第3章: ggplot2による美しい可視化

ggplot2とは？

ggplot2は「Grammar of Graphics」の理念に基づいて設計された、革新的なデータ可視化パッケージです。グラフを構成要素に分解し、それらを組み合わせることで、無限の表現力を実現します。

従来のグラフ作成ツールとは異なり、ggplot2では「何を見せるか」と「どう見せるか」を明確に分離し、論理的で美しいビジュアライゼーションを作成できます。

ggplot2_setup.R

                            # ggplot2の読み込み（tidyverseに含まれる）
                            library(ggplot2)
                            library(dplyr)
                            
                            # サンプルデータの作成
                            sample_data <- data.frame(
                              x = c(1, 2, 3, 4, 5),
                              y = c(2, 5, 3, 8, 7),
                              category = c("A", "B", "A", "B", "A")
                            )
                            
                            # 最初のggplotグラフ
                            ggplot(sample_data, aes(x = x, y = y)) +
                              geom_point(size = 3, color = "#00ffff") +
                              theme_minimal()
                        

🎨 出力結果

Grammar of Graphics

ggplot2の核心は「Grammar of Graphics」です。これは、グラフを以下の7つの要素に分解して考える理論的フレームワークです：

Data - 可視化するデータセット
Aesthetics - データを視覚的属性（x, y, color, size等）にマッピング
Geometries - データの幾何学的表現（点、線、棒等）
Facets - サブプロット作成
Statistics - データの統計的変換
Coordinates - 座標系の定義
Themes - グラフの外観

grammar_structure.R

                            # Grammar of Graphicsの基本構造
                            ggplot(
                              data = your_data,                    # 1. Data
                              mapping = aes(x = var1, y = var2)   # 2. Aesthetics
                            ) +
                              geom_point() +                      # 3. Geometries
                              facet_wrap(~category) +            # 4. Facets
                              stat_smooth() +                    # 5. Statistics
                              coord_cartesian() +                # 6. Coordinates
                              theme_minimal()                    # 7. Themes
                        

ジオメトリ：データの形

ジオメトリ（geom）は、データを視覚的に表現する方法を決定します。ggplot2には30以上のgeomが用意されており、用途に応じて適切なものを選択できます。

geom_point()

散布図を作成します。2つの連続変数の関係を調べるのに最適です。

geom_point(aes(x, y, color, size))

geom_line()

線グラフを作成します。時系列データや連続性のあるデータの変化を表現します。

geom_line(aes(x, y, color, linetype))

geom_bar()

棒グラフを作成します。カテゴリカルデータの頻度や量を比較するのに使用します。

geom_bar(aes(x, fill), stat = "count")

geom_histogram()

ヒストグラムを作成します。連続変数の分布を視覚化するのに最適です。

geom_histogram(aes(x, fill), bins = 30)

geom_boxplot()

箱ひげ図を作成します。データの分布、外れ値、四分位数を一目で把握できます。

geom_boxplot(aes(x, y, fill))

geom_density()

密度プロットを作成します。データの分布を滑らかな曲線で表現します。

geom_density(aes(x, fill), alpha = 0.7)

🔶 geom_point(): 散布図の作成

scatter_plot_example.R

                            # mtcarsデータで馬力と燃費の関係を調べる
                            library(ggplot2)
                            
                            # 基本的な散布図
                            p1 <- ggplot(mtcars, aes(x = hp, y = mpg)) +
                              geom_point(size = 3, color = "#00ffff") +
                              labs(title = "馬力と燃費の関係", 
                                   x = "馬力 (hp)", y = "燃費 (mpg)") +
                              theme_dark()
                            
                            # 気筒数で色分けした散布図
                            p2 <- ggplot(mtcars, aes(x = hp, y = mpg, color = factor(cyl))) +
                              geom_point(size = 4, alpha = 0.8) +
                              scale_color_manual(values = c("#ff1493", "#00ffff", "#39ff14")) +
                              labs(title = "気筒数別馬力と燃費",
                                   x = "馬力 (hp)", y = "燃費 (mpg)", color = "気筒数") +
                              theme_dark()
                            
