Editando temas.

Fivethirtyeigh

Calc

Wsj

Stata

Solarized

Gráficos tema excel new. Se agrega una capa scale_color para colorear el gráfico.

Gráficos como el periódico Economist. Se agrega una capa scale_color para colorear el gráfico.

Temas básicos de ggplot2. Agregamos tema minimalista al gráfico p1, theme_minimal().

Temas básicos de ggplot2. Agregamos capa al gráfico p1, theme_bm().

Gráfica de puntos. Base para las modificaciones.

Edición del grafo.

Cambiando color de barras histograma. Al objeto g4 se añade capa scale_fill. El rellenado será gradiente. Los montos bajos estarán en color azul. Los montos altos estarán en color rojo.

Haciendo boxplot en población. Crear objeto g4. Se ocupan datos de g3. Añadimos un fill de conteo.

Al objeto g3 se le agregará una capa scale_color. Será gradiente 2 en el que el punto medio será 16. Los montos bajos serán en color azul. Los montos entermedios serán en color blanco. Los montos altos serán en color rojo #Se añade un espacio denominado Lab.

Cambiando el color de los puntos según gradiente. Al objeto g3 se le agregará una capa scale_color. Será gradiente en el que el monto bajo será en azul. El monto alto será en rojo.

Gráfica de puntos por población. Generar objeto g3. Elementos estéticos X y Y. En las X el ingreso percápita. En las Y la expecttiva de vida. La gráfica de puntos estará coloreada dada la población en forma logarítmica.

Editar color

Cambiando escala de grises el objeto g2.

Cambiando escala de grises el objeto g1.

Cambiando escala de color al objeto g2. Selecionamos el objeto g2 y el llenado es con scale_fill_brewer(palette = "Paired").

Cambiando escala de color. Objeto g1, scale_color_brewer(palette = "BrBg").

Paleta de color predefinida RColorBrewer.

Cambiando el color de los continentes del gráfico g2. Se llama al objeto g2. Se agrega capa completa scale_fill. Selección manual. Se llenan los valores en diversos colores.

Cambiando el color de los continentes del gráfico g1. Se llama al objeto g1. Se agrega capa scale_color. Selección manual. Se llenan los valores en diversos colores.

Gráfica boxplot en continentes.

Escala discreta. Gráfica de puntos por continente.

Manipular leyendas.

Se añade capa al objeto p. La ubicacion está en la coordenada 0.8 (a la derecha de la X).

Se añade capa al objeto p. La ubicacion está en la coordenada 0.5.

Cambiar la leyenda de posición. Opciones: # rigth, left, bottom, top.

Al objeto p se le quita toda la leyenda junto con los continentes enlistados.

Al objeto p se le añade capa para quitar título.

Gráfica de la variable p.

Boxplot

Cambiando color de cajas. Los datos se extraen de gapminder2007. Se mapean agregando elementos estéticos. El eje de las X estará dado por los continentes. El eje de las Y estará dado por la expectativa de vida. Se agrega capa de geometría (tipo de gráfico). El llenado será con respecto a los continentes.

Marcando datos atipicos y observaciones. Los datos se extraen de gapminder2007. Se mapean agregando elementos estéticos. El eje de las X estará dado por los continentes. El eje de las Y estará dado por la expectativa de vida. Se agrega capa de geometría (tipo de gráfico). Se agrega otra capa que muestre las observaciones de cada continente. Se agrega sombre de tamaño 16. La posición que sea de 0.2.

Marcando datos atipicos (vertical). Utilizando gráfica anterior, agregar capa coord_flip para colocarlo en vertical.

Marcando datos atípicos. Del gráfico anterior se añaden elementos. Resaltar outlier de color rojo. Sombreado (shape) de 8 y tamaño 4.

Boxplot diversas variables ggplot2. Los datos se extraen de gapminder2007. Se mapean agregando elementos estéticos. El eje de las X estará dado por los continentes. El eje de las Y estará dado por la expectativa de vida. Se agrega capa de geometría (tipo de gráfico).

Boxplot en ggplot2. Los datos se extraen de gapminder2007. Se mapean agregando elementos estéticos. El eje de las Y estará dado por la expectativa de vida. Se agrega capa de geometría (tipo de gráfico).

Histograma

Añadiendo un llenado que dependa del factor continentes (fill).

Histograma en ggplot2 con 9 intervalos (bins). Reduciendo ggplot anterior a nueve intervalos.

Histograma en ggplot2. Función ggplot tomando los datos de gapminder2007. Se mapea gráfico con elemento estético. El eje de las X estará dado por la expectativa de vida. Se agrega capa para identificar el tipo de gráfico: geom_histogram.

