for (pkg in c("tidyverse", "gapminder", "showtext", "ggtext", "patchwork", "cowplot")) {
  if (!require(pkg, character.only = TRUE)) install.packages(pkg)
}

showtext::showtext_opts(dpi = 300)

Wissenschaftliche Publikationen und Praesentationen erfordern oft mehrere zusammengehoerige Plots in einer einzigen Abbildung - ein Balkendiagramm neben einem Dumbbell Plot oder eine Zeitreihe ueber einem Streudiagramm. Waehrend facet_wrap() Faelle abdeckt, in denen derselbe Plottyp fuer verschiedene Teilmengen wiederholt wird, kann es keine grundlegend verschiedenen Plottypen oder Datensaetze kombinieren. Das {patchwork}-Paket von Thomas Lin Pedersen fuellt diese Luecke mit einer intuitiven operatorbasierten Syntax zum Zusammensetzen von ggplot2-Objekten.

In diesem Kapitel erstellen wir das Balkendiagramm und den Dumbbell Plot aus Kapitel 5 neu und kombinieren sie mit patchworks Layout-Operatoren zu Multi-Panel-Abbildungen.

Setup

Wir reproduzieren die Plots aus Kapitel 5. Der Code ist eingeklappt, da er eine Wiederholung frueheren Materials ist:

show/hide code

sysfonts::font_add_google("Kanit", "kanit")
showtext::showtext_auto()

dat <- gapminder::gapminder %>%
  filter(year == 1952 | year == 2007) %>%
  filter(country %in% c(
    "Canada", "Germany", "Japan",
    "Netherlands", "Nigeria", "Vietnam", "Zimbabwe"
  )) %>%
  mutate(year = as.factor(year)) %>%
  droplevels()

sorted_countries <- dat %>%
  filter(year == "2007") %>%
  arrange(lifeExp) %>%
  pull(country) %>%
  as.character()

dat <- dat %>%
  mutate(country = fct_relevel(country, sorted_countries))

year_colors <- c("1952" = "#F7AA59", "2007" = "#37A9E1")

theme_nature <- function(base_size = 12) {
  theme_minimal(base_size = base_size) +
    theme(
      text = element_text(family = "kanit"),
      plot.title.position = "plot",
      plot.title = element_text(size = 15, face = "bold"),
      plot.subtitle = ggtext::element_textbox_simple(
        size = 10, margin = margin(0, 0, 10, 0)
      ),
      axis.line.y = element_blank(),
      axis.text.x = element_text(color = "#AAAAAA"),
      axis.ticks.x = element_line(color = "#AAAAAA", linewidth = 0.4),
      axis.ticks.length.x = unit(4, "pt"),
      axis.line.x = element_line(color = "black", linewidth = 0.6),
      legend.position = "top",
      legend.box.just = "left",
      legend.justification = "left",
      legend.title = element_text(face = "bold"),
      legend.key.size = unit(0.4, "cm"),
      legend.margin = margin(-5, 0, 0, 0),
      panel.grid.minor = element_blank(),
      panel.grid.major.y = element_blank(),
      panel.grid.major.x = element_line(
        linetype = "dotted", color = "#AAAAAA", linewidth = 0.3
      )
    )
}

long_subtitle <- "Die Daten zeigen eine Welt, in der die Lebenserwartung im Jahr <b style='color:#37A9E1;'>2007</b> oft eine verbesserte Lebensqualitaet im Vergleich zu <b style='color:#F7AA59;'>1952</b> widerspiegelt."

