Data Science

Visualization: Pie Chart

Séance Précendente

• Bar Plot :
•   une variable continue et une variable categorielle
•   Comparer des entités avec peu de points
• Code :
•   ggplot()+geom_bar(DATA,aes(X,Y)) (Normal)
•   hchart(DATA,'column',hcaes(X,Y)) (Interactif)

Type de graphiques

Pie Chart

Code Pie Chart

library(ggplot)
ggplot(data= YOUR_DATASET, aes(x= "", y= Y_AXIS_VAR, fill= GROUP_VAR)+
  
  geom_bar(stat="identity", 
           color="white") + # Optional
  coord_polar("y", start = 0) +

  ggtitle("YOUR TITLE") + # The Graph title
  
  theme_void() +      # Optional
  theme(plot.title = element_text(size = 15,  hjust = 0.5), # Optional
        panel.grid.minor = element_blank(), # Optional
        panel.grid.major.x = element_blank() # Optional
        ) 

Instructions

• Lire le fichier ab_nyc2019.csv
• Aperçu du dataset (Voir ?skim)
• Enlever les lignes non désirables
• Format adéquate pour faire un graphe
• Faire un graphe représentant la répartition du nombre de biens par quartier
• Pimp your graph

Solution Proposée

library(tidyverse)
library(skimr)

location <- read_csv('/data/session6/ab_nyc2019.csv')

location %>% 
  skim 

count_loc <- sub_loc %>% 
  group_by(neighbourhood_group) %>% 
  summarise(n_appart=n()) %>% 
  ungroup() %>% 
  arrange(desc(neighbourhood_group)) %>% 
  mutate(pct = round(100*n_appart/sum(n_appart),1),
         pct_label = cumsum(pct) - 0.5*pct,
         n_label = ifelse(n_appart>4000, format(n_appart, digits=9, big.mark=" ", small.interval=3),""),
         nb_pct = paste0(neighbourhood_group, " (",pct,"%)"))
  
pie1 <- ggplot(count_loc, aes(x="", y=pct, fill=nb_pct)) +
  geom_bar(stat = "identity", color = "white") +
  coord_polar("y", start = 0) +
  labs(fill="Quartiers",
       title = "Répartition du nombre de location/ndisponible par quartier en 2019") +
  geom_text(aes( y = pct_label, label = n_label), color = "white") +
  theme_void() +
  theme(plot.title = element_text(size = 10, face = "bold", hjust = 4),
        panel.grid.minor.x = element_blank(),
        panel.grid.major.x = element_blank()) 

Rendu Visuel

Graphique Interactif

Rendu Visuel

Code

sub_loc <- sub_loc %>%
  mutate(neighbourhood_group=ifelse(neighbourhood_group %in% c("St. George", "Staten Island",
                                                               "Bronx"), "Autres*", neighbourhood_group))
count_loc <- sub_loc %>% 
  group_by(neighbourhood_group) %>% 
  summarise(n_appart=n()) %>% 
  ungroup() %>% 
  arrange(desc(neighbourhood_group)) %>% 
  mutate(pct = round(100*n_appart/sum(n_appart),0),
         pct_label = cumsum(pct) - 0.5*pct,
         n_label = ifelse(n_appart>4000, format(n_appart, digits=9, 
                                         big.mark=" ", small.interval=3),""),
         nb_pct = paste0(neighbourhood_group, " (",pct,"%)"))

hchart(count_loc, "pie", hcaes(x=neighbourhood_group,  y = n_appart)) %>% 
  hc_tooltip(pointFormat = "nbre de biens: <b>{point.y}</b>") %>% 
  hc_title( text="Répartition du nombre de location<br>
            disponible par quartier en 2019") %>%
  hc_credits(
    enabled = TRUE, text = "Source: Kaggle",
    href = "https://www.kaggle.com/dgomonov/new-york-city-airbnb-open-data",
    style = list(fontSize = "12px")) %>% 
hc_caption(
  text = "*Comprend les quartiers du Bronx, St. George et Staten Island ",
  align = "right") %>% 
  hc_plotOptions(pie =list(dataLabels = list(enabled = TRUE,
      format="{point.neighbourhood_group}: {point.percentage:.2f} %"))) 

Instructions

• Effectuer un graph interactif
• Pimp your graph

Récapitulatif

• Pie Chart :
•   une variable continue et une variable categorielle
•   Répartition d’une variable
• Code :
•   ggplot()+geom_bar(DATA,aes(X,Y))+
  coord_polar("y", start = 0) (Normal)
•   hchart(DATA,'pie',hcaes(X,Y)) (Interactif)

Merci pour votre attention

Questions?

Contact

Kevin Rosamont Prombo