Avant toutes choses

Nous aurons besoin du package RColorBrewer :

  • Vérifier que le package RColorBrewer est bien installé
  • Si non, l’installer, puis le charger
library(RColorBrewer)

Nous allons également avoir besoin des données fruits :

data("fruits", package = "minidebuter")

Au programme

  • Les couleurs, avec ou sans RColorBrewer
  • La personnalisation avancée de ses ggplot favoris
  • Les diagrammes de Venn avec ggplot2
  • Les cartes de chaleur avec pheatmap

Trois façons de colorier des objets

Trois façons de voir les couleurs

Voici trois manières de définir une couleur, qui permettent de colorier un graphe soit très rapidement (entiers), soit avec plus de possibilités (couleurs nommées) ou encore de manière très raffinée (HEX).
Entier 1 2 3 4
Nom black indianred2 palegreen3 dodgerblue2
HEX #000000 #DF536B #61D04F #2297E6
Entier 5 6 7 8
Nom turquoise magenta3 darkgoldenrod1 gray62
HEX #28E2E5 #CD0BBC #F5C710 #9E9E9E

Les chiffres (rapide !)

La palette de 8 couleurs par défaut de R est codée par les entiers de 1 à 8.

barplot(rep(1,8), col = 1:8)

Les noms de couleurs (plus de couleurs)

On peut également colorier avec des “noms” de couleur (e.g. "black", "tomato", "steelblue", "darkorchid" etc.)

On peut accéder à tous ces noms de couleur avec la commande colors() :

sample(colors(), 7)
#> [1] "gainsboro"    "navajowhite4" "grey11"       "grey70"       "chartreuse2"  "cadetblue3"  
#> [7] "ivory1"

Ces couleurs “nommées” s’utilisent de la même façon que les couleurs “numériques”.

HEX (encore plus de couleurs !)

On peut aussi utiliser des codes hexadécimaux pour coder une couleur dans le système de référence “Rouge - Vert - Bleu” :

  • deux symboles hexadécimaux par couleur (\(16 \times 16 = 256\) valeurs possible)
  • 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, A, B, C, D, E, F
  • Trois couleurs de base : rouge, vert et bleu
  • 00 = pas de cette couleur
  • FF = max de cette couleur

Exemple

Voici trois commandes équivalentes pour réaliser le même graphe ci-dessous :

barplot(rep(1, 3), col = 2:4)
barplot(rep(1, 3), col = c("indianred2", "palegreen3", "dodgerblue2"))
barplot(rep(1, 3), col = c("#DF536B", "#61D04F", "#2297E6"))

A vous !

Reproduisez le graphe ci-dessous avec le système de couleurs de votre choix :

ATTENTION !

Attention au recyclage !

S’il y a plus d’objets à colorier que de couleurs, les couleurs sont recyclées !

par(mar = c(0, 0, 0, 0))
barplot(rep(1,80), col = 1:8, border = NA, space = 0, axes = FALSE)

Les palettes

Utiliser des palettes

Il existe de nombreux packages en R permettant de générer des palettes de couleur. Nous allons en utiliser un seul pendant ce cours : RColorBrewer.

La commande suivante permet de visualiser toutes les palettes que ce package permet d’utiliser :

display.brewer.all()

Pour extraire des couleurs de ces palettes :

brewer.pal(n = 3, name = "Set3")
#> [1] "#8DD3C7" "#FFFFB3" "#BEBADA"

En quelques mots

Il y a trois types de palettes : séquentielles, divergentes et qualitatives.

  1. Les palettes séquentielles permettent de distinguer des valeurs petites (en clair) de valeurs grande (en foncé)
  2. Les palettes divergentes permettent de distinguer les valeurs petites des valeurs grandes, mais ces deux extrêmes sont toutes les deux de ton foncé dans des couleurs très différentes. Les valeurs intermédiaires sont représentées en ton clair.
  3. Les palettes qualitatives sont faites pour distinguer toutes les couleurs les unes des autres. Elle sont adaptées à la représentation de données qualitatives.