                            print(p2)
                        

🎨 出力結果

📈 geom_line(): 時系列データの可視化

line_plot_example.R

                            # 時系列データの作成と可視化
                            library(ggplot2)
                            library(dplyr)
                            
                            # サンプルの売上データ
                            sales_data <- data.frame(
                              month = 1:12,
                              product_A = c(120, 135, 158, 142, 168, 195, 210, 198, 185, 172, 165, 148),
                              product_B = c(95, 108, 125, 140, 155, 178, 192, 205, 220, 235, 248, 260)
                            )
                            
                            # データをlong形式に変換
                            sales_long <- sales_data %>%
                              tidyr::pivot_longer(cols = starts_with("product"), 
                                                      names_to = "product", values_to = "sales")
                            
                            # 線グラフで売上推移を可視化
                            ggplot(sales_long, aes(x = month, y = sales, color = product)) +
                              geom_line(size = 2, alpha = 0.8) +
                              geom_point(size = 3) +
                              scale_color_manual(values = c("#ff1493", "#00ffff")) +
                              scale_x_continuous(breaks = 1:12, 
                                                     labels = paste0(1:12, "月")) +
                              labs(title = "製品別売上推移 (2023年)",
                                   x = "月", y = "売上 (万円)", color = "製品") +
                              theme_dark() +
                              theme(panel.grid.major = element_line(color = "#333"))
                        

🎨 出力結果

美学マッピング

美学（aesthetics）は、データの値を視覚的属性にマッピングする方法を定義します。色、サイズ、形、透明度などを使って、データに追加の次元を与えることができます。

効果的な美学マッピングは、データの隠れたパターンや関係性を浮き彫りにし、視聴者の理解を深めます。

aesthetics_advanced.R

                            # 複雑な美学マッピングの例
                            complex_plot <- ggplot(mtcars, 
                              aes(x = wt,                     # x軸: 重量
                                  y = mpg,                   # y軸: 燃費
                                  color = hp,                # 色: 馬力（連続値）
                                  size = qsec,               # サイズ: 加速性能
                                  shape = factor(cyl)        # 形: 気筒数
                              )
                            ) +
                              geom_point(alpha = 0.8) +
                              scale_color_gradient(
                                low = "blue", high = "red",
                                name = "馬力"
                              ) +
                              scale_size_continuous(
                                range = c(2, 8),
                                name = "1/4マイル時間"
                              ) +
                              labs(
                                title = "自動車の性能総合分析",
                                subtitle = "重量、燃費、馬力、加速性能、気筒数の関係",
                                x = "重量 (1000 lbs)",
                                y = "燃費 (mpg)",
                                shape = "気筒数"
                              ) +
                              theme_minimal() +
                              theme(
                                plot.title = element_text(size = 16, face = "bold"),
                                legend.position = "bottom"
                              )
                        

🎨 出力結果: 5次元データの統合可視化

このように、一つのグラフで5次元の情報（x, y, color, size, shape）を同時に表現することで、データの複雑な関係性を一目で理解できるようになります。効果的な美学マッピングにより、以下のパターンが読み取れます：

重量と燃費: 負の相関関係（重い車ほど燃費が悪い）
気筒数の影響: 8気筒車は重く、燃費が悪い傾向
馬力と色: 赤い点（高馬力）ほど燃費が悪い
サイズと加速: 大きい点ほど加速が遅い

実践的なグラフ作成

ggplot2の真価は、実際のデータを使って美しく洞察に富んだグラフを作成することにあります。ここでは、よく使われるグラフパターンと、プロフェッショナルな仕上げのテクニックを学びましょう。

