2. Farben, Formen und Paletten

for (pkg in c("ggplot2", "scales", "RColorBrewer", "MetBrewer", "viridis")) {
  if (!require(pkg, character.only = TRUE)) install.packages(pkg)
}

Farbe ist eines der maechtigsten Werkzeuge in der Datenvisualisierung. Ein gut gewaehltes Farbschema kann Gruppenunterschiede hervorheben, die Aufmerksamkeit des Lesers lenken und einen Plot sofort zugaenglich machen. Ein schlecht gewaehltes kann Muster verschleiern, Leser verwirren oder Menschen mit Farbfehlsichtigkeit ausschliessen.

In ggplot2 kann man visuelle Eigenschaften wie Farbe, Form, Groesse und Transparenz auf zwei grundsaetzlich verschiedene Arten festlegen: als statische Werte (gleich fuer alle Datenpunkte) oder dynamisch gemappt auf Variablen in den Daten ueber aes(). Diese Unterscheidung zu verstehen ist wesentlich - sie bestimmt, ob eine visuelle Eigenschaft rein kosmetisch ist oder tatsaechlich Informationen kodiert.

Wir arbeiten weiter mit dem verfeinerten Plot aus dem vorherigen Kapitel:

myplot <- ggplot(data = PlantGrowth) +
  aes(y = weight, x = group) +
  scale_y_continuous(
    name = "Gewicht (g)",
    limits = c(0, NA),
    breaks = seq(0, 6),
    expand = expansion(mult = c(0, 0.05))
  ) +
  scale_x_discrete(
    name = "Behandlungsgruppe",
    labels = c(
      ctrl = "Kontrolle",
      trt1 = "Behandlung 1",
      trt2 = "Behandlung 2"
    )
  ) +
  theme_classic()

Statische Aesthetics

Wenn man aesthetische Eigenschaften direkt in einer geom_*()-Funktion setzt - aber ausserhalb von aes() - gelten sie einheitlich fuer alle Datenpunkte. Das ist der einfachere der beiden Ansaetze: Man waehlt eine feste Farbe, Form oder Groesse, und jeder Punkt sieht gleich aus. Das ist nuetzlich, wenn die Gruppierung bereits ueber die Achse vermittelt wird (wie in unserem Plot, wo die Gruppen entlang der x-Achse getrennt sind) und zusaetzliche Farbkodierung redundant waere.

myplot +
  geom_point(color = "orange")

myplot +
  geom_point(
    color = "purple",
    shape = 18,
    size = 5,
    alpha = 0.5
  )

Im ersten Plot sind alle Punkte orange. Im zweiten werden mehrere Eigenschaften gleichzeitig modifiziert: lila Farbe, Diamantform (18), groessere Punkte und 50% Transparenz. Man beachte, dass diese Aenderungen rein kosmetisch sind - sie kodieren keine Informationen aus den Daten.

Aesthetic Mapping mit aes()

Die eigentliche Staerke von ggplot2 liegt im dynamischen Mapping ueber aes(). Anstatt eine feste Farbe fuer alle Punkte zu setzen, kann man eine Variable auf die Farb-Aesthetic mappen, sodass jede Gruppe automatisch ihre eigene Farbe erhaelt. So sagt man ggplot2: „Verwende Farbe, um die Gruppierung in meinen Daten darzustellen.”

Ein wichtiges Detail: aes() und data kann man entweder global in ggplot() (gilt fuer alle Layer) oder lokal innerhalb einer bestimmten geom_*()-Funktion (gilt nur fuer diesen Layer) definieren. Fuer einfache Plots mit einem einzelnen Geom erzeugen beide dasselbe Ergebnis. Die Unterscheidung wird wichtig, wenn man mehrere Geoms mit unterschiedlichen Datenquellen kombiniert - eine Technik, die wir in spaeteren Kapiteln verwenden werden.

ggplot(data = PlantGrowth) +
  aes(y = weight, x = group, color = group) +
  geom_point()

ggplot() +
  geom_point(
    data = PlantGrowth,
    aes(y = weight, x = group, color = group)
  )

Mehrere Aesthetics koennen gleichzeitig gemappt werden. Das ist nuetzlich, wenn ein einzelner visueller Kanal nicht ausreicht - beispielsweise liefert das gleichzeitige Mappen von Farbe und Form auf dieselbe Variable eine redundante Kodierung, die farbenblinden Lesern hilft. Hier haengen Farbe und Form von group ab, waehrend Groesse und Transparenz von weight abhaengen:

myplot +
  geom_point(aes(
    color = group,
    shape = group,
    size = weight,
    alpha = weight
  ))

