curso_plotly.Rmd

---
title: "Gráficas interactivas con plotly"
author: "ixpantia"
date: "11 de enero, 2020"
always_allow_html: yes
output:
  html_document:
    code_folding: hide
    self_contained: true
    number_sections: no
    theme: spacelab
    toc: yes
    toc_float:
      collapsed: false
editor_options:
  chunk_output_type: console
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE, warning = FALSE, message = FALSE)
options(scipen = 100, digits = 2)

library(dplyr)
library(ggplot2)
library(lubridate)
library(plotly)
library(readxl)
library(viridis)
library(listviewer)
```

# Introducción

Este documento contiene el código que se usará para la segunda partes del 
**Curso Profesional: Visualización de datos con R**. E esta segunda parte, el
documento hace un repaso por la construcción de un gráfico con `ggplot` para
finalmente darle interactividad con plotly. Luego entramos en detalle sobre cómo
construir gráficos directamente con el paquete plotly y revisamos algunas de las
opciones más importantes. 

El curso se imparte como parte de las iniciativas de [Data Latam](https://datalata.com).
Data Latam es una comunidad Latinoamericana de profesionales y académicos 
aplicando ciencia de datos en su día a día en la industria de datos en Latino 
América. En sus eventos, cursos y programas de extensión exploramos tecnologías,
aprendemos sobre ciencia de datos, hablamos de tendencias y eventos relevantes 
de la industria, y compartimos novedades del sector.

## **Datos para el curso**

Para el curso se hará uso de datos de delitos del Poder Judicial de Costa Rica 
así como proyecciones de población disponibles del Instituto Nacional de 
Estadística (INEC) de Costa Rica. La limpieza y procesamiento que se le dieron 
a los datos orignales para prepararlos para este curso se describe en el 
documento de [Preparación de datos](https://github.com/datalatam/visualizacion/blob/master/preparadatos.Rmd).

Dicho documento genera el archivo de Excel `datos_cr.xlsx`, el cual se carga a
continuación.

```{r ingerir_datos, include = FALSE}
datos_cr <- read_excel("datos/datos_cr.xlsx") %>% 
  mutate(fecha = as.Date(fecha))
```


## **Iniciando con la interactividad de Plotly**

A continuación, el proceso de construcción de un gráfico desde la prueba de
concepto hasta pulirlo para que sea de comunicación:

### Desde `ggplot()` a `ggplotly()`

```{r repaso}
# Primer paso
ggplot(datos_cr, aes(x = fecha, fill =  delito)) + 
  geom_bar()

# Segundo paso
ggplot(datos_cr, aes(x = fecha, fill =  delito)) + 
  scale_x_date(date_labels = "%b-%Y", date_breaks = "1 month") +
  geom_bar() 

# Tercer paso
datos_cr %>% 
  mutate(mes = month(fecha, label = TRUE)) %>% 
  ggplot(aes(mes, fill = delito)) +
  geom_bar() + 
  theme_bw(base_size = 16)

# Cuarto paso:
datos_cr %>% 
  mutate(mes = month(fecha, label = TRUE)) %>% 
  ggplot(aes(mes, fill = delito)) +
  geom_bar() + 
  scale_fill_viridis_d() + 
  theme_minimal(base_size = 16)

# Quinto paso:
datos_cr %>% 
  mutate(mes = month(fecha, label = TRUE)) %>% 
  ggplot(aes(mes, fill = delito)) +
  geom_bar() + 
  scale_fill_viridis_d() + 
  xlab("Mes del año 2019") + ylab("Total de casos") +
  theme_minimal(base_size = 16)

# Sexto paso
datos_cr %>% 
  mutate(mes = month(fecha, label = TRUE)) %>% 
  ggplot(aes(mes, fill = delito)) +
  geom_bar() + 
  scale_fill_viridis_d() + 
  xlab("Mes del año 2019") + ylab("Total de casos") +
  labs(title = "Total de tipos de delitos en Costa Rica durante el 2019",
       subtitle = "Datos obtenidos del Poder Judicial",
       fill = "Tipo de delito") +
  theme_minimal(base_size = 16) +
  theme(legend.position = "bottom")
```

### **Agregando interactividad con `ggplotly()`**
```{r ggplotly, fig.width = 9}
## Septimo paso
plot_1 <- datos_cr %>% 
  mutate(mes = month(fecha, label = TRUE)) %>% 
  ggplot(aes(mes, fill = delito)) +
  geom_bar() + 
  scale_fill_viridis_d() + 
  xlab("Mes del año 2019") + ylab("Total de casos") +
  labs(title = "Total de tipos de delitos en Costa Rica durante el 2019",
       subtitle = "Datos obtenidos del Poder Judicial",
       fill = "Tipo de delito") +
  theme_minimal(base_size = 16) +
  theme(legend.position = "bottom")

ggplotly(plot_1)