時系列データの可視化

時系列データは、ビジネスや研究において最も重要なデータタイプの一つです。トレンド、季節性、異常値を効果的に可視化する方法を見てみましょう。

timeseries_analysis.R

                            # 時系列データの準備
                            library(tidyverse)
                            library(lubridate)
                            
                            # サンプル売上データの作成
                            sales_ts <- tibble(
                              date = seq(as.Date("2020-01-01"), as.Date("2023-12-31"), by = "month"),
                              product_a = cumsum(rnorm(48, mean = 50, sd = 20)) + 1000,
                              product_b = cumsum(rnorm(48, mean = 30, sd = 15)) + 800,
                              product_c = cumsum(rnorm(48, mean = 25, sd = 12)) + 600
                            ) %>%
                              pivot_longer(
                                cols = starts_with("product"),
                                names_to = "product",
                                values_to = "sales"
                              )
                            
                            # 美しい時系列グラフの作成
                            timeseries_plot <- ggplot(sales_ts, aes(x = date, y = sales, color = product)) +
                              geom_line(size = 1.2, alpha = 0.8) +
                              geom_point(size = 2, alpha = 0.6) +
                              scale_x_date(
                                date_breaks = "6 months",
                                date_labels = "%Y年%m月",
                                expand = expansion(mult = c(0.02, 0.02))
                              ) +
                              scale_y_continuous(
                                labels = scales::comma_format(suffix = "万円"),
                                expand = expansion(mult = c(0, 0.1))
                              ) +
                              scale_color_manual(
                                values = c("product_a" = "#00ffff", "product_b" = "#ff00ff", "product_c" = "#39ff14"),
                                labels = c("製品A", "製品B", "製品C")
                              ) +
                              labs(
                                title = "製品別売上高の推移",
                                subtitle = "2020年1月〜2023年12月",
                                x = "年月",
                                y = "売上高",
                                color = "製品",
                                caption = "データ：社内売上システム"
                              ) +
                              theme_minimal() +
                              theme(
                                axis.text.x = element_text(angle = 45, hjust = 1),
                                legend.position = "bottom",
                                plot.title = element_text(size = 16, face = "bold")
                              )
                        

分布の比較と統計可視化

データの分布を理解することは、統計分析の基本です。複数グループの分布を効果的に比較する方法を学びましょう。

distribution_analysis.R

                            # 分布分析用データの準備
                            survey_data <- tibble(
                              age_group = rep(c("20代", "30代", "40代", "50代"), each = 250),
                              income = c(
                                rnorm(250, mean = 350, sd = 80),   # 20代
                                rnorm(250, mean = 450, sd = 100),  # 30代
                                rnorm(250, mean = 550, sd = 120),  # 40代
                                rnorm(250, mean = 600, sd = 150)   # 50代
                              ),
                              satisfaction = sample(c("低", "中", "高"), 1000, replace = TRUE)
                            )
                            
                            # 複合的な分布可視化
                            distribution_plot <- ggplot(survey_data, aes(x = age_group, y = income)) +
                              geom_violin(
                                aes(fill = age_group),
                                alpha = 0.7,
                                scale = "width"
                              ) +
                              geom_boxplot(
                                width = 0.2,
                                alpha = 0.9,
                                outlier.color = "red",
                                outlier.size = 2
                              ) +
                              stat_summary(
                                fun = mean,
                                geom = "point",
                                color = "white",
                                size = 3,
                                shape = 18
                              ) +
                              scale_fill_manual(
                                values = c("#00ffff", "#39ff14", "#ff6600", "#ff00ff")
                              ) +
                              scale_y_continuous(
                                labels = scales::comma_format(suffix = "万円")
                              ) +
                              labs(
                                title = "年代別年収分布の比較",
                                subtitle = "バイオリンプロット + 箱ひげ図 + 平均値",
                                x = "年代",
                                y = "年収",
                                fill = "年代"
                              ) +
                              theme_minimal() +
                              theme(legend.position = "none")
                        

