11  Kolory i palety

Kolor pomaga wtedy, gdy koduje informację. Nie powinien być ozdobą dodawaną na końcu, bo odbiorca zwykle czyta kolor jako znaczenie. W ggplot2 rozróżniamy dwa najczęstsze mapowania: colour, czyli kolor linii, punktu lub obrysu, oraz fill, czyli kolor wypełnienia słupka, kafelka albo obszaru.

library(tidyverse)
library(here)
library(janitor)
library(lubridate)

source(here("R", "theme_course.R"))
theme_set(theme_course())

11.1 Trzy typy palet

Paleta jakościowa (qualitative palette) służy do kategorii bez naturalnej kolejności. Paleta sekwencyjna (sequential palette) służy do wartości od małych do dużych. Paleta rozbieżna (diverging palette) służy do wartości wokół ważnego punktu odniesienia, na przykład zera.

palette_examples <- tibble(
  typ = rep(
    c("Jakościowa\n(qualitative)", "Sekwencyjna\n(sequential)", "Rozbieżna\n(diverging)"),
    each = 7
  ),
  step = rep(1:7, times = 3),
  colour = c(
    "#0072B2", "#D55E00", "#009E73", "#CC79A7", "#E69F00", "#56B4E9", "#F0E442",
    viridisLite::viridis(7, option = "C"),
    colorRampPalette(c("#0072B2", "#F7F7F7", "#D55E00"))(7)
  )
)

palette_examples |>
  mutate(typ = factor(typ, levels = unique(typ))) |>
  ggplot(aes(x = step, y = typ, fill = colour)) +
  geom_tile(width = 0.96, height = 0.72) +
  scale_fill_identity() +
  coord_equal() +
  labs(
    title = "Typ palety dobieramy do typu zmiennej",
    x = NULL,
    y = NULL
  ) +
  theme(
    axis.text.x = element_blank(),
    panel.grid = element_blank()
  )

Rysunek 11.1: Trzy podstawowe typy palet: jakościowa, sekwencyjna i rozbieżna.

11.2 Wyróżnienie jednej kategorii

Jeżeli wykres ma pokazać jeden najważniejszy element, resztę można wyciszyć neutralnym kolorem. To jest czytelniejsze niż użycie osobnego koloru dla każdej kategorii.

item_labels <- c(
  Coffee = "Kawa",
  Bread = "Chleb",
  Tea = "Herbata",
  Cake = "Ciasto",
  Pastry = "Ciastko",
  Sandwich = "Kanapka",
  Medialuna = "Rogalik",
  `Hot chocolate` = "Gorąca czekolada",
  Cookies = "Ciastka",
  Brownie = "Brownie"
)

bakery_top <- readr::read_csv(here("datasets", "bakery.csv"), show_col_types = FALSE) |>
  janitor::clean_names() |>
  mutate(items = recode(items, !!!item_labels)) |>
  count(items, sort = TRUE) |>
  slice_max(n, n = 10) |>
  mutate(
    items = forcats::fct_reorder(items, n),
    highlight = items == "Kawa"
  )

bakery_top |>
  ggplot(aes(x = n, y = items, fill = highlight)) +
  geom_col(width = 0.72) +
  scale_fill_manual(values = c(`FALSE` = "#B8C1CC", `TRUE` = "#D55E00"), guide = "none") +
  labs(
    title = "Kolor powinien prowadzić wzrok do najważniejszej informacji",
    x = "Liczba transakcji",
    y = NULL,
    caption = "Źródło: datasets/bakery.csv"
  )

Rysunek 11.2: Najpopularniejszy produkt wyróżniony kolorem, pozostałe produkty wyciszone.

11.3 Paleta jakościowa dla kilku kategorii

Kiedy wszystkie kategorie są równie ważne, używamy palety jakościowej. Kolory powinny być od siebie wyraźnie różne, ale nie muszą tworzyć skali od jasnego do ciemnego.