# Balkendiagramm
p_bar <- ggplot(data = dat) +
  aes(x = lifeExp, y = country, fill = fct_rev(year)) +
  geom_col(position = position_dodge()) +
  geom_text(
    mapping = aes(label = round(lifeExp), group = fct_rev(year)),
    position = position_dodge(width = 0.9),
    hjust = 1.1, color = "white", family = "kanit"
  ) +
  scale_y_discrete(name = NULL, expand = c(0, 0)) +
  scale_x_continuous(name = NULL, expand = expansion(mult = c(0, 0.05))) +
  scale_fill_manual(
    guide = "none", name = "Year",
    limits = names(year_colors), values = year_colors
  ) +
  labs(title = "LEBENSERWARTUNG", subtitle = long_subtitle) +
  theme_nature()

# Dumbbell Plot
dat_wide <- dat %>%
  select(country, year, lifeExp) %>%
  pivot_wider(
    names_from = year, values_from = lifeExp, names_prefix = "year_"
  ) %>%
  mutate(
    max_x = pmax(year_2007, year_1952),
    diff = year_2007 - year_1952,
    diff_lab = sprintf("%+d", round(diff))
  )

p_dumbbell <- ggplot(data = dat) +
  aes(x = lifeExp, y = country, color = fct_rev(year)) +
  geom_segment(
    data = dat_wide,
    aes(x = year_1952, xend = year_2007, y = country, yend = country),
    color = "#AAAAAA", linewidth = 1
  ) +
  geom_point(size = 3) +
  geom_text(
    mapping = aes(label = round(lifeExp)),
    size = 2.5, vjust = -1, family = "kanit"
  ) +
  geom_text(
    data = dat_wide,
    mapping = aes(x = max_x, label = diff_lab),
    size = 2.5, hjust = 0,
    position = position_nudge(x = 1),
    color = "#AAAAAA", family = "kanit"
  ) +
  scale_color_manual(
    name = "Year", limits = c("1952", "2007"),
    values = year_colors, guide = "none"
  ) +
  scale_y_discrete(name = NULL) +
  scale_x_continuous(name = NULL) +
  labs(title = "LEBENSERWARTUNG", subtitle = long_subtitle) +
  theme_nature()

# Einfacher Scatter Plot fuer BIP
p_gdp <- ggplot(
  data = gapminder::gapminder %>% filter(year == 2007),
  aes(x = gdpPercap, y = lifeExp, size = pop, color = continent)
) +
  geom_point(alpha = 0.7) +
  scale_x_log10() +
  scale_size_continuous(guide = "none") +
  labs(x = "BIP pro Kopf", y = "Lebenserwartung", color = "Kontinent") +
  theme_minimal(base_size = 12) +
  theme(text = element_text(family = "kanit"))

Wir haben nun drei Plot-Objekte: p_bar (gruppiertes Balkendiagramm), p_dumbbell (Dumbbell Plot) und p_gdp (Streudiagramm).

Plots kombinieren

Der einfachste Weg, zwei Plots zu kombinieren, ist der +-Operator. Standardmaessig ordnet patchwork Plots nebeneinander an:

p_bar + p_dumbbell

Nebeneinander: der `|`-Operator

Der |-Operator ist die explizite Version der Nebeneinander-Anordnung. Er verhaelt sich identisch zu + fuer zwei Plots, macht aber die Absicht in komplexen Layouts klarer:

p_bar | p_dumbbell

Uebereinander: der `/`-Operator

Der /-Operator platziert Plots uebereinander:

p_bar / p_dumbbell

Operator-Praezedenz

Beim Kombinieren von Operatoren spielt die Praezedenz eine Rolle. Der /-Operator (Stapeln) bindet staerker als | (Nebeneinander), sodass p1 | p2 / p3 als p1 | (p2 / p3) interpretiert wird statt als (p1 | p2) / p3. Der +-Operator hat die niedrigste Praezedenz. In der Praxis bedeutet das: Man sollte immer Klammern verwenden, um das beabsichtigte Layout explizit zu machen — sich auf Praezedenzregeln zu verlassen fuehrt zu Ueberraschungen.

