4

Comparar automáticamente todas las variables categóricas de un dataframe en R es muy importante. Para simplificar el problema por favor asuma que todas las variables del dataframe son categóricas.

Como ejemplo crearé un dataframe que llamaremos df_categorical y está formado por las variables categóricas Sex, Pclass, y Survived del conjunto de datos Titanic.

Para atacar este problema, he leído que muchos autores, como por ejemplo Paul Murrell en su libro R Graphics, consideran que un mosaic plot sería lo más adecuado.

library(titanic)
library(tidyverse)
data(titanic_train)
str(titanic_train)
df_categorical <- titanic_train %>% 
  mutate(Survived = factor(Survived), Pclass = factor(Pclass), Sex = factor(Sex)) %>%
  select(Survived, Pclass, Sex)
str(df_categorical)
library(vcd)
pairs(structable(df_categorical))  

Mosaic Plot library(vcd)

Sin embargo, preferiría porcentajes en lugar de totales. También desearía colores.

Puedo obtenerlo manualmente usando cada posible subconjunto con la librería plotluck de Stefan Schroedl @stefan.schroedl. Sin embargo, me interesa una solución automática para cualquier dataframe que tenga solamente variables categóricas. Este plot si tiene porcentajes. Sin embargo, tengo q usar los nombres de las variables. Algo que no quiero hacer :(:(:( Podrían por favor ayudarme? De antemano, muchas gracias!

install.packages('devtools')
library(devtools)
devtools::install_github("stefan-schroedl/plotluck")
library(plotluck)
plotluck(df_categorical, Survived~Pclass)

Plotluck Stefan Schroedl

Otra posibilidad que he estado pensando es encontrar los subsets de 2 elementos y graficar esos plots, uno después de otro-es decir individualmente, usando plotluck. Por ejemplo si el dataframe tiene 3 variables: {1,2},{1,3}, {2,3}. Dataframe de 4 variables: {1,2}, {1,3}, {1,4}, {2,3}, {2,4}. Y así sucesivamente.

Sin embargo, para 5 variables son 10 subsets. Para 6 variables, 15 subsets. Etc. Parece algo imposible, pero es lo que se logra con

library(vcd)
pairs(structable(df_categorical)) 

Número de Subsets de 2 elementos

1 respuesta 1

1
+50

Ya que estás usando el paquete vcd, deberías aprovechar la función mosaic() que justamente grafica las tablas de contingencia como la que has construido, pairs() en realidad está orientada a comparar nubes de puntos.

# Creamos una tabla de contingencia 
# Es más cómodo así (en vez de usar structable) a la hora de armar los porcentajes
tabla <- table(df_categorical)
# Creamos la tabla de porcentajes
porcentajes <- prop.table(tabla)
porcentajes[] <- sprintf("%.1f%%",round(porcentajes*100, 3))

# Dibujamos el mosico    
mosaic(tabla, shade = TRUE, pop = FALSE)
# Etiquetamos con el porcentaje, cada celda
labeling_cells(text = porcentajes, margin = 0)(tabla)

Resultado:

introducir la descripción de la imagen aquí

El criterio de "coloreado" en este caso es automático y determinado por una medida estadística, puedes ver más documentación sobre esto en las viñetas del paquete. De todas formas, puedes reconfigurar los colores de manera arbitraria:

color <- c("#f48f8b","#52c7cb")
mosaic(tabla, gp = gpar(fill = color),  pop = FALSE)
labeling_cells(text = porcentajes, margin = 0)(tabla)

Resultado:

introducir la descripción de la imagen aquí

4
  • 1
    Muchísimas gracias! Excelente respuesta!
    – Beginner
    Commented el 8 ago. 2022 a las 17:36
  • Una pregunta. Esta opción solamente funcionará para 3 variables, correcto? Q pasaría con 4 variables o más?
    – Beginner
    Commented el 8 ago. 2022 a las 22:43
  • 1
    Hola @Beginner, funciona perfectamente para más variables, seguramente a medida que aumentes estas, la "legibilidad" del gráfico se complique. Commented el 9 ago. 2022 a las 11:43
  • Genial! Nuevamente gracias por la respuesta!
    – Beginner
    Commented el 9 ago. 2022 a las 19:13

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.