Dans ce document est présenté un certain nombre de commandes concernant des packages R utiles pour la visualisation de données. Voici comment les charger :
library(tidyverse)
library(scales)
library(leaflet)
library(ggmap)
library(geojsonio)
library(maps)
Le but de la visualisation de données étant de représenter graphiquement des données brutes (ou quasi-brutes), il est souvent nécessaire de prendre en compte plusieurs variables. Nous devons donc aller plus loin que les graphiques de base (nuage de points, ligne, boîte à moustache, diagramme en barres ou circulaires, …), pour les combiner par exemple.
Avec le langage de base (package graphics
notamment), il est possible de faire des graphiques évolués, mais avec beaucoup de paramétrages à la main.
Voici ici un exemple de graphique avancé, représentant 4 variables (trois quantitatives et une qualitative), ainsi qu’une explication succincte des différentes fonctions utilisées, et quelques paramètres de celles-ci.
library(RColorBrewer)
par(family = "serif", mar = c(5, 4, 2, 0)+.1)
couleurs_am = brewer.pal(3, "Dark2")
plot(mpg ~ hp,
data = mtcars,
pch = 19,
cex = wt/3,
col = couleurs_am[mtcars$am+1],
main = "Consommation et autres",
sub = "Source : 1974 Motor Trend US magazine", font.sub = 3, cex.sub = .8,
xlab = "Puissance (en ch)",
ylab = "Consommation en Miles/Galon",
bty = "n", axes = FALSE)
axis(1, lwd = 0, lwd.ticks = .5)
at.y = axis(2, lwd = 0, lwd.ticks = .5, labels = FALSE)
text(y = at.y, x = 35, labels = at.y, srt = 0, pos = 2, xpd = TRUE)
l1 = legend("topright", legend = c("Automatique", "Manuelle"),
col = couleurs_am, bty = "n", cex = .8, pch = 19,
text.width = 50, text.col = couleurs_am,
title = "Boîte de vitesse", title.col = "black")
legend(l1$rect$left, l1$rect$top-l1$rect$h-1,
legend = range(mtcars$wt), title = "Poids (1000 lbs)",
pch = 19, pt.cex = range(mtcars$wt)/3, bty = "n", cex = .8, col = gray(.5),
text.width = 50, adj = -.25)
outliers_hp = subset(mtcars, subset = hp > 250)
text(outliers_hp$hp, outliers_hp$mpg, row.names(outliers_hp), pos = c(3, 2), cex = .8, font = 4)
outliers_mpg = subset(mtcars, subset = mpg > 30)
text(outliers_mpg$hp, outliers_mpg$mpg, row.names(outliers_mpg), pos = 4, cex = .8, font = 4)
par()
permet de modifier les paramètres graphiques, tel que :
mar
pour les margesfamily
pour la famille de police d’écriturepar()
, ou localement dans les fonctions suivantesplot()
pch
: symbole utilisé pour chaque point (ici 19
indique un rond plein)cex
: taille du point (ici en fonction de la variable wt
)col
: couleur des points (ici en fonction de la variable am
)main
, sub
, xlab
, ylab
: resp. titre, sous-titre, intitulé en abscisse et intitulé en ordonnée*.sub
: indication spécifique pour le sous-titrebty
: type de la boîte (ici n
veut dire rien autour du graphique)axes
: présence ou non des axes (non ici)axis()
qui permet d’ajouter un axe (1
: en abscisse, et 2
: en ordonnée)
at
, utilisation des ticks
par défautlwd
: largeur de la ligne (ici non-présente)lwd.ticks
: largeur des ticks (asse fine ici)text()
permet d’écrire du texte sur le graphique
x = 35
est choisi par expériencesrt
: angle du textepos
: ajustement du texte par rapport aux coordonnées indiquéesxpd
: permet d’écrire en dehors du graphique (dans les marges donc)legend()
permet d’ajouter une légende
legend
: texte des itemscol
, bty
, cex
, pch
: identique à précédemmenttext.width
et text.col
: largeur du texte des items et couleur(s)title
et title.col
: titre de la légende (et couleur du titre)rect
qui contient des infos sur le rectangle occupé par la légende dans le graphique et text
qui contient les coordonnées du texte des items)pt.cex
: taille des symbolesadj
: ajustement du texteggplot2
Ce package reproduit la grammaire des graphiques (cf Grammar of Graphics, Leland Wilkinson), avec le même formalisme. Vous pouvez trouver plus d’informations sur le site officiel et la documentation. Finalement, cet article permet de bien comprendre la philosophie du package et de la grammaire.