相関関係とパターンの発見

散布図は変数間の関係を理解するための最も強力なツールの一つです。回帰線、信頼区間、グループ分けを組み合わせた高度な分析を行いましょう。

correlation_analysis.R

                            # 相関分析用データ（mtcarsを拡張）
                            car_data <- mtcars %>%
                              rownames_to_column("model") %>%
                              as_tibble() %>%
                              mutate(
                                transmission = ifelse(am == 1, "マニュアル", "オートマ"),
                                efficiency_class = case_when(
                                  mpg >= 25 ~ "高効率",
                                  mpg >= 20 ~ "中効率",
                                  TRUE ~ "低効率"
                                )
                              )
                            
                            # 高度な散布図の作成
                            correlation_plot <- ggplot(car_data, aes(x = wt, y = mpg)) +
                              # 背景の密度等高線
                              stat_density_2d(alpha = 0.3, color = "gray70") +
                              # 回帰線と信頼区間
                              geom_smooth(
                                method = "lm",
                                color = "#ff00ff",
                                fill = "#ff00ff",
                                alpha = 0.2
                              ) +
                              # データポイント
                              geom_point(
                                aes(color = transmission, size = hp, shape = efficiency_class),
                                alpha = 0.8
                              ) +
                              # ラベル付け（outlierのみ）
                              geom_text(
                                data = car_data %>% filter(mpg > 30 | wt > 5),
                                aes(label = model),
                                nudge_y = 1,
                                size = 3,
                                color = "white"
                              ) +
                              scale_color_manual(
                                values = c("マニュアル" = "#00ffff", "オートマ" = "#39ff14")
                              ) +
                              scale_size_continuous(range = c(3, 8)) +
                              labs(
                                title = "自動車の重量と燃費の関係",
                                subtitle = "変速機タイプ、馬力、効率クラス別分析",
                                x = "重量 (1000 lbs)",
                                y = "燃費 (mpg)",
                                color = "変速機",
                                size = "馬力",
                                shape = "効率クラス"
                              ) +
                              theme_dark() +
                              theme(
                                plot.background = element_rect(fill = "black"),
                                panel.background = element_rect(fill = "gray10"),
                                legend.position = "bottom"
                              )
                        

ファセットによる多次元分析

ファセットは、データの複数の側面を同時に可視化する強力な機能です。Small Multiplesの原理により、複雑なパターンを理解しやすくします。

facet_analysis.R

                            # 複雑なビジネスデータのシミュレーション
                            business_data <- expand_grid(
                              region = c("東京", "大阪", "名古屋", "福岡"),
                              quarter = c("Q1", "Q2", "Q3", "Q4"),
                              product_category = c("電子機器", "家具", "衣料品")
                            ) %>%
                              mutate(
                                sales = case_when(
                                  region == "東京" ~ rnorm(n(), mean = 1500, sd = 300),
                                  region == "大阪" ~ rnorm(n(), mean = 1200, sd = 250),
                                  region == "名古屋" ~ rnorm(n(), mean = 800, sd = 200),
                                  TRUE ~ rnorm(n(), mean = 600, sd = 150)
                                ),
                                profit_margin = case_when(
                                  product_category == "電子機器" ~ runif(n(), 0.15, 0.25),
                                  product_category == "家具" ~ runif(n(), 0.30, 0.45),
                                  TRUE ~ runif(n(), 0.50, 0.70)
                                )
                              )
                            
