Gráficos

Para obtener datos sobre fútbol de distintos proveedores disponemos de la librería de rstats worldfootballR; está disponible en CRAN. Con ella podremos extraer datos de: Fotmob FBRef Transfermarkt FBRef Understat Por supuesto, lo primero que tenéis que hacer es navegar por esas webs y pensar en cómo haríais el scraping; de ese modo entenderéis mejor cómo van a trabajar las funciones que tiene este paquete. Al estar en CRAN, no vamos a empezar por instalar, así que directamente vamos a obtener los partidos de la Liga con un rango de fechas. ...

La librería de #rstats ggsoccer permite representar campos de fútbol con un código bastante sencillo. A continuación, se plantean una serie de ejemplos para empezar a ilustrar su uso y quiero que me dé pie a escribir sobre la función de densidad de una variable; pero empezamos por el principio: instalar el paquete y empezar a usarlo. # install.packages("remotes") # remotes::install_github("torvaney/ggsoccer") library(tidyverse) library(ggsoccer) # Lo pintamos en el campo ggplot() + annotate_pitch() + ggtitle("Campo sin nada") + theme_pitch() El código habla por sí solo: muy sencillo, a ggplot() añadimos annotate_pitch() y theme_pitch(). Ahora sería necesario añadir información a este terreno de juego y, para ello, recuperamos una entrada anterior donde podíamos disponer de datos de eventing de Statsbomb que nos van a permitir pintar mapas de calor o heatmaps si nos molamos. ...

Vamos a crear un gráfico con rstats que recoja los resultados de La Liga equipo a equipo para poder estudiar rachas e “intuir” cómo puede ser la segunda vuelta. Además, este ejercicio es un buen uso del paquete worldfootballR y la función de ggplot2 geom_tile; además me va a servir para animarme esta segunda vuelta para que el Espanyol no sufra. La web que vamos a emplear para el trabajo es FBRef. Empezamos. ...

Además del manejo de datos, es necesario tener conocimientos de representación de datos. En este trabajo se va a emplear la librería de R ggplot2 y se trabajarán las representaciones gráficas básicas que ha de manejar un científico de datos. Se pueden explorar las múltiples posibilidades que ofrece esta librería en la web Statistical tools for high-throughput data analysis, que dispone de un gran número de recursos para R entre los que destaca el uso del paquete ggplot2. ...

No es la primera vez que traigo al blog la realización de polígonos de Voronoi, pero hoy la entrada está más orientada a la representación gráfica con #rstats y ggplot2. En este caso, deseamos crear polígonos de Voronoi en función del centro geográfico de las provincias españolas. Origen de los datos El pasado 25 de noviembre, el Grupo de Usuarios de R de Madrid trajo la presentación de @dieghernan sobre la creación de mapas con la librería mapSpain, que permite crear mapas de España a distintos niveles, entre ellos mapas a nivel provincial mediante un código en R que no puede ser más sencillo: ...

Entrada en la que os mostraré cómo hacer un mapa con Leaflet en R que además añadimos a un Shiny para poder filtrar datos de forma interactiva. Ya mostramos en el blog cómo crear mapas marcando coordenadas con Leaflet y R de forma muy sencilla y hoy damos una vuelta de tuerca a aquella entrada: las coordenadas que deseamos representar tienen, además, algún factor por el que hay especial interés en realizar un filtrado del mapa. Para ilustrar el ejemplo nos vamos a ir al Centro de descargas del Centro Nacional de Información Geográfica y nos bajamos del servidor los datos municipales, en concreto a Nomenclátor Geográfico de Municipios y Entidades de Población; descargamos el archivo y tenemos un ZIP que contiene un CSV llamado MUNICIPIOS.CSV. ...

De forma análoga a otras entradas sobre análisis gráficos básicos, empezamos a trabajar con las posibilidades gráficas de Julia. A continuación, se recogerán el 80% de los gráficos que un científico de datos realizará en su vida profesional; el 20% restante se abordará en otras entradas. Emplearemos el conjunto de datos penguins para ilustrar los ejemplos: using CSV using DataFrames using HTTP url = "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv" res = HTTP.get(url) penguins = DataFrame(CSV.File(res.body)) using Pkg Pkg.add("Plots") Pkg.add("StatsPlots") Descripción univariable Variables cuantitativas Histogramas con Julia: ...

Revisión de los gráficos más habituales que realizaremos en labores descriptivas de variables con Python; se emplea Seaborn para ilustrar estos ejemplos. El tipo de gráfico dependerá del tipo de variable que deseamos describir e incluso del número de variables que deseamos describir. Como aproximación inicial, describiremos variables cuantitativas o variables cualitativas, análisis univariables o análisis bivariables. Se trabaja con el conjunto de datos iris: import seaborn as sns import pandas as pd import numpy as np import io import requests url = 'https://raw.githubusercontent.com/uiuc-cse/data-fa14/gh-pages/data/iris.csv' s = requests.get(url).content df = pd.read_csv(io.StringIO(s.decode('utf-8'))) df.head() Análisis univariables Variables cuantitativas Cuando describimos variables cuantitativas, lo principal es conocer su forma, sobre qué valores se hallan los datos y cómo son de dispersos; para ello, el gráfico estrella es el histograma: ...

Las animaciones con Python que mostramos hoy, al final, son animaciones con ImageMagick, pero esta entrada es un ejemplo de cómo podemos usar Python para la creación de gráficos que posteriormente generarán esa animación con las instrucciones concretas de ImageMagick (que tiene que estar instalado). La idea es realizar un mapa animado con el porcentaje de vacunas de COVID administradas. Obtención de datos Los datos los descargamos directamente del GitHub de datadista. ...

Se ha trabajado un mapa de España con ggplot2 al que podemos añadir subplots en función de unas coordenadas; en este caso, es un mapa de España que incluye gráficos de líneas para cada Comunidad Autónoma. Vamos a representar el exceso de mortalidad que está suponiendo la pandemia por COVID, un dato que se puede seguir con MoMo del ISCIII. Los que seguís el blog ya conocéis una entrada en la que se escribió sobre la inclusión de pie charts en mapas con R; esta entrada supone ir un paso más allá. ...