Le principe de cette grammaire est qu’un graphique est composé de couches :
Dans cette librairie, il y a deux fonctions principales :
qplot
(ou quickplot
) permettant de faire des graphiques rapidementggplot
permettant d’initialiser un graphique auquel on va ajouter des couches successivementDans ce TP, nous n’aborderons que la deuxième fonction, plus complète.
ggplot()
La fonction ggplot()
permet de faire plus de choses que qplot()
mais nécessite un formalisme plus lourd, dont voici quelques détails :
ggplot()
créé un graphique (et le renvoie, i.e. on peut stocker un graphique dans une variable pour l’afficher plus tard, éventuellement en lui ajoutant des couches)aes()
permet de définir les aspects esthétiques (x
et y
principalement, mais aussi color
, fill
, size
, …)geom_xxx()
indique la représentation à choisir (xxx
étant remplacé par histogram
, boxplot
, …)stat_xxx()
indique les transformations statistiques à utiliser, si besoinscale_xxx()
s’emploie pour des changements d’échellecoord_xxx()
s’utilise pour des modifications de systèmes de coordonnéesfacet_xxx()
découpe les données (et donc le graphique) en plusieurs facettes selon les variables fournie dans la formuletheme_xxx()
, labs()
, xlab()
, ylab()
, ggtitle()
, … pour des améliorations du graphique (annotation, couleurs, …)Hormis la fonction aes()
, qui s’utilise à l’intérieur des autres, toutes ces fonctions peuvent s’additionner pour compléter le graphique.
Le fonctionnement de la fonction ggplot()
est donc particulier, mais une fois compris, il est facile de créer chaque graphique statistique que l’on souhaite.
Dans la suite est présentée l’utilisation de différentes fonctions à travers des exemples concrets, afin de comprendre la philosophie de cette grammaire des graphiques.
Par exemple, pour décrire une variable continue par un histogramme, nous pouvons utiliser le code suivant (nous utilisons les données diamonds
du package ggplot2
) :
ggplot(data = diamonds, aes(x = carat)) +
geom_histogram()
Le premier paramètre de la fonction ggplot()
est donc le dataframe sur lequel faire le graphique (ici diamonds
). La fonction aes()
permet de définir les aspects esthétiques (ici la variable carat
). Cette fonction définit les paramètres globaux du graphiques. Ensuite, nous appliquons une transformation géométrique, en calculant donc un histogramme (avec 30 intervalles par défaut), grâce à la fonction geom_histogram()
.
Un des gros intérêt de la fonction ggplot()
est le stockage du résultat dans une variable. Pour l’afficher, on peut soit appeler la variable, soit utiliser la fonction print()
explicitement (voir ci-dessous).
g = ggplot(data = diamonds, aes(x = carat)) +
geom_histogram()
g # ou print(g)
L’intérêt sera de pouvoir créer des graphiques et les stocker dans un fichier RData
, pour les afficher plus tard et/ou les modifier.
On peut améliorer le graphique de différentes manières. Tout d’abord, il existe différents thèmes généraux (cf ?theme_grey
- ou un autre - pour voir la liste). Voici le thème classic
et le thème light
:
g + theme_classic()
g + theme_light()
Une autre personnalisation courante est la redéfinition des labels des axes (et des légendes, comme nous le verrons plus tard), qui peut être faite avec la fonction labs()
.
g + labs(x = "label en x", y = "label en y")
Il existe beaucoup d’autres possibilités, avec la fonction theme()
(pas d’exemple ici car complexe).
L’avantage de cette grammaire est de définir les paramètres du graphiques en fonction des variables. Ceci est assez évident pour les coordonnées \(x\) ou \(y\), mais il est aussi possible de définir la couleur, la forme, la taille, … en fonction de variables.
Ci-dessous, nous créons un diagramme en barres (avec geom_bar()
) sur une constante (x = ""
). Cela a pour le moment peut d’intérêt, sauf à montrer qu’il y a plus 50000 diamants dans le jeu de données.
ggplot(diamonds, aes(x = "")) +
geom_bar()
Dans le dataframe diamonds
, nous disposons de la variable qualitative cut
. Dans la suite, nous définissons une couleur en fonction de celle-ci (avec le paramètre esthétique fill
). Ceci nous permet d’avoir un diagramme en barres empilées.
ggplot(diamonds, aes(x = "", fill = cut)) +
geom_bar()
..xxx..