Genau wie scale_x_* und scale_y_* das Achsenaussehen steuern, gibt es Scale-Funktionen fuer jede Aesthetic. Diese bieten die vollstaendige Kontrolle ueber das Mapping:

myplot +
  geom_point(aes(
    color = group,
    shape = group,
    size = weight,
    alpha = weight
  )) +
  scale_color_manual(
    values = c("orange", "gold", "#00923f")
  ) +
  scale_shape_manual(
    values = c(15, 18, 19)
  ) +
  scale_size_continuous(
    range = c(1, 10)
  ) +
  scale_alpha_continuous(
    range = c(0.1, 0.4)
  )

Farbpaletten

Einzelne Farben manuell aus langen Listen auszuwaehlen ist muehsam und fuehrt oft zu Kombinationen, die visuell kollidieren oder schwer zu unterscheiden sind. Ein besserer Ansatz sind kuratierte Farbpaletten - vordefinierte Farbsets, die so gestaltet sind, dass sie harmonisch, unterscheidbar und oft auch fuer Menschen mit Farbfehlsichtigkeit zugaenglich sind.

Es gibt zwei generelle Ansaetze: Man kann einen Farbvektor aus einer Palette erzeugen und an scale_color_manual() uebergeben, oder man verwendet eine dedizierte scale_color_*()-Funktion, die die Palette direkt anwendet. Beide Varianten werden unten gezeigt.

RColorBrewer

Das {RColorBrewer}-Paket bietet eine bewaehrte Sammlung von Paletten, die urspruenglich fuer Kartografie entworfen, aber in allen Fachbereichen weit verbreitet sind. Es stellt drei Palettentypen bereit: sequentiell (fuer geordnete Daten), divergierend (fuer Daten mit einem aussagekraeftigen Mittelpunkt) und qualitativ (fuer kategorische Gruppen wie unsere).

color_vector <- RColorBrewer::brewer.pal(3, "Dark2")

myplot +
  geom_point(aes(color = group), size = 5) +
  scale_color_manual(values = color_vector)

myplot +
  geom_point(aes(color = group), size = 5) +
  scale_color_brewer(palette = "Pastel1")

MetBrewer

Das {MetBrewer}-Paket bietet Paletten, die von Kunstwerken des Metropolitan Museum of Art inspiriert sind.

color_vector <- MetBrewer::met.brewer("VanGogh2", 3)

myplot +
  geom_point(aes(color = group), size = 5) +
  scale_color_manual(values = color_vector)

Farbenblind-freundlich: viridis

Wenn man Plots fuer Publikation oder Praesentation erstellt, sollte Barrierefreiheit bei Farben kein Nachgedanke sein. Etwa 8% der Maenner und 0,5% der Frauen haben eine Form von Farbfehlsichtigkeit. Die viridis-Palettenfamilie ist speziell so gestaltet, dass sie perzeptuell gleichmaessig (gleiche Schritte in den Daten erzeugen gleiche visuelle Schritte) und fuer die haeufigsten Formen von Farbenblindheit zugaenglich ist.

myplot +
  geom_point(aes(color = group), size = 5) +
  scale_color_viridis_d()

Corporate Design

In der Praxis ist die Farbwahl oft gar nicht frei - viele Organisationen haben einen Corporate-Design-Leitfaden, der exakte Hex-Farben fuer alle Grafiken vorschreibt. In solchen Faellen definiert man einfach die vorgegebenen Farben und uebergibt sie ueber scale_color_manual(). Das Corporate-Gruen von BioMath ist beispielsweise #00923f:

myplot +
  geom_point(aes(color = group), size = 5) +
  scale_color_manual(values = c("#00923f", "#201E50", "#AAAAAA"))

Color vs. fill

Ein haeufiger Stolperstein - besonders fuer Einsteiger - ist der Unterschied zwischen color und fill. Die Regel ist einfach: color steuert die Umrandung eines Geoms (Punkte, Linien, Raender von Balken), waehrend fill das Innere steuert (die gefuellte Flaeche von Balken, Boxplots, Violin Plots und bandartigen Geoms). Die entsprechenden Scale-Funktionen folgen demselben Muster: Alles was wir oben mit scale_color_*() behandelt haben, funktioniert identisch mit scale_fill_*().

Die Unterscheidung ist besonders wichtig bei Geoms, die sowohl eine Umrandung als auch ein Inneres haben, wie geom_boxplot() oder geom_col(). Dort mappt man typischerweise fill auf eine Gruppierungsvariable (um den Koerper jedes Balkens oder Boxplots einzufaerben), waehrend man color beim Standard belaesst.

ggplot(data = PlantGrowth) +
  aes(y = weight, x = group, fill = group) +
  geom_boxplot() +
  scale_fill_brewer(palette = "Set2") +
  theme_classic()