# Octavo paso:
ggplotly(plot_1) %>% 
  config(displayModeBar = F)
```

### **Construyendo el gráfico con `plot_ly()`**

En lugar de usar la función `ggplotly()`, construimos el gráfico directamente
con la funcionalidad de `plot_ly()`

```{r plotly, fig.width = 9}
# Paso 1
delitos_conteo <- datos_cr %>% 
  mutate(mes = month(fecha, label = TRUE)) %>% 
  count(mes, delito)

# Paso 2
plot_ly(data = delitos_conteo,
        x  = ~mes,
        y = ~n,
        type = "bar",
        color = ~delito)

# Paso 3
plot_ly(data = delitos_conteo,
        x  = ~mes,
        y = ~n,
        type = "bar",
        color = ~delito,
        colors = viridis_pal(option = "D")(2)) %>% 
  layout(yaxis = list(title = 'Count'), barmode = 'stack') %>% # Buscar ayuda del layout
  layout(legend = list(orientation = 'h', y = -0.3)) #TODO: Revisar el y 0.3
```

# Anidacion
```{r, fig.width = 9}
t <- list(
  family = "Raleway",
  size = 18,
  color = 'red')

plot_ly(data = delitos_conteo,
        x  = ~mes,
        y = ~n,
        type = "bar",
        color = ~delito,
        colors = viridis_pal(option = "D")(3)) %>%
  layout(yaxis = list(title = 'Count'), barmode = 'stack') %>%
  layout(legend = list(orientation = 'h', y = -0.3)) %>%
  layout(title = "Ejemplo", font = t)
```

## **Plotly desde el inicio**

En este segmento revisamos los argumentos y pasos para construir gráficos 
directamente con `plot_ly()`

### Scatterplot:

```{r scatterplot}
delitos_pob_ubic <- datos_cr %>% 
  group_by(provincia, ubicacion, pob2016) %>% 
  tally(name = "cantidad")

# Simple
plot_ly(delitos_pob_ubic, 
        x = ~pob2016,
        y = ~cantidad)

delitos_pob_ubic %>% 
  plot_ly() %>% 
  add_markers(x = ~pob2016, y = ~cantidad)

# plotly_json(x)

# Con color
plot_ly(delitos_pob_ubic, 
        x = ~pob2016,
        y = ~cantidad,
        color = ~provincia)

plot_ly(delitos_pob_ubic, 
        x = ~pob2016,
        y = ~cantidad) %>% 
  add_trace(color = ~provincia)

# Con tamaño
plot_ly(delitos_pob_ubic, 
        x = ~pob2016,
        y = ~cantidad, 
        mode = "markers",
        color = ~provincia,
        size = ~pob2016)
```

### Gráfico de cajas (boxplot) histogramas y otras distribuciones

```{r grafico cajas}
# Multiples distribuciones
plot_ly(datos_cr, x = ~delito, color = ~provincia) %>%
  add_histogram()

# Histograma
plot_ly(data = datos_cr,
        x = ~ pob2016,
        type = "histogram")

## Agregando provincias
plot_ly(data = datos_cr,
        x = ~ pob2016,
        color = ~provincia,
        type = "histogram")

# Boxplot
plot_ly(data = delitos_pob_ubic,
        x = ~provincia,
        y = ~cantidad,
        type = "box")

plot_ly(data = delitos_pob_ubic,
        y = ~cantidad,
        color = ~provincia,
        type = "box")
```

## **Mejorando con ggplotly**

### Texto de las etiquetas