)Dans le diagramme ci-dessous est présenté le dénombrement de chaque modalité de la variable. Ceci peut ne pas être particulièrement parlant, on peut préférer vouloir avoir des proportions (valeurs entre 0 et 1). C’est une bonne occasion pour utiliser les variables spécifiques créées par les fonctions de type geom_xxx()
, qui sont de type ..xxx..
. Ici, geom_bar()
créée la variable ..count..
qui représente le nombre de lignes pour chaque modalité. Donc, en redéfinissant les coordonnées \(y\) avec le calcul \(\frac{..count..}{\sum ..count..}\), nous réajustons les valeurs entre 0 et 1 (le graphique reste bien évidemment le même finalement).
ggplot(diamonds, aes(x = "", fill = cut)) +
geom_bar(aes(y = ..count../sum(..count..)))
Maintenant que nous avons des valeurs entre 0 et 1, il peut être intéressant de les passer à des valeurs en pourcentage (entre 0 et 100 donc, et avec le sigle %
). C’est possible avec ce qu’on va appeler un changement d’échelle, réalisable avec les fonctions de type scale_xxx_yyy()
(ou le xxx
représente l’aspect esthétique à modifier et yyy
le type de cet aspect). Dans notre cas, nous allons utiliser la fonction percent()
du package scales
pour afficher donc des valeurs en pourcentage, plutôt qu’en proportion.
ggplot(diamonds, aes(x = "", fill = cut)) +
geom_bar(aes(y = (..count..)/sum(..count..))) +
scale_y_continuous(labels = percent)
Pour continuer le tour des différentes possibilités de cette grammaire, nous allons créer maintenant un diagramme circulaire. Celui-ci peut être vu comme un diagramme en barres empilées (comme ci-dessous), avec un changement de système de coordonnées. En effet, si on considère les données en coordonnées polaires, avec la variable \(y\) définissant l’angle, nous obtenons ce que nous souhaitons. Ceci est réalisable avec les fonctions de type coord_xxx()
(ici coord_polar()
donc, en indiquant que l’angle theta
dépend de \(y\)). Nous ajoutons l’option width = 1
dans geom_bar()
pour éviter d’avoir un trou au milieu du cercle.
ggplot(diamonds, aes(x = "", fill = cut)) +
geom_bar(aes(y = (..count..)/sum(..count..)), width = 1) +
scale_y_continuous(labels = percent) +
coord_polar(theta = "y")
Suite à ce qu’on a vu précédemment, on peut donc avoir un graphique circulaire propre avec le code suivant.
ggplot(diamonds, aes(x = "", fill = cut)) +
geom_bar(aes(y = (..count..)/sum(..count..)), width = 1) +
scale_fill_brewer(palette = "Set2") +
scale_y_continuous(labels = percent) +
coord_polar(theta = "y") +
theme_minimal() +
theme(axis.title = element_blank()) +
labs(fill = "Variable cut")
Grâce à la logique de construction des graphiques, via la grammaire, il est aisé de superposer différentes représentations, simplement en ajoutant les couches. Ci-dessous, nous dessinons le nuage de points (via geom_point()
) entre les variables carat
et price
. Nous ajoutons ensuite des indicateurs de valeurs sur chaque axe (avec geom_rug()
), et la droite de régression linéaire (via geom_smooth()
avec l’option method = "lm"
).
ggplot(diamonds, aes(x = carat, y = price)) +
geom_point() +
geom_rug() +
geom_smooth(method = "lm", se = FALSE)
Pour comparer des données, il est très intéressant de faire des graphiques de type small multiples. L’idée est de faire un même graphique, mais pour chaque modalité d’une variable. Pour faire cela facilement avec ggplot2
, nous disposons de deux fonctions : facet_wrap()
et facet_grid()
.
facet_wrap()
Cette première fonction permet de s’affranchir de la réflexion du nombre de modalités dans la variable en question. Le programme choisit lui-même ce qu’il lui semble approprié. Ci-dessous, nous représentons le nuage de points entre carat
et price
, mais pour chaque valeur de cut
.
ggplot(diamonds, aes(carat, price)) +
geom_point() +
facet_wrap(facets = ~ cut)
Si le choix ne convient pas, nous pouvons forcer le nombre colonnes avec l’option ncol
(ou le nombre de lignes avec nrow
), comme ci-dessous.
ggplot(diamonds, aes(carat, price)) +
geom_point() +
facet_wrap(facets = ~cut, ncol = 2)
facet_grid()
Mais il est utile de forcer soit une répartition sur une même ligne de ces différents graphiques, ou sur une même colonne. Dans ce cas, nous utilisons la fonction facet_grid()
, qui permet de déterminer explicitement comment on veut répartir les différentes facettes.