Verschachtelte Layouts

Klammern machen die Layout-Struktur explizit und lesbar. Zum Beispiel zwei Plots nebeneinander oben, mit einem dritten Plot ueber die volle Breite unten:

(p_bar | p_dumbbell) / p_gdp

Layout-Steuerung

Die plot_layout()-Funktion bietet feingranulare Kontrolle ueber die Anordnung:

(p_bar | p_dumbbell) / p_gdp +
  plot_layout(heights = c(2, 1))

Wichtige Argumente:

widths und heights: Relative Groessen von Spalten und Zeilen. heights = c(2, 1) macht die obere Reihe doppelt so hoch wie die untere.
ncol und nrow: Erzwingt ein bestimmtes Gitterlayout.
guides = "collect": Sammelt identische Legenden aus allen Plots und zeigt sie einmal. Besonders nuetzlich, wenn mehrere Plots dieselbe Farbskala teilen.

p1 <- ggplot(gapminder::gapminder %>% filter(year == 2007),
  aes(x = gdpPercap, y = lifeExp, color = continent)) +
  geom_point() + scale_x_log10() + theme_minimal(base_size = 11) +
  theme(text = element_text(family = "kanit")) +
  labs(title = "BIP vs. Lebenserwartung")

p2 <- ggplot(gapminder::gapminder %>% filter(year == 2007),
  aes(x = pop, y = lifeExp, color = continent)) +
  geom_point() + scale_x_log10() + theme_minimal(base_size = 11) +
  theme(text = element_text(family = "kanit")) +
  labs(title = "Bevoelkerung vs. Lebenserwartung")

p1 + p2 + plot_layout(guides = "collect")

Ohne guides = "collect" wuerde jeder Plot seine eigene Kontinent-Legende zeigen - redundant und platzverschwendend.

Annotationen

plot_annotation() fuegt Titel, Untertitel, Quellenangaben und automatische Panel-Tags zur kombinierten Abbildung hinzu:

p1 + p2 +
  plot_layout(guides = "collect") +
  plot_annotation(
    title = "Gapminder 2007",
    subtitle = "Zwei Perspektiven auf globale Entwicklung",
    tag_levels = "A"
  ) &
  theme(
    text = element_text(family = "kanit"),
    plot.tag = element_text(face = "bold")
  )

Das tag_levels-Argument beschriftet Panels automatisch als “A”, “B”, “C” (oder “1”, “2”, “3”, “a”, “b”, “c”, “I”, “II”, “III”). Das ist essenziell fuer Journal-Abbildungen, in denen Panels im Text referenziert werden muessen.

Der `&`-Operator

Man beachte den &-Operator im letzten Beispiel. Das ist eine der nuetzlichsten Funktionen von patchwork:

+ fuegt eine Theme-Aenderung nur zum letzten Plot hinzu
& wendet eine Theme-Aenderung auf alle Plots in der Komposition an

Diese Unterscheidung ist wichtig, wenn man ein einheitliches Theme ueber alle Panels hinweg anwenden moechte:

p1 + p2 +
  plot_layout(guides = "collect") +
  plot_annotation(tag_levels = "A") &
  theme_minimal(base_size = 11) &
  theme(text = element_text(family = "kanit"))

Ueber patchwork hinaus: cowplot

Das {cowplot}-Paket von Claus Wilke bietet ergaenzende Funktionalitaet zum Kombinieren von Plots. Waehrend patchwork bei gitterbasierten Layouts mit seiner Operatorsyntax glaenzt, punktet cowplot in zwei spezifischen Bereichen: automatische Panel-Beschriftungen und Inset-Plots.

Einfaches Gitter mit cowplot

Die cowplot::plot_grid()-Funktion arbeitet aehnlich wie patchworks +-Operator, bietet aber Panel-Beschriftungen direkt ueber das labels-Argument:

cowplot::plot_grid(p1, p2, labels = "AUTO")

labels = "AUTO" erzeugt Grossbuchstaben-Labels (A, B, C, …), waehrend labels = "auto" Kleinbuchstaben liefert (a, b, c, …).