A vous

Complétez le code suivant pour obtenir le graphe ci-contre :

pal <- brewer.pal(***, ***)
barplot(rep(1, 7), 
        col = pal, 
        axes = ***, 
        border = ***)

Extrapoler des couleurs

Pour extrapoler des couleurs…

On utilise la fonction de base grDevices::colorRampPalette :

colfun <- colorRampPalette(c("darkorchid", "black", "limegreen"))
barplot(rep(1, 30), col = colfun(30), axes = F, border = NA)

Exercice

Reproduisez le graphe ci-contre en modifiant la commande ci-dessous.

colfun <- colorRampPalette(
  c(***, ***, ***))
barplot(rep(1, 100), 
        col = colfun(100), 
        axes = F, border = NA)

Paramètre d’opacité

Dans ggplot2, l’opacité se gère avec alpha : 0 = invisible, 1 = opaque.

De manière générale : on peut opacifier sa couleur préférée avec le code HEX : on ajoute deux chiffres héxadécimaux OPTIONNELS pour régler l’opacité à la fin d’un code couleur.

Exercice

Reproduisez le graphe ci-contre en modifiant la commande ci-dessous.

colfun <- colorRampPalette(
  c("#FFAA00FF", ***), 
  alpha = TRUE)
barplot(***, 
        col = colfun(100), 
        axes = F, border = NA)

Personnalisation de graphes ggplot2

Avant toutes choses

Nous aurons besoin du package ggpubr :

  • Vérifier que le package ggpubr est bien installé
  • Si non, l’installer, puis le charger
library(ggpubr)

Changer de palette pour un diagramme en bâtons

Avec la commande scale_fill_brewer

ggplot(fruits, aes(x = groupe,
                   fill = groupe)) + 
  geom_bar() + 
  scale_fill_brewer(palette = "Set1") + 
  theme_bw()

Changer de palette pour un nuage de points

Avec la commande scale_color_distiller

ggplot(fruits, aes(x = Phosphore,
                   y = Calcium,
                   color = Magnesium)) + 
  geom_point() + 
  scale_color_distiller(palette = "PuOr") + 
  theme_bw()

Personnaliser les couleurs d’un diagramme en bâtons

Avec la commande scale_fill_manual

ggplot(fruits, aes(x = groupe,
                   fill = groupe)) + 
  geom_bar() + 
  scale_fill_manual(
    values = c(crus = "violet",
               secs = "brown3", 
               exotique = "limegreen",
               compote = "skyblue")) + 
  theme_bw()

Personnaliser les couleurs d’un nuage de points

Avec la commande scale_color_gradient

ggplot(fruits, aes(x = Phosphore,
                   y = Calcium,
                   color = Magnesium)) + 
  geom_point() + 
  scale_color_gradient(
    low = "limegreen",
    high = "violet") + 
  theme_bw()

Ajouter des p-valeurs

ggplot(fruits, aes(groupe, VitamineC)) + 
  geom_boxplot(aes(color = groupe)) + 
  geom_signif(comparisons = list(c("crus", "exotique"))) + 
  theme_bw()

Mosaïque de graphes

g1 <- ggplot(fruits, aes(Eau)) + geom_histogram()
g2 <- ggplot(fruits, aes(Energie)) + geom_histogram()
ggarrange(g1, g2, labels = "AUTO")

Diagrammes de Venn avec ggvenn

Avant toutes choses

Nous aurons besoin du package ggvenn :

  • Vérifier que le package ggvenn est bien installé
  • Si non, l’installer, puis le charger
library(ggvenn)

Visualiser des relations entre listes

Créons une liste d’objets :

flist <- list(
    Sucres = fruits$nom[fruits$Sucres > 20],
    Fibres = fruits$nom[fruits$Fibres > 2],
    Energie = fruits$nom[fruits$Energie > 50],
    Potassium = fruits$nom[fruits$Potassium > 100]
)