Ci-dessous, nous créons les boîtes à moustaches de carat
pour chaque modalité de color
, et ceci pour chaque modalité de cut
. Tout est représenté sur une même ligne.
ggplot(diamonds, aes(color, carat)) +
geom_boxplot() +
facet_grid(facets = ~ cut)
Pour forcer la répartition en colonne, nous inversons la formule. Ici, nous représentons l’histogramme de carat
, pour chaque valeur de cut
(cela permet donc de bien les comparer). Comme les effectifs ne sont pas les mêmes entre les modalités, nous décidons de laisser libre l’axe des \(y\) pour mieux visualiser les répartitions, grâce à l’option scales
.
ggplot(diamonds, aes(x = carat)) +
geom_histogram() +
facet_grid(facets = cut ~ ., scales = "free_y")
Bien évidemment, il est possible de combiner les deux possibilités. Par exemple, ici, nous créons le nuage de point entre carat
et price
, pour chaque couple de modalités des variables color
et cut
.
ggplot(diamonds, aes(carat, price)) +
geom_point() +
geom_smooth(method = "lm", fullrange = T) +
facet_grid(facets = color ~ cut)
Dans le graphique ci-dessous, nous ne redéfinissons jamais x
ou y
. Ceux-ci ayant été définis dans la fonction ggplot()
, les fonctions ajoutées reprennent leur définition. Mais il est possible de les définir dans chaque fonction.
Pour détailler ce comportement, voici trois commandes permettant de faire strictement le même graphique (le premier produit dans le paragraphe ci-dessous).
ggplot(diamonds, aes(x = price)) + geom_histogram()
ggplot(diamonds) + geom_histogram(mapping = aes(x = price))
ggplot() + geom_histogram(data = diamonds, mapping = aes(x = price))
Voici ce qui diffère entre ces trois versions :
diamonds
pour l’ensemble des commandes ajoutées, et \(x\) sera la variable price
(sauf spécification ultérieure) ;diamonds
comme données, mais \(x\) n’est défini que pour l’histogramme. On devra définir \(x\) pour les fonctions ultérieures si besoin ;Ce mécanisme est particulièrement intéressant lorsque nous souhaitons utiliser plusieurs jeux de données ensemble. Dans le graphique ci-dessous, nous allons afficher trois informations différentes :
price
en fonction de la variable cut
, avec un aléa sur l’axe des \(x\) (avec la fonction geom_jitter()
) ;geom_point()
) et d’écart-type (avec geom_errorbar()
).Pour cela, nous calculons en premier lieu la moyenne et l’écart-type de price
pour chaque modalité de cut
, stocké dans df
.
df = diamonds %>%
group_by(cut) %>%
summarise(
mean = mean(price, na.rm = T),
sd = sd(price, na.rm = T)
)
cut | mean | sd |
---|---|---|
Fair | 4358.758 | 3560.387 |
Good | 3928.864 | 3681.590 |
Very Good | 3981.760 | 3935.862 |
Premium | 4584.258 | 4349.205 |
Ideal | 3457.542 | 3808.401 |
Nous avons donc le graphique ci-dessous, produit par un code très complet.
ggplot(data = diamonds, aes(x = cut, y = price, color = cut)) +
scale_color_brewer(palette = "Set2") +
scale_fill_brewer(palette = "Set2") +
geom_jitter(alpha = .1) +
geom_boxplot(mapping = aes(fill = cut),
color = "gray40", width = .5,
outlier.color = "gray70") +
geom_errorbar(data = df,
mapping = aes(y = mean,
ymin = mean - sd,
ymax = mean + sd),
col = "steelblue", width = .4, size = 1) +
geom_point(data = df,
mapping = aes(y = mean),
col = "steelblue", size = 2) +
theme_classic()
ggplot
Nous pouvons maintenant reprendre le graphique fait au début, pour le recréer avec la fonction ggplot()
. Ici, tout est automatisé (couleur, légende, labels) et le code sera beaucoup plus robuste à de nouvelles données.