Inset-Plots

Eine Funktion, die patchwork nicht bietet, ist das Platzieren eines kleinen Plots innerhalb eines groesseren - ein Inset-Plot. Das ist nuetzlich, um ein vergroessertes Detail, eine zusammenfassende Statistik oder eine ergaenzende Ansicht innerhalb derselben Abbildung zu zeigen. Die Funktionen cowplot::ggdraw() und cowplot::draw_plot() machen das unkompliziert:

dat_2007 <- gapminder::gapminder %>% filter(year == 2007)

p_main <- ggplot(dat_2007, aes(x = gdpPercap, y = lifeExp, color = continent)) +
  geom_point(alpha = 0.7) +
  scale_x_log10() +
  labs(x = "BIP pro Kopf", y = "Lebenserwartung", color = "Kontinent") +
  theme_minimal(base_size = 12) +
  theme(text = element_text(family = "kanit"))

p_inset <- ggplot(dat_2007, aes(x = continent, fill = continent)) +
  geom_bar(show.legend = FALSE) +
  labs(x = NULL, y = "Anzahl") +
  theme_minimal(base_size = 8) +
  theme(
    text = element_text(family = "kanit"),
    axis.text.x = element_text(angle = 45, hjust = 1),
    plot.background = element_rect(fill = "white", color = "grey80")
  )

cowplot::ggdraw(p_main) +
  cowplot::draw_plot(p_inset, x = 0.55, y = 0.15, width = 0.4, height = 0.4)

Die Argumente x, y, width und height in draw_plot() verwenden relative Koordinaten (0 bis 1), wobei (0, 0) die untere linke Ecke ist. Durch Anpassen dieser Werte positioniert und dimensioniert man den Inset-Plot innerhalb der Hauptabbildung.

Fuer die meisten Multi-Panel-Layouts bleibt patchwork aufgrund seiner saubereren Syntax und automatischen Ausrichtung die bessere Wahl. cowplot lohnt sich, wenn man Inset-Plots benoetigt oder das plot_grid()-Interface fuer einfache Nebeneinander-Anordnungen mit automatischen Labels bevorzugt.

Wann Facets und wann patchwork?

Beide Werkzeuge erstellen Multi-Panel-Abbildungen, aber sie dienen unterschiedlichen Zwecken:

Facets (facet_wrap(), facet_grid()): Gleicher Plottyp, gleiche Datenstruktur, aufgeteilt nach einer Gruppierungsvariable. Achsen werden geteilt oder individuell skaliert. Am besten fuer systematische Vergleiche innerhalb eines Datensatzes.
Patchwork: Verschiedene Plottypen, verschiedene Datensaetze oder verschiedene aesthetische Mappings. Jedes Panel ist ein voellig unabhaengiger ggplot. Am besten zum Kombinieren komplementaerer Sichten auf die Daten.

Eine gute Faustregel: Wenn man die Panels als “denselben Plot fuer verschiedene Gruppen” beschreiben kann, nimmt man Facets. Wenn die Panels grundlegend verschiedene Dinge zeigen, nimmt man patchwork.

Zitat

Mit BibTeX zitieren:

@online{schmidt2026,
  author = {{Dr. Paul Schmidt}},
  publisher = {BioMath GmbH},
  title = {9. patchwork},
  date = {2026-03-10},
  url = {https://biomathcontent.netlify.app/de/content/ggplot2/09_patchwork.html},
  langid = {de}
}

Bitte zitieren Sie diese Arbeit als:

Dr. Paul Schmidt. 2026. “9. patchwork.” BioMath GmbH. March 10, 2026. https://biomathcontent.netlify.app/de/content/ggplot2/09_patchwork.html.