Gráfica de barras

Llena 100% + percent barchart. Del objeto p agregamos una capa: geom_bar. Es una gráfica fill (del 100%) con base en la expectativa de vida. Con relación al conteo de los países en los continentes que revelan nivel alto, medio y poca de lifeExp.

Dodge bar chart (separada). Del objeto p agregamos una capa: geom_bar. Es una gráfica separada con base en la expectativa de vida. Con relación al conteo de los países en los continentes que revelan nivel alto, medio y poca de lifeExp.

Stacked bar chart (apilada). Del objeto p agregamos una capa: geom_bar. Es una gráfica apilada con base en la expectativa de vida. Con relación al conteo de los países en los continentes que revelan nivel alto, medio y poca de expectativa de vida.

Se extraen datos de gapminder2007. La gráfica tendrá diversos elementos estéticos: variable X será un factor de conteo de cuántos países incluye cada continente. El gráfico será de barras en vertical.

Se extraen datos de gapminder2007. La gráfica tendrá diversos elementos estéticos: variable X será un factor de conteo de cuántos países incluye cada continente. El gráfico será de barras.

Gráfica de lineas

Gráfica de líneas. Se extrae de gapminder_hisp. Graficando con un elemento estético. La variable X será igual a year. La viariable Y será igual a lifeExp. Se colorean los diferentes países.

Línea punteada rojo y agragando flecha tamaño 2. Se combinará con gráfico de puntos en tamaño 3.

Graficando con un elemento estético. La variable X será igual a year. La viariable Y será igual a lifeExp. La gráfica será de líneas punteadas y de color rojo.

Graficando con un elemento estético. La variable X será igual a year. La viariable Y será igual a lifeExp. La gráfica será de líneas

Gráfico de puntos

Tipo de gráfica de puntos. El color por continente, la forma dada por el continente. Líneas de regresión hasta el final del gráfico con se y fullrange ggplot(data=gapminder2007).

Gráfica de puntos: el color por continente, la forma dada por el continente, líneas de regresión mediante el Método lineal.

Gráfica de puntos: el color por continente, la forma dada por el continente y el tamaño de los puntos dependiendo de la población. Geometría de texto: etiqueta que proviene de gapminder2007, definido por country en color negro y de tamaño 3

Gráfica de puntos: el color por continente, la forma dada por el continente y el tamaño de los puntos dependiendo de la población.

Gráfico de puntos con color por continente.

Gráfico de puntos

LBa Hoover curve. Esta función traza una curva de Hoover a partir de regiones.

Práctica tomada del blog "A tale of two heatmap functions". https://divingintogeneticsandgenomics.rbind.io/post/a-tale-of-two-heatmap-functions/

Escala y uso de 1- cor(x) como distancia.

Usando 1- cor(x) como distancia y no escalar. Usar la escala en la función heatmap.2 para representar los colores.

1- cor(x) como distancia y no escala.

Datos escalados explícitamente primero y uso de la distancia euclidiana.

Funciones de heatmap en R: primero se agrupa y luego usa el argumento de escala (si está configurado) para representar los datos.

Cambio de color de heatmap.

Heatmap con la escala en los renglones.

Sí, l1 y h2 están agrupados juntos; l1 y h1 agrupados juntos, pero debido a que el rango de valores es diferente, l1 y l2 son verdes (valores pequeños); h1 y h2 son rojos (valores grandes).

Escalar los datos antes o después puede afectar el aspecto de los heatmaps.

h1 y l1 están agrupados juntos; l2 y h2 están agrupados juntos.

La agrupación no cambia, pero si el color. l1 y l2 son todos verdes ahora (valores pequeños).

Vemos que h1 y h2 se agrupan, mientras que l1 l2 se agrupan juntos. Dentro de la función de heatmap, la medida de distancia predeterminada es la misma que la predeterminada de dist, el método de vinculación es el mismo que hclust.

La medida de distancia predeterminada es la distancia euclidiana. Es posible ver que h1 y h2 están más cerca (28.284271), l1 y l2 están más cerca. Esto simplemente porque se define la distancia euclidiana.

Cuatro genes (l1, l2, h1, h2) que se miden en 8 puntos de tiempo. La escala de los niveles de expresión de estos cuatro genes es diferente: con h1 y h2 son altos, y l1 l2 son bajos.

Mapa de calor

Para conocer los valores de los colores altos y bajos.

Mapa de calor con prinicipal atención en las columnas, omitiendo el dendrograma del eje de las X. Utilizando paleta de color rainbow.

Mapa de calor con prinicipal atención en las columnas, omitiendo el dendrograma del eje de las X. Utilizando paleta de color viridis, opción magma.