ggplot(mtcars %>% rownames_to_column(),
aes(x = hp, y = mpg,
color = factor(am, labels = c("Automatique", "Manuelle")),
size = wt,
label = ifelse(hp <= 250 & mpg <=30, "", rowname))) +
geom_point() +
geom_text(size = 3, color = "black",
vjust = -.75, fontface = "bold",
hjust="inward") +
ggtitle("Consommation et autres") +
labs(x = "Puissance (en ch)",
y = "Consommation en Miles/Galon",
color = "Transmission",
size = "Poids (1000 lbs)") +
theme_classic()
A partir du jeu de données txhousing
, répondre aux demandes suivantes :
median
median
et sales
median
pour l’ensemble des villesUn des aspects intéressant dans la visualisation de données est la représentation de cartes, soit avec des marqueurs locaux (i.e. des points représentant des positions géographiques, avec des attributs esthétiques dépendant d’une variable par exemple), soit avec des couches représentant des zones spécifiques (pays, région, ville, avec une couleur dépendant d’une variable aussi).
leaflet
La librairie leaflet
permet de créer des cartes dans R à partir de la librairie Javascript Leaflet.
Voici un premier exemple simple de création de carte du monde
m = leaflet() %>% addTiles()
m
Pour laquelle il est possible de choisir la zone d’intérêt, en indiquant les latitudes et longitudes min et max.
m %>% fitBounds(0, 40, 5, 50)
Il est aussi possible de préciser les coordonnées géographiques du centre de la carte, ainsi que le niveau de zoom (entre 1 - monde - et 18 - pâté de maison).
m = m %>% setView(2.268224, 48.842275, zoom = 17)
m
On peut y ajouter une pop-up assez facilement.
m %>% addPopups(2.268224, 48.842275, "IUT Paris Descartes")
Ou un marqueur, pour lequel le texte s’affichera lorsque nous cliquerons sur le marqueur.
m %>% addMarkers(2.268224, 48.842275, popup = "IUT Paris Descartes")
Voire des formes classiques (cercle, rectangle, polygone)
m %>% addCircles(2.268224, 48.842275, radius = 100) %>%
addRectangles(2.27, 48.835, 2.28, 48.84)
A partir du jeu de données ozone
du package maps
, et contenant des informations géographiques, nous allons représenter ces informations sur une carte.
DT::datatable(head(ozone))
Ici, nous faisons en sorte que la taille des cercles soient dépendantes de la variable median
, mais nous devons ajuster à la main pour avoir des valeurs intéressantes pour la représentation.
leaflet(ozone) %>% addTiles() %>%
addCircles(lng = ~x, lat = ~y, radius = ~median*100)
ggmap
La librairie ggmap
a pour but de simplifier la cartographie, à l’aide de carte provenant de Google Maps, OpenStreetMap ou autre au choix, en y ajoutant la possibilité de rajouter des couches avec ggplot2
.
Pour cela, il faut faire deux opérations :
get_map
())ggmap()
), ce qui créé un objetm = get_map("Paris, France")
ggmap(m)
La fonction qmplot()
permet de rendre invisible l’étape de récupération des tuiles, et est l’équivalent de qplot
par rapport à ggmap()
.
qmplot(x, y, data = ozone, color = median)
On peut aussi vouloir spécifier nous-même les différentes étapes, comme ci-dessous :
ggplot()
vu précédemment.left = min(ozone$x) - .5
bottom = min(ozone$y) - .5
right = max(ozone$x) + .5
top = max(ozone$y) + .5
m = get_map(location = c(left, bottom, right, top),
maptype = "toner-lite", color = "bw")
ggmap(m) + geom_point(data = ozone, aes(x, y, color = median))
En utilisant les données crime
du package ggmap
, comment représenter le nombre et les types de crime par rapport à leur localisation ?