--- title: "9. patchwork" subtitle: "Mehrere Plots in einer Abbildung kombinieren" --- ```{r} #| label: pw-packages #| message: false #| warning: false for (pkg in c("tidyverse", "gapminder", "showtext", "ggtext", "patchwork", "cowplot")) { if (!require(pkg, character.only = TRUE)) install.packages(pkg) } showtext::showtext_opts(dpi = 300) ``` Wissenschaftliche Publikationen und Praesentationen erfordern oft mehrere zusammengehoerige Plots in einer einzigen Abbildung - ein Balkendiagramm neben einem Dumbbell Plot oder eine Zeitreihe ueber einem Streudiagramm. Waehrend `facet_wrap()` Faelle abdeckt, in denen derselbe Plottyp fuer verschiedene Teilmengen wiederholt wird, kann es keine grundlegend verschiedenen Plottypen oder Datensaetze kombinieren. Das [{patchwork}](https://patchwork.data-imaginist.com/)-Paket von Thomas Lin Pedersen fuellt diese Luecke mit einer intuitiven operatorbasierten Syntax zum Zusammensetzen von ggplot2-Objekten. In diesem Kapitel erstellen wir das Balkendiagramm und den Dumbbell Plot aus [Kapitel 5](05_advanced_plots.de.qmd) neu und kombinieren sie mit patchworks Layout-Operatoren zu Multi-Panel-Abbildungen. # Setup Wir reproduzieren die Plots aus Kapitel 5. Der Code ist eingeklappt, da er eine Wiederholung frueheren Materials ist: ```{r} #| label: pw-setup #| code-fold: true #| fig-showtext: true sysfonts::font_add_google("Kanit", "kanit") showtext::showtext_auto() dat <- gapminder::gapminder %>% filter(year == 1952 | year == 2007) %>% filter(country %in% c( "Canada", "Germany", "Japan", "Netherlands", "Nigeria", "Vietnam", "Zimbabwe" )) %>% mutate(year = as.factor(year)) %>% droplevels() sorted_countries <- dat %>% filter(year == "2007") %>% arrange(lifeExp) %>% pull(country) %>% as.character() dat <- dat %>% mutate(country = fct_relevel(country, sorted_countries)) year_colors <- c("1952" = "#F7AA59", "2007" = "#37A9E1") theme_nature <- function(base_size = 12) { theme_minimal(base_size = base_size) + theme( text = element_text(family = "kanit"), plot.title.position = "plot", plot.title = element_text(size = 15, face = "bold"), plot.subtitle = ggtext::element_textbox_simple( size = 10, margin = margin(0, 0, 10, 0) ), axis.line.y = element_blank(), axis.text.x = element_text(color = "#AAAAAA"), axis.ticks.x = element_line(color = "#AAAAAA", linewidth = 0.4), axis.ticks.length.x = unit(4, "pt"), axis.line.x = element_line(color = "black", linewidth = 0.6), legend.position = "top", legend.box.just = "left", legend.justification = "left", legend.title = element_text(face = "bold"), legend.key.size = unit(0.4, "cm"), legend.margin = margin(-5, 0, 0, 0), panel.grid.minor = element_blank(), panel.grid.major.y = element_blank(), panel.grid.major.x = element_line( linetype = "dotted", color = "#AAAAAA", linewidth = 0.3 ) ) } long_subtitle <- "Die Daten zeigen eine Welt, in der die Lebenserwartung im Jahr <b style='color:#37A9E1;'>2007</b> oft eine verbesserte Lebensqualitaet im Vergleich zu <b style='color:#F7AA59;'>1952</b> widerspiegelt." # Balkendiagramm p_bar <- ggplot(data = dat) + aes(x = lifeExp, y = country, fill = fct_rev(year)) + geom_col(position = position_dodge()) + geom_text( mapping = aes(label = round(lifeExp), group = fct_rev(year)), position = position_dodge(width = 0.9), hjust = 1.1, color = "white", family = "kanit" ) + scale_y_discrete(name = NULL, expand = c(0, 0)) + scale_x_continuous(name = NULL, expand = expansion(mult = c(0, 0.05))) + scale_fill_manual( guide = "none", name = "Year", limits = names(year_colors), values = year_colors ) + labs(title = "LEBENSERWARTUNG", subtitle = long_subtitle) + theme_nature() # Dumbbell Plot dat_wide <- dat %>% select(country, year, lifeExp) %>% pivot_wider( names_from = year, values_from = lifeExp, names_prefix = "year_" ) %>% mutate( max_x = pmax(year_2007, year_1952), diff = year_2007 - year_1952, diff_lab = sprintf("%+d", round(diff)) ) p_dumbbell <- ggplot(data = dat) + aes(x = lifeExp, y = country, color = fct_rev(year)) + geom_segment( data = dat_wide, aes(x = year_1952, xend = year_2007, y = country, yend = country), color = "#AAAAAA", linewidth = 1 ) + geom_point(size = 3) + geom_text( mapping = aes(label = round(lifeExp)), size = 2.5, vjust = -1, family = "kanit" ) + geom_text( data = dat_wide, mapping = aes(x = max_x, label = diff_lab), size = 2.5, hjust = 0, position = position_nudge(x = 1), color = "#AAAAAA", family = "kanit" ) + scale_color_manual( name = "Year", limits = c("1952", "2007"), values = year_colors, guide = "none" ) + scale_y_discrete(name = NULL) + scale_x_continuous(name = NULL) + labs(title = "LEBENSERWARTUNG", subtitle = long_subtitle) + theme_nature() # Einfacher Scatter Plot fuer BIP p_gdp <- ggplot( data = gapminder::gapminder %>% filter(year == 2007), aes(x = gdpPercap, y = lifeExp, size = pop, color = continent) ) + geom_point(alpha = 0.7) + scale_x_log10() + scale_size_continuous(guide = "none") + labs(x = "BIP pro Kopf", y = "Lebenserwartung", color = "Kontinent") + theme_minimal(base_size = 12) + theme(text = element_text(family = "kanit")) ``` Wir haben nun drei Plot-Objekte: `p_bar` (gruppiertes Balkendiagramm), `p_dumbbell` (Dumbbell Plot) und `p_gdp` (Streudiagramm). # Plots kombinieren Der einfachste Weg, zwei Plots zu kombinieren, ist der `+`-Operator. Standardmaessig ordnet patchwork Plots nebeneinander an: ```{r} #| label: pw-side-by-side #| fig-showtext: true #| fig-width: 10 #| fig-height: 5 p_bar + p_dumbbell ``` ## Nebeneinander: der `|`-Operator Der `|`-Operator ist die explizite Version der Nebeneinander-Anordnung. Er verhaelt sich identisch zu `+` fuer zwei Plots, macht aber die Absicht in komplexen Layouts klarer: ```{r} #| label: pw-pipe #| fig-showtext: true #| fig-width: 10 #| fig-height: 5 p_bar | p_dumbbell ``` ## Uebereinander: der `/`-Operator Der `/`-Operator platziert Plots uebereinander: ```{r} #| label: pw-stacked #| fig-showtext: true #| fig-width: 6 #| fig-height: 8 p_bar / p_dumbbell ``` ## Operator-Praezedenz Beim Kombinieren von Operatoren spielt die **Praezedenz** eine Rolle. Der `/`-Operator (Stapeln) bindet staerker als `|` (Nebeneinander), sodass `p1 | p2 / p3` als `p1 | (p2 / p3)` interpretiert wird statt als `(p1 | p2) / p3`. Der `+`-Operator hat die niedrigste Praezedenz. In der Praxis bedeutet das: Man sollte immer **Klammern** verwenden, um das beabsichtigte Layout explizit zu machen --- sich auf Praezedenzregeln zu verlassen fuehrt zu Ueberraschungen. ## Verschachtelte Layouts Klammern machen