ggplot2を用いた棒グラフの作成

備忘録
R
ggplot2
ggplot2を用いて、ゼロからエラーバーや有意差の有無を表示した棒グラフを作成します。検定やデータの整形も同時に行います。
公開

2025年8月8日

更新日

2025年8月10日

本チュートリアルでの完成予想グラフ

目標

ggplot2を用いて左のグラフを作る。

  • 棒グラフ
  • エラーバー（標準偏差）
  • 軸やラベルの編集
  • テーマの作成

グラフ作成の流れ

  1. データの整形
  2. 棒グラフの作成
  3. 装飾

1. データの整形

1-1. データの確認・ライブラリのインポート

R標準のデータセットchickwtsを使って棒グラフを作成します。
データセットchickwtsは、与えた餌ごとの鶏の体重のデータで、一列目weightに鶏の体重、二列目feedに餌の種類が記載されています。

# データセットの中身の確認
head(chickwts)
  weight      feed
1    179 horsebean
2    160 horsebean
3    136 horsebean
4    227 horsebean
5    217 horsebean
6    168 horsebean

まずggplot2を使うために必要なtidyverseパッケージをインポートします。
exactRankTestsパッケージは後で検定を行うときに使います。（検定を行わない場合は不要）
ggsignifパッケージは有意差をグラフ内に書き込むときに用います。（これも同様に、有意差を書き込まない場合は不要）

library(tidyverse) # ggplot2を使ってグラフを作成するのに必要
library(exactRankTests)　# 検定を行う際に使用（実施しない場合は不要）
library(ggsignif) # 有意差をグラフ内に書き込む際に使用

1-2. 標準偏差データの追加

データセットは測定値しか含まれていません。
棒グラフは平均値と標準偏差の値を用いて作成したいので、データを整形し、平均値と標準偏差をまとめた新しいデータセットchickwts_sum_dataを作成します。
そのために、与えた餌feedごとにグループ化して、平均feed_meanと標準偏差sdを求めます。

chickwts_sum_data <- chickwts %>%
  group_by(feed) %>%
  summarize(weight_mean=mean(weight), sd=sd(weight))

# 作成したデータセットの中身を確認
head(chickwts_sum_data)
# A tibble: 6 × 3
  feed      weight_mean    sd
  <fct>           <dbl> <dbl>
1 casein           324.  64.4
2 horsebean        160.  38.6
3 linseed          219.  52.2
4 meatmeal         277.  64.9
5 soybean          246.  54.1
6 sunflower        329.  48.8

これでデータセットの準備は整いました。
次は、作成したデータセットchickwts_sum_dataを用いてggplot2で棒グラフを作ります。

2. 棒グラフの作成

ggplot2でグラフを作成し、bar_plotという変数に書き込んでいきます。
まず、ggplot(データ, aes(x=x軸に使うデータ, y=y軸に使うデータ))を書き込みます。
次にggplot2の棒グラフ作成関数であるgeom_bar()を使って棒グラフを作成します。geom_bar()内で指定しているstatは、データの扱い方です。デフォルトだと要素数をカウントしてしまうので、今回のように棒グラフの高さがそのまま入っているデータを扱う際はidentityを指定します。

bar_plot <- ggplot(chickwts_sum_data, aes(x=feed, y=weight_mean)) +
  geom_bar(stat='identity')

print(bar_plot)

ベース（基本）のグラフ

3. 装飾

3-1. エラーバーを付ける

geom_errorbarでエラーバーを付けます。yminとymaxはそれぞれ平均から標準偏差を引いた値と足した値を使うことでエラーバーの範囲を指定できます。

bar_plot <- bar_plot +
  geom_errorbar(
    aes(ymin = weight_mean - sd, ymax = weight_mean + sd),
    width = 0.15, # エラーバー先端の幅
    linewidth = 0.4 # エラーバーの太さ
    )

print(bar_plot)

エラーバーを付けたグラフ

3-2. 軸名を変更する

bar_plot <- bar_plot +
  labs(
    title = '飼料種別ニワトリ体重',  # タイトル
    x = 'ニワトリ飼料',               # x軸タイトル
    y = '平均体重',                   # y軸タイトル
  )

print(bar_plot)

タイトルと軸のタイトルを変更したグラフ

3-3. 検定で有意差を示す

caseinとその他の飼料で検定を行います。
検定にも様々ありますが、今回はウィルコクソンの順位和検定、有意水準0.05で検定します。

test_casein_horsebean <- wilcox.exact(
  x = filter(chickwts, feed=='casein')[,1], 
  y = filter(chickwts, feed=='horsebean')[,1], 
  paired = FALSE)
print(test_casein_horsebean)