```{r etiquetas}
delitos_pob_ubic <- datos_cr %>% 
  group_by(provincia, ubicacion, pob2016, delito) %>% 
  tally(name = "cantidad")

plot_ly(data = delitos_pob_ubic,
        x = ~pob2016, 
        y = ~cantidad,
        color = ~provincia,
        # size = ~pob2016,
        text = ~delito,
        type = "scatter",
        mode = "markers",
        hovertemplate = paste(
          "Tipo de delito: <b>%{text}</b><br>",
          "Población: %{x}<br>"
        )
)
```

```{r}
plot_ly(data = delitos_pob_ubic,
        x = ~pob2016, 
        y = ~cantidad,
        color = ~provincia,
        type = "scatter",
        mode = "markers",
        hoverinfo = "text",
        text = ~paste("</br> <b>Tipo de delito: </b>", delito,
                      "</br> Provincia:", provincia))
```

Entendiendo las listas de json usadas con plotly

```{r}
p <- ggplot(delitos_pob_ubic, aes(x = pob2016, y = cantidad)) +
   geom_point() + geom_smooth()
ggplotly(p)

# plotly_json(p)

style(p, hoverinfo = "none", traces = 2:3)
```

### Varios gráficos

```{r}
p <- plot_ly(data = delitos_pob_ubic, x = ~pob2016, y = ~cantidad, alpha = 0.3)

subplot(
  add_markers(p, size = ~cantidad, name = "Cantidad de delitos"),
  add_markers(p, size = ~pob2016, name = "Población")
) #Ir agregando mas con subplot
```


### Animaciones en un gráfico

#### Un gráfico básico para iniciar

```{r animacion basico}
delitos_conteo <- datos_cr %>% 
  mutate(mes = month(fecha, label = TRUE)) %>% 
  count(provincia, mes, delito)

gg <- ggplot(delitos_conteo, aes(x = mes, y = n, color = delito)) +
  geom_point(aes(size = n, frame = mes, ids = provincia))

ggplotly(gg)
```

#### Un gráfico más elaborado

```{r animacion complejo}
poblacion <- datos_cr %>% 
  filter(!is.na(provincia)) %>% 
  distinct(provincia, distrito, pob2016) %>% 
  group_by(provincia) %>% 
  summarise(
    poblacion = sum(pob2016, na.rm = TRUE) / 1000
  ) %>% 
  filter(provincia != "Desconocido")

resumen <- datos_cr %>% 
  filter(!is.na(provincia)) %>% 
  mutate(mes = month(fecha, label = TRUE)) %>%
  group_by(mes, provincia, delito, genero) %>% 
  tally(name = "delitos_por_genero") %>%
  group_by(mes, provincia, delito) %>% 
  mutate(delitos_por_provincia = sum(delitos_por_genero),
         prop_genero = delitos_por_genero / delitos_por_provincia) %>% 
  filter(genero == "Mujer") %>%
  filter(provincia != "Desconocido")


gg <- ggplot(resumen, aes(x = prop_genero, y = delitos_por_provincia,
                          color = provincia, shape = delito)) +
  geom_point(aes(frame = mes, ids = provincia)) +
  scale_color_viridis_d() +
  xlab("Proporción delitos hacia Género femenino") + ylab("Delitos por provincia") +
  labs(color = "Provincia", size = "Proporción delitos") +
  theme_bw(base_size = 12)

ggplotly(gg)
```

#### Más opciones para la animación

**Tiempo y tipo de la animación**
```{r delay}
base <- resumen %>% 
  plot_ly(x = ~prop_genero, y = ~delitos_por_provincia,
          text = ~provincia, hoverinfo = "text") %>% 
  layout(xaxis = list(title = "Proporción del género"),
         yaxis = list(title = "Delitos por provincia"))

base %>% 
  add_markers(color = ~provincia, frame = ~mes,
              colors = viridis_pal(option = "D")(3)) %>% # agregar symbol 
  animation_opts(frame = 1000, easing = "bounce-in") # ver opciones del easing
```

**Botón y slider de la animación**
```{r}
base %>% 
  add_markers(color = ~provincia, frame = ~mes, alpha = 0.7,
              colors = viridis_pal(option = "D")(3)) %>% 
  animation_opts(frame = 1000, easing = "linear") %>% 
  animation_button(x = 1, xanchor = "bottom", y = 0.07, yanchor = "bottom") 
```