Nous disposons de données d’AirBnB pour Paris à la date du 2 septembre 2015 ( données source ). Celles-ci ont été légèrement nettoyées et réduites pour obtenir les fichiers suivants :
Fichier | Contenu |
---|---|
airbnb-paris-2015-09-02-summary.csv |
Résumé à quelques informations de base |
airbnb-paris-2015-09-02.csv |
Données plus complètes |
airbnb-paris-2015-09-02-neighbourhoods.geojson |
Représentation graphiques des arrondissement |
On commence déjà par importer ces données dans R.
airbnb.summ = read.table("http://fxjollois.github.io/donnees/airBnB-2015-09-02/airbnb-paris-2015-09-02-summary.csv",
sep = ",", header = T,
quote = "\"", comment.char = "",
encoding = "UTF-8")
airbnb.comp = read.table("http://fxjollois.github.io/donnees/airBnB-2015-09-02/airbnb-paris-2015-09-02.csv",
sep = ",", header = T,
quote = "\"", comment.char = "",
encoding = "UTF-8")
Sur ces données, il est déjà possible de représenter chaque logement par un point, assez simplement
ggplot(airbnb.summ, aes(x=longitude, y=latitude)) + geom_point()
La librairie geojsonio
permet de lire et d’écrire des données au format GeoJSON, permettant de représenter des objets géographiques dans un formalisme issue de JSON
. Il est très utilisé pour représenter des zones, telles que des villes, des pays, …
On importe donc les données des arrondissements. La fonction fortify()
de ggplot2
nous permet ici de passer à un format lisible pour ggplot()
.
airbnb.neigh = geojson_read("http://fxjollois.github.io/donnees/airBnB-2015-09-02/airbnb-paris-2015-09-02-neighbourhoods.geojson", what = "sp")
airbnb.neigh.for = fortify(airbnb.neigh)
ggplot(airbnb.neigh.for, aes(long, lat, group=group)) +
geom_polygon(color = "white") + theme_void()
Le problème dans notre cas est que les quartiers ne sont pas classés dans un ordre spécifique dans les données, et que l’objet airbnb.neigh
ne comporte plus le nom du quartier, ce qui va nous empêcher de faire le lien avec les autres données. Le code suivant permet donc de récupérer l’ordre des quartiers et de le stocker dans un data.frame
. On lit différemment le jeu de données.
df = geojson_read("http://fxjollois.github.io/donnees/airBnB-2015-09-02/airbnb-paris-2015-09-02-neighbourhoods.geojson")
airbnb.neigh.ord = data.frame(
id = as.character(0:19),
neighbourhood = sapply(df$features, function(f) return(f$properties$neighbourhood))
)
airbnb.neigh.ord
## id neighbourhood
## 1 0 Batignolles-Monceau
## 2 1 Palais-Bourbon
## 3 2 Buttes-Chaumont
## 4 3 Opéra
## 5 4 Entrepôt
## 6 5 Gobelins
## 7 6 Vaugirard
## 8 7 Reuilly
## 9 8 Louvre
## 10 9 Luxembourg
## 11 10 Élysée
## 12 11 Temple
## 13 12 Ménilmontant
## 14 13 Panthéon
## 15 14 Passy
## 16 15 Observatoire
## 17 16 Popincourt
## 18 17 Bourse
## 19 18 Buttes-Montmartre
## 20 19 Hôtel-de-Ville
Il peut être intéressant de calculer le centre de chaque quartier, pour pouvoir l’ajouter sur la carte par la suite. Pour cela, nous prenons la moyenne entre la latitude (et resp. la longitude) minimale et maximale.
airbnb.neigh.cen = airbnb.neigh.for %>%
group_by(id) %>%
summarise(
long = mean(range(long, na.rm = T)),
lat = mean(range(lat, na.rm = T))
) %>%
inner_join(airbnb.neigh.ord)
ggplot(airbnb.neigh.for, aes(long, lat, group=group)) +
geom_polygon(fill = "gray70", color = "gray50") +
geom_text(data = airbnb.neigh.cen, aes(label = neighbourhood, group=id)) + theme_void()
Au final, on peut faire une carte des arrondissements, en y ajoutant le nom du voisinage, les points des logements et une couleur pour chaque arrondissement dépendant de la variable group
par exemple (on pourra utiliser ce schéma pour représenter des informations statistiques par exemple)
ggplot(airbnb.neigh.for) +
geom_polygon(aes(long, lat, group=group, fill=id), color="gray50") +
geom_point(data=airbnb.summ, aes(longitude, latitude), col="gray30", alpha=.25) +
geom_text(data=airbnb.neigh.cen, aes(long, lat, label=neighbourhood, group=id)) +
theme_void() + theme(legend.position="none")