die Layout-Struktur explizit und lesbar. Zum Beispiel zwei Plots nebeneinander oben, mit einem dritten Plot ueber die volle Breite unten: ```{r} #| label: pw-nested #| fig-showtext: true #| fig-width: 10 #| fig-height: 8 (p_bar | p_dumbbell) / p_gdp ``` # Layout-Steuerung Die `plot_layout()`-Funktion bietet feingranulare Kontrolle ueber die Anordnung: ```{r} #| label: pw-layout #| fig-showtext: true #| fig-width: 10 #| fig-height: 8 (p_bar | p_dumbbell) / p_gdp + plot_layout(heights = c(2, 1)) ``` Wichtige Argumente: - **`widths`** und **`heights`**: Relative Groessen von Spalten und Zeilen. `heights = c(2, 1)` macht die obere Reihe doppelt so hoch wie die untere. - **`ncol`** und **`nrow`**: Erzwingt ein bestimmtes Gitterlayout. - **`guides = "collect"`**: Sammelt identische Legenden aus allen Plots und zeigt sie einmal. Besonders nuetzlich, wenn mehrere Plots dieselbe Farbskala teilen. ```{r} #| label: pw-collect-guides #| fig-showtext: true #| fig-width: 10 #| fig-height: 5 p1 <- ggplot(gapminder::gapminder %>% filter(year == 2007), aes(x = gdpPercap, y = lifeExp, color = continent)) + geom_point() + scale_x_log10() + theme_minimal(base_size = 11) + theme(text = element_text(family = "kanit")) + labs(title = "BIP vs. Lebenserwartung") p2 <- ggplot(gapminder::gapminder %>% filter(year == 2007), aes(x = pop, y = lifeExp, color = continent)) + geom_point() + scale_x_log10() + theme_minimal(base_size = 11) + theme(text = element_text(family = "kanit")) + labs(title = "Bevoelkerung vs. Lebenserwartung") p1 + p2 + plot_layout(guides = "collect") ``` Ohne `guides = "collect"` wuerde jeder Plot seine eigene Kontinent-Legende zeigen - redundant und platzverschwendend. # Annotationen `plot_annotation()` fuegt Titel, Untertitel, Quellenangaben und automatische Panel-Tags zur kombinierten Abbildung hinzu: ```{r} #| label: pw-annotation #| fig-showtext: true #| fig-width: 10 #| fig-height: 5 p1 + p2 + plot_layout(guides = "collect") + plot_annotation( title = "Gapminder 2007", subtitle = "Zwei Perspektiven auf globale Entwicklung", tag_levels = "A" ) & theme( text = element_text(family = "kanit"), plot.tag = element_text(face = "bold") ) ``` Das `tag_levels`-Argument beschriftet Panels automatisch als "A", "B", "C" (oder "1", "2", "3", "a", "b", "c", "I", "II", "III"). Das ist essenziell fuer Journal-Abbildungen, in denen Panels im Text referenziert werden muessen. # Der `&`-Operator Man beachte den `&`-Operator im letzten Beispiel. Das ist eine der nuetzlichsten Funktionen von patchwork: - **`+`** fuegt eine Theme-Aenderung nur zum **letzten** Plot hinzu - **`&`** wendet eine Theme-Aenderung auf **alle** Plots in der Komposition an Diese Unterscheidung ist wichtig, wenn man ein einheitliches Theme ueber alle Panels hinweg anwenden moechte: ```{r} #| label: pw-ampersand #| fig-showtext: true #| fig-width: 10 #| fig-height: 5 p1 + p2 + plot_layout(guides = "collect") + plot_annotation(tag_levels = "A") & theme_minimal(base_size = 11) & theme(text = element_text(family = "kanit")) ``` # Ueber patchwork hinaus: cowplot Das [{cowplot}](https://wilkelab.org/cowplot/)-Paket von Claus Wilke bietet ergaenzende Funktionalitaet zum Kombinieren von Plots. Waehrend patchwork bei gitterbasierten