                            # ファセットを活用した多次元可視化
                            facet_plot <- ggplot(business_data, aes(x = quarter, y = sales)) +
                              geom_col(
                                aes(fill = product_category),
                                position = "dodge",
                                alpha = 0.8
                              ) +
                              geom_text(
                                aes(label = scales::comma(sales, accuracy = 1), group = product_category),
                                position = position_dodge(width = 0.9),
                                vjust = -0.5,
                                size = 3,
                                color = "white"
                              ) +
                              facet_wrap(~region, scales = "free_y", ncol = 2) +
                              scale_fill_manual(
                                values = c("電子機器" = "#00ffff", "家具" = "#ff6600", "衣料品" = "#39ff14")
                              ) +
                              scale_y_continuous(
                                labels = scales::comma_format(suffix = "万円")
                              ) +
                              labs(
                                title = "地域別・四半期別・商品カテゴリ別売上分析",
                                subtitle = "複数次元での売上パフォーマンス比較",
                                x = "四半期",
                                y = "売上高",
                                fill = "商品カテゴリ"
                              ) +
                              theme_minimal() +
                              theme(
                                strip.text = element_text(size = 12, face = "bold"),
                                legend.position = "bottom"
                              )
                        

ファセット：多次元データの分割表示

ファセットは、データをサブグループに分割して複数のサブプロットを作成する強力な機能です。パターンの比較や、カテゴリ別の傾向を同時に把握することができます。

📊 facet_wrap(): 1変数での分割

facet_wrap_example.R

                            # 気筒数別の燃費と馬力の関係
                            library(ggplot2)
                            
                            facet_plot <- ggplot(mtcars, aes(x = hp, y = mpg)) +
                              geom_point(aes(color = factor(am)), size = 3, alpha = 0.7) +
                              geom_smooth(method = "lm", se = FALSE, color = "#39ff14", size = 1.2) +
                              facet_wrap(~cyl, scales = "free", ncol = 3) +
                              scale_color_manual(
                                values = c("0" = "#ff1493", "1" = "#00ffff"),
                                labels = c("AT", "MT")
                              ) +
                              labs(
                                title = "気筒数別：馬力と燃費の関係",
                                subtitle = "トランスミッション別に色分け",
                                x = "馬力 (hp)", y = "燃費 (mpg)",
                                color = "トランスミッション"
                              ) +
                              theme_dark() +
                              theme(
                                strip.background = element_rect(fill = "#2a2a2a"),
                                strip.text = element_text(color = "#00ffff", size = 12, face = "bold"),
                                panel.grid = element_line(color = "#333")
                              )
                            
                            print(facet_plot)
                        

🎨 出力結果

🔲 facet_grid(): 2変数での分割

facet_grid_example.R

                            # 気筒数×トランスミッションでのクロス分析
                            grid_plot <- ggplot(mtcars, aes(x = hp, y = mpg)) +
                              geom_point(aes(color = factor(gear)), size = 3, alpha = 0.8) +
                              geom_smooth(method = "loess", se = TRUE, alpha = 0.2) +
                              facet_grid(am ~ cyl, 
                                          labeller = labeller(am = c("0" = "オートマ", "1" = "マニュアル"))) +
                              scale_color_manual(
                                values = c("3" = "#ff1493", "4" = "#00ffff", "5" = "#39ff14"),
                                name = "ギア数"
                              ) +
                              labs(
                                title = "トランスミッション×気筒数別：性能分析",
                                x = "馬力 (hp)", y = "燃費 (mpg)"
                              ) +
                              theme_minimal() +
                              theme(
                                strip.text = element_text(size = 10, face = "bold")
                              )
                        

スケール：データマッピングの制御

スケールは、データの値を視覚的属性（位置、色、サイズなど）にマッピングする方法を制御します。適切なスケールの選択により、データの特性を効果的に伝えることができます。

🌈 カラースケール

color_scales_example.R

                            # 様々なカラースケールの使用例
                            library(ggplot2)
                            library(viridis)
                            
                            # 連続値のカラーグラデーション
                            continuous_color <- ggplot(mtcars, aes(x = wt, y = mpg, color = hp)) +
                              geom_point(size = 4, alpha = 0.8) +
                              scale_color_viridis_c(
                                option = "plasma",
                                name = "馬力\n(hp)",
                                guide = guide_colorbar(
                                  barwidth = 1,
                                  barheight = 10,
                                  title.position = "top"
                                )
                              ) +
                              labs(
                                title = "連続カラースケール：Viridis Plasma",
                                x = "重量 (1000 lbs)", y = "燃費 (mpg)"
                              ) +
                              theme_dark() +
                              theme(legend.position = "right")
                            