    Exact Wilcoxon rank sum test

data:  filter(chickwts, feed == "casein")[, 1] and filter(chickwts, feed == "horsebean")[, 1]
W = 117, p-value = 2.165e-05
alternative hypothesis: true mu is not equal to 0
test_casein_linseed <- wilcox.exact(
  x = filter(chickwts, feed=='casein')[,1], 
  y = filter(chickwts, feed=='linseed')[,1], 
  paired = FALSE)
print(test_casein_linseed)

    Exact Wilcoxon rank sum test

data:  filter(chickwts, feed == "casein")[, 1] and filter(chickwts, feed == "linseed")[, 1]
W = 128.5, p-value = 0.0005325
alternative hypothesis: true mu is not equal to 0
test_casein_meatmeal <- wilcox.exact(
  x = filter(chickwts, feed=='casein')[,1], 
  y = filter(chickwts, feed=='meatmeal')[,1], 
  paired = FALSE)
print(test_casein_meatmeal)

    Exact Wilcoxon rank sum test

data:  filter(chickwts, feed == "casein")[, 1] and filter(chickwts, feed == "meatmeal")[, 1]
W = 94, p-value = 0.09084
alternative hypothesis: true mu is not equal to 0
test_casein_soybean <- wilcox.exact(
  x = filter(chickwts, feed=='casein')[,1], 
  y = filter(chickwts, feed=='soybean')[,1], 
  paired = FALSE)
print(test_casein_soybean)

    Exact Wilcoxon rank sum test

data:  filter(chickwts, feed == "casein")[, 1] and filter(chickwts, feed == "soybean")[, 1]
W = 138, p-value = 0.004283
alternative hypothesis: true mu is not equal to 0
test_casein_sunflower <- wilcox.exact(
  x = filter(chickwts, feed=='casein')[,1], 
  y = filter(chickwts, feed=='sunflower')[,1], 
  paired = FALSE)
print(test_casein_sunflower)

    Exact Wilcoxon rank sum test

data:  filter(chickwts, feed == "casein")[, 1] and filter(chickwts, feed == "sunflower")[, 1]
W = 72.5, p-value = 0.9893
alternative hypothesis: true mu is not equal to 0

検定の結果、p-valueが有意水準0.05以下なのはhorsebean、linseed、soybeanの3つでした。
したがって、caseinからこれら３つのグラフに線を引いて、有意差を示していきます。

bar_plot <- bar_plot +
  geom_signif(
    comparisons = list(c('casein','horsebean')),
    y_position = 400, 
    annotation = '***',
    vjust = 0.7,
    tip_length = 0.05
  ) +
  geom_signif(
    comparisons = list(c('casein','linseed')),
    y_position = 440, 
    annotation = '***',
    vjust = 0.7,
    tip_length = 0.05
  ) +
  geom_signif(
    comparisons = list(c('casein','soybean')),
    y_position = 480, 
    annotation = '**',
    vjust = 0.7,
    tip_length = 0.05
  )
print(bar_plot)

検定結果を示したグラフ

3-3. 背景・軸・目盛りをカスタムする

bar_plot <- bar_plot +
  theme(
    ## テキストの設定
    plot.title = element_text(size = 13, color="black", hjust = 0.5),
    axis.title.x = element_blank(),
    axis.text.x = element_text(size = 10, color="black", angle = 45, hjust = 1),
    axis.title.y = element_text(size = 12, color="black", hjust = 0.5),
    axis.text.y = element_text(size = 10, color="black", hjust = 0.5),
    axis.ticks.x = element_blank(),
    ## 枠・目盛りの設定
    legend.title = element_blank(),
    panel.grid.major = element_blank(),
    panel.grid.minor = element_blank(),
    panel.border = element_rect(color='black', fill='transparent', linewidth=0.8),
    panel.background = element_rect(fill = "white",color = NA),
    aspect.ratio = 1,
  ) +
  scale_y_continuous(limits=c(0,530), expand=c(0,0))
print(bar_plot)

背景・軸・目盛りをカスタムして、慣性したグラフ

このように作成したプロットbar_plotは、ggsaveコマンドで画像ファイルとして保存することができます。

ggsave(
  plot = bar_plot,
  file = './bar_plot.png',
  dpi = 300,
  width = 3.5,
  height = 3.5
)
トップに戻る