Layouts mit seiner Operatorsyntax glaenzt, punktet cowplot in zwei spezifischen Bereichen: automatische Panel-Beschriftungen und Inset-Plots. ## Einfaches Gitter mit cowplot Die `cowplot::plot_grid()`-Funktion arbeitet aehnlich wie patchworks `+`-Operator, bietet aber Panel-Beschriftungen direkt ueber das `labels`-Argument: ```{r} #| label: pw-cowplot-grid #| fig-showtext: true #| fig-width: 10 #| fig-height: 5 #| warning: false cowplot::plot_grid(p1, p2, labels = "AUTO") ``` `labels = "AUTO"` erzeugt Grossbuchstaben-Labels (A, B, C, ...), waehrend `labels = "auto"` Kleinbuchstaben liefert (a, b, c, ...). ## Inset-Plots Eine Funktion, die patchwork nicht bietet, ist das Platzieren eines kleinen Plots *innerhalb* eines groesseren - ein Inset-Plot. Das ist nuetzlich, um ein vergroessertes Detail, eine zusammenfassende Statistik oder eine ergaenzende Ansicht innerhalb derselben Abbildung zu zeigen. Die Funktionen `cowplot::ggdraw()` und `cowplot::draw_plot()` machen das unkompliziert: ```{r} #| label: pw-cowplot-inset #| fig-showtext: true #| fig-width: 7 #| fig-height: 5 #| warning: false dat_2007 <- gapminder::gapminder %>% filter(year == 2007) p_main <- ggplot(dat_2007, aes(x = gdpPercap, y = lifeExp, color = continent)) + geom_point(alpha = 0.7) + scale_x_log10() + labs(x = "BIP pro Kopf", y = "Lebenserwartung", color = "Kontinent") + theme_minimal(base_size = 12) + theme(text = element_text(family = "kanit")) p_inset <- ggplot(dat_2007, aes(x = continent, fill = continent)) + geom_bar(show.legend = FALSE) + labs(x = NULL, y = "Anzahl") + theme_minimal(base_size = 8) + theme( text = element_text(family = "kanit"), axis.text.x = element_text(angle = 45, hjust = 1), plot.background = element_rect(fill = "white", color = "grey80") ) cowplot::ggdraw(p_main) + cowplot::draw_plot(p_inset, x = 0.55, y = 0.15, width = 0.4, height = 0.4) ``` Die Argumente `x`, `y`, `width` und `height` in `draw_plot()` verwenden relative Koordinaten (0 bis 1), wobei (0, 0) die untere linke Ecke ist. Durch Anpassen dieser Werte positioniert und dimensioniert man den Inset-Plot innerhalb der Hauptabbildung. Fuer die meisten Multi-Panel-Layouts bleibt patchwork aufgrund seiner saubereren Syntax und automatischen Ausrichtung die bessere Wahl. cowplot lohnt sich, wenn man Inset-Plots benoetigt oder das `plot_grid()`-Interface fuer einfache Nebeneinander-Anordnungen mit automatischen Labels bevorzugt. :::{.callout-tip} ## Wann Facets und wann patchwork? Beide Werkzeuge erstellen Multi-Panel-Abbildungen, aber sie dienen unterschiedlichen Zwecken: - **Facets** (`facet_wrap()`, `facet_grid()`): Gleicher Plottyp, gleiche Datenstruktur, aufgeteilt nach einer Gruppierungsvariable. Achsen werden geteilt oder individuell skaliert. Am besten fuer systematische Vergleiche innerhalb eines Datensatzes. - **Patchwork**: Verschiedene Plottypen, verschiedene Datensaetze oder verschiedene aesthetische Mappings. Jedes Panel ist ein voellig unabhaengiger ggplot. Am besten zum Kombinieren komplementaerer Sichten auf die Daten. Eine gute Faustregel: Wenn man die Panels als "denselben Plot fuer verschiedene Gruppen" beschreiben kann, nimmt man Facets. Wenn die Panels grundlegend verschiedene Dinge zeigen, nimmt man patchwork. :::