                            # カテゴリカルデータの色分け
                            discrete_color <- ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl))) +
                              geom_point(size = 4) +
                              scale_color_brewer(
                                type = "qual",
                                palette = "Set1",
                                name = "気筒数"
                              ) +
                              labs(title = "カテゴリカルカラー：ColorBrewer Set1")
                        

📏 軸スケール

axis_scales_example.R

                            # 軸の変換とカスタマイズ
                            log_scale_plot <- ggplot(mtcars, aes(x = hp, y = mpg)) +
                              geom_point(aes(color = factor(cyl)), size = 3) +
                              scale_x_log10(
                                breaks = c(50, 100, 200, 400),
                                labels = c("50hp", "100hp", "200hp", "400hp")
                              ) +
                              scale_y_continuous(
                                breaks = seq(10, 35, 5),
                                labels = function(x) paste0(x, " mpg"),
                                limits = c(10, 35)
                              ) +
                              labs(
                                title = "対数スケールを使用した軸変換",
                                subtitle = "X軸：対数スケール、Y軸：線形スケール",
                                x = "馬力 (対数スケール)", y = "燃費",
                                color = "気筒数"
                              ) +
                              theme_minimal()
                        

座標系：データの幾何学的表現

座標系は、データを平面上にどのように配置するかを決定します。デカルト座標系以外にも、極座標系や地図投影など、データの性質に応じた様々な座標系を選択できます。

coordinate_systems.R

                            # 極座標系を使用した円グラフ
                            pie_data <- data.frame(
                              category = c("製品A", "製品B", "製品C", "製品D"),
                              value = c(30, 25, 25, 20)
                            )
                            
                            polar_plot <- ggplot(pie_data, aes(x = "", y = value, fill = category)) +
                              geom_col(width = 1, color = "white", size = 2) +
                              coord_polar(theta = "y", start = 0) +
                              scale_fill_manual(
                                values = c("#ff1493", "#00ffff", "#39ff14", "#ffd700")
                              ) +
                              labs(
                                title = "極座標系による円グラフ",
                                subtitle = "製品別市場シェア",
                                fill = "製品"
                              ) +
                              theme_void() +
                              theme(
                                plot.title = element_text(hjust = 0.5, size = 16),
                                plot.subtitle = element_text(hjust = 0.5, size = 12),
                                legend.position = "bottom"
                              )
                            
                            # 軸の入れ替え
                            flipped_plot <- ggplot(mtcars, aes(x = reorder(rownames(mtcars), mpg), y = mpg)) +
                              geom_col(fill = "#00ffff", alpha = 0.8) +
                              coord_flip() +
                              labs(
                                title = "軸入れ替えによる水平棒グラフ",
                                x = "車種", y = "燃費 (mpg)"
                              ) +
                              theme_minimal() +
                              theme(axis.text.y = element_text(size = 8))
                        

