Das {tidyplots}-Paket



…make both calculations and graphs. Both sorts of output should be studied; each will contribute to understanding.
F. J. Anscombe (1973)



Datenvisualisierung

Datenvisualisierung stellt auch für Sozialwissenschaftler:innen eine essentielle Methode der Datenanalyse dar. Das menschliche System visueller Perzeption ist derart mächtig (Franconeri, Padilla, Shah, Zacks, & Hullman, 2021), dass es bei geeigneten Aufbereitungen selbst Laien leicht möglich ist, komplexere statistische Entitäten wie Effektstärken für Mittelwerte (Schneider, Schmidt, Bohrer, & Merk, 2025) vergleichweise unverzerrt zu rezipieren. Zudem sind graphische Darstellungen sehr gut für die Aufdeckung von Artefakten in Daten und für die explorative Analyse geeignet (Grolemund, 2025).

Unterschiede zwischen {tidyplots} und {ggplot2}

Im Folgenden wird in Visualisierungen mit den Paketen {tidyplots} und {ggplot2} eingeführt. Vergleichende Vor- und Nachteile sind in Tabelle 1 gegeben. Am Ende dieses Abschnitts ist zudem ein Cheatsheet für einen Überblick verlinkt.

Tabelle 1: Vergleich der besprochenen Pakete
Kategorie Vorteile Nachteile
Sehr einfache Syntax, wenig Code nötig Weniger flexibel, begrenzte Anpassungsmöglichkeiten
Automatische gute Designs Nicht ideal für komplexe oder Publikationsplots
Perfekt für schnelle Explorationsplots Kaum Unterstützung für Interaktivität
Extrem flexibel und anpassbar Steilere Lernkurve, mehr Code nötig
Sehr gut für komplexe Visualisierungen Standarddesign oft zu schlicht
Interaktivität leicht hinzufügbar Erfordert manuelle Stilisierung für ansprechende Plots

{tidyplots}

Die grundlegende Konstruktion erfolgt in {tidyplots} in den folgenden Schritten:

  1. Festlegung des Datensatzes
  2. Zuweisung von Variablen des Datensatzes zu
    • x-Achse
    • y-Achse
    • Farbe
  3. Hinzufügen von grafischen Elementen (Punkte, Balken, …)
  4. Aufteilung in Unterplots

Beispiel 1: bill_length_mm per Species

TippBeispielstudie

Angenommen ein Forscher:innenteam möchte explorieren wie groß die Effekte der Mittelwertunterschiede in bill_length_mm sind und ob diese statistisch signifikant sind. Was wäre ein geeigneter Plot?

1penguins %>%
2  tidyplot(x = species,
3           y = bill_length_mm,
4           color = species) %>%
5  add_data_points_beeswarm() %>%
6  add_sd_errorbar(linewidth = .2,
7                  width = .21,
8                  color = "#111") %>%
9  add_ci95_errorbar(linewidth = .8,
10                    width = 0,
11                    color = "#111")
1
Wähle den Datensatz penguins
2
Lege die Variable species auf die x-Achse
3
Lege die Variable bill_length_mm auf die y-Achse
4
Enkodiere die Variable species farblich
5
Stelle jeden Datenpunkt sortiert nach dem beeswarm-Algorithmus dar
6
Trage die Standardabweichung als vertikalen Balken der Breite .2,
7
mit horizontalen Enden der Länge .21
8
und der Farbe schwarz auf.
9
Trage ein 95%-Konfidenzinterval als vertikalen Balken der Breite .8,
10
mit horizontalen Enden der Länge 0
11
und der Farbe schwarz auf.

Übung 1: Korrelation bill_depth_mm und bill_length_mm

Plotten Sie die penguins-Daten so dass Sie die Korrelation bill_depth_mm und bill_length_mm innerhalb der Spezies und speziesübergreifend explorieren können.

HinweisHinweis:

Mit add_curve_fit(method = "lm") können Regressionsgeraden eingefügt werden.

TippEine Lösung: 
# Speziesübergreifend
penguins %>% 
  tidyplot(x = bill_depth_mm,
           y = bill_length_mm) %>% 
  add_data_points() %>%
  add_curve_fit(method = "lm")

# Für jede Spezies
penguins %>% 
  tidyplot(x = bill_depth_mm,
           y = bill_length_mm,
           color = species) %>% 
  add_data_points() %>%
  add_curve_fit(method = "lm")

Übung 2: Verteilungsform der flipper_length

Plotten Sie mithilfe des Cheatsheet die Verteilungsform der flipper_length_mm per Spezies in unterschiedlichen Farben als Violinplots und fügen sie das arithmetische Mittel je Species als Punkt hinzu.

TippEine Lösung: 
penguins %>% 
  tidyplot(x = species,
           y = flipper_length_mm,
           color = species) %>% 
  add_violin() %>% 
  add_mean_dot()

Cheatsheet {tidyplots}

https://tidyplots.org

https://tidyplots.org

Literatur

Franconeri, S. L., Padilla, L. M., Shah, P., Zacks, J. M., & Hullman, J. (2021). The Science of Visual Data Communication: What Works. Psychological Science in the Public Interest, 22(3), 110–161.
Grolemund, H. W. and G. (2025). Welcome R for Data Science.
Schneider, J., Schmidt, K., Bohrer, K., & Merk, S. (2025). Communicating Effect Sizes to Teachers: Exploring Different Visualizations and Their Enrichment Options. Zeitschrift für Psychologie, 233(1), 52–63.