medals <- readr::read_csv(
  here("datasets", "medals_by_country_2016.csv"),
  show_col_types = FALSE
) |>
  rename(country = `...1`) |>
  pivot_longer(
    cols = c(Bronze, Gold, Silver),
    names_to = "medal",
    values_to = "count"
  ) |>
  mutate(
    medal = factor(
      recode(medal, Gold = "Złoto", Silver = "Srebro", Bronze = "Brąz"),
      levels = c("Złoto", "Srebro", "Brąz")
    ),
    country = forcats::fct_reorder(country, count, .fun = sum)
  )

medals |>
  ggplot(aes(x = count, y = country, fill = medal)) +
  geom_col(width = 0.72) +
  scale_fill_manual(
    values = c(Złoto = "#D6A21E", Srebro = "#9AA3AA", Brąz = "#A97142"),
    name = "Medal"
  ) +
  labs(
    title = "Paleta ręczna jest dobra, gdy kolor ma oczywiste znaczenie",
    x = "Liczba medali",
    y = "Kraj",
    caption = "Źródło: datasets/medals_by_country_2016.csv"
  )

Rysunek 11.3: Paleta ręczna dla typów medali.

11.4 Paleta sekwencyjna dla natężenia

W mapie ciepła (heatmap) kolor zwykle oznacza natężenie. Wtedy jasność i ciemność muszą mieć porządek: jasne pola oznaczają mniej, ciemne albo bardziej nasycone pola oznaczają więcej.

bike_heatmap <- readr::read_csv(here("datasets", "bike_share.csv"), show_col_types = FALSE) |>
  mutate(
    month = factor(
      mnth,
      levels = 1:12,
      labels = c("Sty", "Lut", "Mar", "Kwi", "Maj", "Cze", "Lip", "Sie", "Wrz", "Paź", "Lis", "Gru")
    ),
    weekday = factor(
      weekday,
      levels = c(1, 2, 3, 4, 5, 6, 0),
      labels = c("Pon", "Wt", "Śr", "Czw", "Pt", "Sob", "Nd")
    )
  ) |>
  group_by(month, weekday) |>
  summarise(avg_rentals = mean(total_rentals), .groups = "drop")

bike_heatmap |>
  ggplot(aes(x = month, y = weekday, fill = avg_rentals)) +
  geom_tile(colour = "white", linewidth = 0.25) +
  scale_fill_viridis_c(
    option = "C",
    labels = scales::label_number(big.mark = " "),
    name = "Średnia",
    guide = guide_colorbar(
      title.position = "top",
      barheight = grid::unit(72, "pt"),
      barwidth = grid::unit(8, "pt")
    )
  ) +
  labs(
    title = "Paleta sekwencyjna pokazuje natężenie zjawiska",
    x = "Miesiąc",
    y = NULL,
    caption = "Źródło: datasets/bike_share.csv"
  ) +
  theme(legend.position = "right")

Rysunek 11.4: Paleta sekwencyjna dla średniej liczby wypożyczeń rowerów.

11.5 Paleta rozbieżna wokół zera

Paleta rozbieżna ma sens tylko wtedy, gdy istnieje ważny środek skali. Dla anomalii temperatury takim środkiem jest zero: wartości poniżej i powyżej zera powinny iść w przeciwnych kierunkach kolorystycznych.

climate_year <- readr::read_csv(here("datasets", "climate_change.csv"), show_col_types = FALSE) |>
  mutate(year = lubridate::year(date)) |>
  group_by(year) |>
  summarise(relative_temp = mean(relative_temp, na.rm = TRUE), .groups = "drop")

climate_year |>
  ggplot(aes(x = year, y = 1, fill = relative_temp)) +
  geom_tile(height = 0.75) +
  scale_fill_gradient2(
    low = "#0072B2",
    mid = "#F7F7F7",
    high = "#D55E00",
    midpoint = 0,
    labels = scales::label_number(suffix = "°C", accuracy = 0.1),
    name = "Anomalia"
  ) +
  labs(
    title = "Paleta rozbieżna działa wtedy, gdy środek skali coś znaczy",
    x = "Rok",
    y = NULL,
    caption = "Źródło: datasets/climate_change.csv"
  ) +
  theme(
    axis.text.y = element_blank(),
    panel.grid.major.y = element_blank(),
    panel.grid.minor = element_blank()
  )

Rysunek 11.5: Paleta rozbieżna dla średniej rocznej anomalii temperatury.

11.6 Zadanie

Wybierz jeden wykres z wcześniejszych rozdziałów i przygotuj dwie wersje: pierwszą z paletą jakościową, drugą z wyróżnieniem jednej kategorii. Porównaj, która wersja szybciej prowadzi do wniosku.