統計変換：データの数学的分析

統計変換（stat）は、生データを数学的に変換して、データのパターンや傾向を可視化します。回帰線、密度推定、統計要約など、データサイエンスに不可欠な機能です。

📈 stat_smooth(): 回帰線と傾向

regression_analysis.R

                            # 様々な回帰モデルの比較
                            library(ggplot2)
                            library(dplyr)
                            
                            # 線形回帰、LOESS、GAMモデルの比較
                            regression_plot <- ggplot(mtcars, aes(x = hp, y = mpg)) +
                              geom_point(alpha = 0.7, size = 3, color = "white") +
                              # 線形回帰
                              stat_smooth(method = "lm", color = "#ff1493", 
                                          se = TRUE, alpha = 0.2, size = 1.5) +
                              # LOESS回帰
                              stat_smooth(method = "loess", color = "#00ffff", 
                                          se = FALSE, size = 1.5, linetype = "dashed") +
                              # GAM回帰
                              stat_smooth(method = "gam", color = "#39ff14", 
                                          se = FALSE, size = 1.5, linetype = "dotted") +
                              labs(
                                title = "回帰モデルの比較分析",
                                subtitle = "線形(LM), LOESS, GAMの異なるアプローチ",
                                x = "馬力 (hp)", y = "燃費 (mpg)"
                              ) +
                              theme_dark() +
                              theme(
                                plot.background = element_rect(fill = "black"),
                                panel.background = element_rect(fill = "#1a1a1a"),
                                panel.grid = element_line(color = "#333")
                              )
                        

🎨 出力結果

📊 stat_summary(): 統計要約

statistical_summary.R

                            # カスタム統計要約の作成
                            summary_plot <- ggplot(mtcars, aes(x = factor(cyl), y = mpg)) +
                              # 生データポイント
                              geom_jitter(alpha = 0.6, width = 0.2, color = "white") +
                              # 平均値と標準誤差
                              stat_summary(
                                fun = mean,
                                fun.min = function(x) mean(x) - sd(x),
                                fun.max = function(x) mean(x) + sd(x),
                                geom = "pointrange",
                                color = "#ff1493",
                                size = 1.2
                              ) +
                              # 中央値と四分位数
                              stat_summary(
                                fun = median,
                                fun.min = function(x) quantile(x, 0.25),
                                fun.max = function(x) quantile(x, 0.75),
                                geom = "pointrange",
                                color = "#00ffff",
                                size = 1.2,
                                position = position_nudge(x = 0.1)
                              ) +
                              labs(
                                title = "カスタム統計要約の比較",
                                subtitle = "平均±SD (ピンク) vs 中央値±IQR (シアン)",
                                x = "気筒数", y = "燃費 (mpg)"
                              ) +
                              theme_dark()
                        

プロフェッショナルなテーマ設計

グラフの見た目は、データの理解と信頼性に大きく影響します。ggplot2の強力なテーマシステムを活用して、用途に応じた美しいグラフを作成しましょう。

カスタムテーマの作成

組織のブランドに合わせたカスタムテーマを作成することで、一貫性のある美しい可視化を実現できます。

custom_themes.R

                            # カスタム企業テーマの定義
                            theme_corporate <- function(base_size = 12, base_family = "") {
                              theme_minimal(base_size = base_size, base_family = base_family) +
                                theme(
                                  # 全体の背景
                                  plot.background = element_rect(fill = "white", color = NA),
                                  panel.background = element_rect(fill = "white", color = NA),
                                  
                                  # グリッド線
                                  panel.grid.major = element_line(color = "gray90", size = 0.5),
                                  panel.grid.minor = element_blank(),
                                  
                                  # 軸とタイトル
                                  axis.line = element_line(color = "gray30", size = 0.5),
                                  axis.ticks = element_line(color = "gray30", size = 0.3),
                                  axis.text = element_text(color = "gray20", size = rel(0.9)),
                                  axis.title = element_text(color = "gray10", size = rel(1.0)),
                                  
                                  # プロットタイトル
                                  plot.title = element_text(
                                    color = "#2c3e50",
                                    size = rel(1.4),
                                    face = "bold",
                                    hjust = 0,
                                    margin = margin(b = 20)
                                  ),
                                  plot.subtitle = element_text(
                                    color = "gray40",
                                    size = rel(1.1),
                                    hjust = 0,
                                    margin = margin(b = 20)
                                  ),
                                  plot.caption = element_text(
                                    color = "gray50",
                                    size = rel(0.8),
                                    hjust = 1,
                                    margin = margin(t = 20)
                                  ),
                                  
                                  # 凡例
                                  legend.background = element_rect(fill = "white", color = "gray80"),
                                  legend.key = element_rect(fill = "white", color = NA),
                                  legend.text = element_text(color = "gray20"),
                                  legend.title = element_text(color = "gray10", face = "bold"),
                                  