Mapa de calor con prinicipal atención en las columnas, omitiendo el dendrograma del eje de las X. Utilizando paleta de color viridis, opción viridis.

Mapa de calor con prinicipal atención en las columnas, omitiendo el dendrograma del eje de las X.

Mapa de calor con prinicipal atención en las columnas y paleta de color en tono colores_blue.

Mapa de calor con prinicipal atención en las columnas.

Mapa de calor de mtcars_matrix

Mapa de calor

Mapa de calor de la correlación de datos de genes del subconjunto.

Mapa de calor de la correlación de datos de pacientes del subconjunto.

Mapa de calor de un subconjunto de la matriz original (sin dendrograma en ninguno de los ejes) con los valores de manifestación de cada gen en cada paciente, seis facetas diferentes y con cambios estéticos: paleta de color de viridis "viridis".

Mapa de calor de un subconjunto de la matriz original (sin dendrograma en ninguno de los ejes) con los valores de manifestación de cada gen en cada paciente, seis facetas diferentes y con cambios estéticos: paleta de color de viridis "magma".

Mapa de calor de un subconjunto de la matriz original (sin dendrograma en ninguno de los ejes) con los valores de manifestación de cada gen en cada paciente, seis facetas diferentes y con cambios estéticos: paleta de color de viridis "plasma".

Mapa de calor de un subconjunto de la matriz original (sin dendrograma en ninguno de los ejes) con los valores de manifestación de cada gen en cada paciente.

Mapa de calor de un subconjunto de la matriz original (sin dendrograma en ninguno de los ejes, con la anotación de tipo de paciente y exposición y título).

Mapa de calor sin dendrograma en ninguno de los ejes, con la anotación de tipo de paciente y exposición y título.

Mapa de calor con dendrograma en ambos ejes y con la anotación de tipo de paciente y exposición.

Mapa de calor con dendrogamas en ambos ejes y con los diferentes tipos de genes (Pathway) iluminados de verde.

Mapa de calor con dendrograma en ambos ejes.

Mapa de calor sin dendrograma en el eje de las Y.

Mapa de calor sin dendrograma en el eje de las X.

Mapa de calor con tamaño de fuente 6.

Mapa de calor

API de DataMéxico en R para tema de investigación

API de DataMéxico en R

Gráfica del VABCOEL en mdp

Merge (fundir tablas)

Uso de herramienta dplyr.

Valores faltantes.

Datos ordenados tabla3. Función separar y unir.

Datos ordenados tabla2_PIVOTANTE. Pivotear a lo ancho.

Datos ordenados tabla4a_PIVOTANTE

Cuaderno Markdown del Lab-20.

Cuaderno Markdown del Lab-16.

Cuaderno Markdown del Lab-13.

Cuaderno Markdown del Lab-12.

Cuaderno Markdown del Lab-11.

Cuaderno Markdown del Lab-10.

Cuaderno Markdown del Lab-9.

Cuaderno Markdown del Lab-8.

Cuaderno Markdown del Lab-7.

Cuaderno Markdown del Lab-5.

Cuaderno Notebook del Lab-1

Cuaderno Markdown del Lab-1

Faceting en R. Índice de Complejidad del Producto (IPC) y Densidad por regiones. Facewrap manipulando el número de renglones (en este caso, 3).

Faceting en R. Índice de Complejidad del Producto (IPC) y Densidad por regiones. Facewrap recomendado para una sola variable.

Faceting en R. Índice de Complejidad del Producto (IPC) y Densidad por regiones. Facewrap manipulando el número de columnas (en este caso, 5). Lectura: Guerrero está al filo de no presentar alta densidad en productos verdes.

Gráfico que busca la estructura/layout más adecuada para la matriz, dependiendo los datos.

Objeto gráfico g. Red no dirigida (es bidireccional).

Conjunto de gráficos dentro de una sola cuadrícula en dos renglones (para una mayor estética).

Conjunto de gráficos dentro de una sola cuadrícula.

Mapa de calor de las correlaciones.

Gráfico de correlación en panel.

Gráficos de correlación (dispersión).

Relación entre el Producto Interno Bruto por Estado (LPIBE) y el Índice de Complejidad Verde GCI.

Relación entre el ranking del Índice de Complejidad Económica (ICE) y el ranking del Índice de Complejidad Verde (GCI).

Relación entre el Índice de Complejidad Económica (ICE) y el Índice de Complejidad Verde (GCI).

Matriz de proximidades negativa con MST

Matriz de proximidades natural

Objetivo: Estimar el relacionamiento (relatedness, proximidad, métrica de distancia entre productos)

Espacio-producto Input: el relacionamiento calculado anteriormente con la regla binaria de manera no dirigida