Diagramme de Venn

Compliqués à lire à partir de 4 ensembles :

ggvenn(flist, set_name_size = 4)

Sauvegarder un diagramme de Venn

En utilisant la (très pratique) fonction ggsave :

g <- ggvenn(flist, set_name_size = 4)
ggsave(filename = "fruit_venn.pdf", plot = g)

Pour le personnaliser…

Voir l’aide de la fonction ?ggvenn

  • fill_color, fill_alpha pour les couleurs à l’intérieur des cercles,
  • stroke_color, stroke_alpha, stroke_size, stroke_linetype pour le contour des cercles,
  • set_name_color, set_name_size pour les noms des ensembles,
  • text_color, text_size pour le texte à l’intérieur des intersections

Upset plots avec UpSetR

Avant toutes choses

Nous aurons besoin du package UpSetR :

  • Vérifier que le package UpSetR est bien installé
  • Si non, l’installer, puis le charger
library(UpSetR)

On reprend les 4 ensembles

On reprend l’exemple avec la comparaison des fruits selon 4 critères.

mat01 <- data.frame(
    Sucres = fruits$Sucres > 20,
    Fibres = fruits$Fibres > 2,
    Energie = fruits$Energie > 50,
    Potassium = fruits$Potassium > 100) + 0
upset(mat01)

Cartes de chaleur avec pheatmap

Avant toutes choses

Nous aurons besoin du package pheatmap :

  • Vérifier que le package pheatmap est bien installé
  • Si non, l’installer, puis le charger
library(pheatmap)

Premier essai

pheatmap(fruits)
Error in hclust(d, method = method) : 
  NA/NaN/Inf dans un appel à une fonction externe (argument 10)
De plus : Warning messages:
1: In dist(mat, method = distance) :
  NAs introduits lors de la conversion automatique
2: In dist(mat, method = distance) :
  NAs introduits lors de la conversion automatique

Pourquoi ça ne fonctionne pas ?

Deuxième essai : C’est déjà mieux ?

pheatmap(fruits[, -(1:2)])

Les arguments

  • cluster_rows = FALSE : enlever le dendrogramme sur les lignes
  • scale = "column" : pour standardiser les variables
  • show_rownames = FALSE : pour cacher les noms des lignes
  • cellwidth = 10 : pour avoir des plus petites cellules

Pour avoir une liste complète des arguments : ?pheatmap

Troisième essai

pheatmap(
  fruits[, -(1:2)],
  cluster_rows = FALSE,
  scale = "column",
  show_rownames = FALSE,
  cellwidth = 10
)

Quatrième essai : changer les couleurs

colfun <- colorRampPalette(
  c("darkorchid", 
    "white", 
    "limegreen"))
  
pheatmap(
  fruits[, -(1:2)],
  cluster_rows = FALSE,
  scale = "column",
  show_rownames = FALSE,
  cellwidth = 10,
  color = colfun(20)
)

Cinquième essai : ajouter des informations “qualitatives”

colfun <- colorRampPalette(
  c("darkorchid", 
    "white", 
    "limegreen"))
fruitsDF <- data.frame(
  fruits[,-1], 
  row.names = make.unique(fruits$nom))
annotLignes <- fruitsDF[, "groupe", 
                        drop = FALSE]

pheatmap(
  fruitsDF[, -1],
  cluster_rows = FALSE,
  scale = "column",
  show_rownames = FALSE,
  cellwidth = 10,
  color = colfun(20), 
  annotation_row = annotLignes
)

A vous !

Changez la commande suivante pour obtenir un joli graphe.

pheatmap(
  t(fruits),
  scale = "row",
  color = c("black", "black"),
  legend_breaks = c(-6, 0,+6),
  border_color = "pink",
  cellheight = 100,
  cellwidth = 0.1,
  show_colnames = "FALSE"
)