                                  # ファセット
                                  strip.background = element_rect(fill = "#ecf0f1", color = "gray80"),
                                  strip.text = element_text(color = "#2c3e50", face = "bold")
                                )
                            }
                            
                            # ダークモード テーマ
                            theme_dark_pro <- function(base_size = 12) {
                              theme_void(base_size = base_size) +
                                theme(
                                  plot.background = element_rect(fill = "#1a1a1a", color = NA),
                                  panel.background = element_rect(fill = "#2d2d2d", color = NA),
                                  panel.grid.major = element_line(color = "#404040", size = 0.3),
                                  panel.grid.minor = element_line(color = "#333333", size = 0.1),
                                  axis.text = element_text(color = "#e0e0e0"),
                                  axis.title = element_text(color = "#f0f0f0"),
                                  plot.title = element_text(color = "#00ffff", face = "bold"),
                                  plot.subtitle = element_text(color = "#cccccc"),
                                  legend.text = element_text(color = "#e0e0e0"),
                                  legend.title = element_text(color = "#f0f0f0")
                                )
                            }
                            
                            # テーマ適用例
                            corporate_example <- ggplot(mpg, aes(x = displ, y = hwy, color = class)) +
                              geom_point(size = 3, alpha = 0.7) +
                              geom_smooth(method = "lm", se = FALSE, color = "#e74c3c") +
                              labs(
                                title = "エンジン排気量と燃費の関係",
                                subtitle = "車種クラス別の分析結果",
                                x = "エンジン排気量 (L)",
                                y = "高速道路燃費 (mpg)",
                                color = "車種クラス",
                                caption = "データソース: EPA燃費データベース"
                              ) +
                              theme_corporate() +
                              guides(color = guide_legend(title.position = "top"))
                        

これらの実践例により、ggplot2を使った本格的なデータ可視化の技術を身につけることができます。美しいグラフは、データの物語を効果的に伝え、意思決定をサポートする強力なツールになります。

高度なテクニック

ggplot2の真の力は、基本要素を組み合わせて革新的なビジュアライゼーションを作成することにあります。ファセット、統計変換、カスタムテーマを駆使して、データの物語を効果的に伝えましょう。

advanced_visualization.R

                            # 多面的なデータ分析
                            library(dplyr)
                            
                            # データの前処理と可視化を組み合わせ
                            advanced_analysis <- mtcars %>%
                              mutate(
                                efficiency = case_when(
                                  mpg >= 25 ~ "High",
                                  mpg >= 20 ~ "Medium",
                                  TRUE ~ "Low"
                                ),
                                transmission = ifelse(am == 1, "Manual", "Automatic")
                              ) %>%
                              ggplot(aes(x = wt, y = hp)) +
                                geom_point(aes(color = efficiency, shape = transmission), 
                                           size = 3, alpha = 0.8) +
                                geom_smooth(method = "lm", se = FALSE, 
                                            color = "darkgray", linetype = "dashed") +
                                facet_wrap(~factor(cyl), ncol = 3, 
                                           labeller = labeller(.default = "気筒")) +
                                scale_color_manual(
                                  values = c("High" = "#00ff41", 
                                           "Medium" = "#ffaa00", 
                                           "Low" = "#ff0040")
                                ) +
                                labs(
                                  title = "自動車性能の多次元分析",
                                  subtitle = "重量、馬力、燃費効率、変速機タイプ、気筒数の関係",
                                  x = "重量 (1000 lbs)", y = "馬力 (hp)",
                                  color = "燃費効率", shape = "変速機"
                                ) +
                                theme_dark() +
                                theme(
                                  plot.background = element_rect(fill = "black"),
                                  panel.background = element_rect(fill = "gray10"),
                                  text = element_text(color = "white"),
                                  plot.title = element_text(size = 16, face = "bold", 
                                                             color = "cyan"),
                                  strip.text = element_text(color = "white", face = "bold")
                                )
                        