vowel) <- c("TRAP", "DRESS")

We wensen de formanten voor beide vocalen (F1 en F2) te visualiseren. De vocalen werden geproduceerd door moedertaalsprekers en dus verwachten we dat DRESS hoger en meer vooraan zal worden gerealiseerd dan TRAP zoals geïllusteerd in Figure 5.15 (bron: (Roach 2004)).

Figure 5.15: De cardinale vocalen volgens Roach(2004)

Om formanten in een soort scatterplot te visualiseren gebruiken we de plotVowels() functie. We voegen daarbij de bivariate gemiddelden toe zodat we die kunnen vergelijken met Figure 5.15. Het phonR package (McCloy 2016) werd hier speciaal voor ontwikkeld.

Een vocalenkaart via phonR
  1. We kiezen trap als dataset. Door with() te gebruiken vermijden we in base-R het dollarteken.
  2. kies de eerste en tweede formant in de dataset
  3. kies de vowel variabele om te visualiseren
  4. de tokens zijn de punten op basis van F1 en F2
  5. we plotten de bivariate gemiddelden
  6. alpha zorgt voor doorzichtigheid (kies een waarde tussen 0 en 1)
  7. de gemiddelden worden weergegeven als de level namen (TRAP en DRESS)
  8. de grootte van de gemiddelden
  9. kleur per vocaal
  10. voeg een ellips toe rond de formanten van beide vocalen
  11. zorg voor een mooie plot

Uit de visualisatie van de formanten blijkt inderdaad dat DRESS hoger en meer vooraan werd gerealiseerd dan TRAP.

5.15 Samenvatting en vooruitblik

We hebben gezien dat we aan de hand van het ggplot2 package op vrij eenvoudige wijze schitterende visualisaties kunnen maken. Het moeilijkste aspect bij een datavisualisatie is meestal niet zozeer de visualisatie zelf, maar veeleer de voorafgaande “data wrangling”, het transformeren, filteren, hercoderen en selecteren van de data tot het juiste dataformaat gebruikt kan worden voor verdere visualisatie. Omdat ggplot2 deel uitmaakt van de tidyverse is de code vrij consistent. Dat betekent niet dat base-R plots overbodig worden. In feite kun je ook met base-R prachtige visualisatie maken, maar de codering is vaak ingewikkelder.

5.16 Verdere studie

5.16.1 Online bronnen voor R

Enkele uitstekende bronnen om verder aan de slag te gaan met datavisualisatie in R, vind je gemakkelijk online:

5.16.2 Experten in datavisualisatie

Datavisualisatie is een kunst en een kunde. Bekende namen zijn:

  1. De influencer dataset bevat een selectie van de dataset die werd geproduceerd door Flore Lombaert in het kader van haar masterproef (Lombaert 2021)↩︎