Search
Diagram

Här är några av de vanligaste diagrammen som vi använder oss av.

Stapeldiagram

#Läs in data
df1 <- read_excel(here("raw_data", "lankommun.xlsx"), sheet=1, skip=0)
df2 <- read_excel(here("raw_data", "elevhalsa.xlsx"), sheet=1, skip=4)
df3 <- left_join(df1, df2, by="Kommun")

#Lista med länsnamnen
lista_lan <- c("Blekinge län", "Dalarnas län", "Gotlands län", "Gävleborgs län", "Hallands län", "Jämtlands län", "Jönköpings län", "Kalmar län", "Kronobergs län", "Norrbottens län", "Skåne län", "Stockholms län", "Södermanlands län", "Uppsala län", "Värmlands län", "Västerbottens län", "Västernorrlands län", "Västmanlands län", "Västra Götalands län", "Örebro län", "Östergötlands län")

#Plotta länsdiagram
for (i in lista_lan) {
    chart <- df3 %>% 
    drop_na() %>%
    filter(Län == i | Län == "Riket") %>%
    mutate(highlight_flag = ifelse(Län=="Riket", T, F)) %>% 
    ggplot(aes(x=Kommun, y=Kostnad)) +
    geom_bar(stat="identity", width = 0.8, aes(fill=highlight_flag), show.legend=FALSE) +
    labs(x="", 
         y="Kronor per elev", 
         title="Så mycket kostar elevhälsan i kommunala grundskolan", 
         subtitle="Siffrorna gäller 2018", 
         caption="Källa: Skolverket. Grafik: Nyhetsbyrån Siren.") +
    scale_fill_manual(values=palett1) +
    theme_siren()
    ggsave(filename=paste0(i, ".png"), path=here("output_data"), height=(400/72), width=(600/72))
    print(chart)
}

Blekinge

Liggande staplar

För att göra liggande staplar behöver man bara lägga till coord_flip() i stapeldiagram-koden.

#Läs in och förbered data
df <- read_excel(here("raw_data", "uppkorning.xlsx"), sheet=1, skip=0)
riks <- df %>% arrange(desc(`Antal försök`)) %>% head(10) %>% select(-Län)

#Plotta riksdiagram
chart <- riks %>%
    ggplot(aes(x=reorder(Kommun, `Antal försök`), y=`Antal försök`)) +
    geom_bar(stat="identity", width = 0.8, fill="#dc282c") +
    labs(x="", y="Antal uppkörningar",
       title="Personerna som har kört upp flest gånger i Sverige",
       subtitle="Gäller förarprov för B-körkort genomförda på Trafikverket\nunder perioden 1 januari 2013 till 11 oktober 2019",
       caption="Källa: Trafikverket. Grafik: Nyhetsbyrån Siren.") +
    coord_flip() +
    theme_siren()
    ggsave(here("output_data", "Riket.png"), height = (400/72), width = (600/72))
print(chart)

kuggade

Grupperade staplar

Med ett grupperat stapeldiagram kan man visa flera värden, till exempel per åklagarkammare. Excelfilen ser ut så här: aklagare

#Förbered data
df1 <- read_excel(here("raw_data", "kontakt.xlsx"), sheet=1, skip=4)
df2 <- df1 %>% melt("Åklagarkammare")
lista_kammare <- c("Borås", "City", "Eskilstuna", "Falun", "Gävle", "Göteborg", "Halmstad", "Helsingborg", "Jönköping", "Kalmar", "Karlskrona", "Karlstad", "Kristianstad", "Linköping", "Luleå", "Malmö", "Norrköping", "Norrort", "Nyköping", "Skövde", "Sundsvall", "Söderort", "Södertörn", "Södra Skåne", "Uddevalla", "Umeå", "Uppsala", "Västerort", "Västerås", "Växjö", "Örebro", "Östersund")

#Plotta diagram per åklagarkammare
for (i in lista_kammare) {
  chart <- df2 %>% filter(Åklagarkammare == i) %>%
    ggplot(aes(x=Åklagarkammare, y=value, fill=as.factor(variable))) +
    geom_bar(stat = "identity", position = "dodge") +
    labs(x="", y="Antal ärenden", title=paste0("Beslut om kontaktförbud 2018 i ", i), subtitle="Antal beslut om kontaktförbud som har beviljats, fått avslag \neller har avskrivits i åklagarkammaren under 2018.", caption="Källa: Åklagarmyndigheten. Grafik: Nyhetsbyrån Siren.") +
  ggsave(filename=paste0(i, ".png"), path=here("output_data"), height = (400/72), width = (600/72))
  print(chart)
}

Halmstad

Skiktade staplar

#Läs in och förbered data
df1 <- read_excel(here("raw_data", "lankommun.xlsx"), sheet=1, skip=0)
df2 <- read_excel(here("raw_data", "chef.xlsx"), sheet=1, skip=4)
df3 <- left_join(df1, df2, by="Kommun")
df4 <- gather(df3, "Kön", "Procent", 3:4)

#Lista med länsnamn
lista_lan <- c("Blekinge län", "Dalarnas län", "Gotlands län", "Gävleborgs län", "Hallands län", "Jämtlands län", "Jönköpings län", "Kalmar län", "Kronobergs län", "Norrbottens län", "Skåne län", "Stockholms län", "Södermanlands län", "Uppsala län", "Värmlands län", "Västerbottens län", "Västernorrlands län", "Västmanlands län", "Västra Götalands län", "Örebro län", "Östergötlands län")

#Plotta länsdiagram
for (i in lista_lan) {
  chart <- df4 %>% filter(Län == i | Län == "Riket") %>%
    ggplot(aes(x=Kommun, fill=Kön, y=Procent)) +
    geom_bar(stat="identity", position="fill", width=0.8) +
    labs(x="", y="Andel (%)", title="Andel kvinnor och män i chefsposition 2017", subtitle="Statistiken gäller förvärvsarbetande anställda 16-64 år, dagbefattning. \nExklusive politiker, högre ämbetsmän och VD:ar.", caption="Källa: SCB. Grafik: Nyhetsbyrån Siren.") +
    scale_fill_manual(values=palett1) +
    scale_y_continuous(labels = scales::percent_format(accuracy = 1)) +
    theme_siren() +
  ggsave(filename=paste0(i, ".png"), path=here("output_data"), height = (400/72), width = (600/72))
  print(chart)
}

skiktade

Linjediagram

#Förbered data
df1 <- read_excel(here("raw_data", "varsel.xlsx"), sheet=1, skip=0)
lansdata <- gather(df1, "År", "Antal personer", 2:13)
lista_lan <- c("Blekinge län", "Dalarnas län", "Gotlands län", "Gävleborgs län", "Hallands län", "Jämtlands län", "Jönköpings län", "Kalmar län", "Kronobergs län", "Norrbottens län", "Skåne län", "Stockholms län", "Södermanlands län", "Uppsala län", "Värmlands län", "Västerbottens län", "Västernorrlands län", "Västmanlands län", "Västra Götalands län", "Örebro län", "Östergötlands län")

#Plotta diagram
for (i in lista_lan) {
chart <- lansdata %>% filter(Län == i) %>% 
  ggplot(aes(x=År, y=`Antal personer`, colour=Län, group=Län)) +
  geom_line(size=2, show.legend=FALSE) +
  geom_hline(yintercept = 0, size = 0.3) +
  labs(x="", y="Antal personer", title=paste0("Varsel om uppsägning i ", i), subtitle="Antal personer berörda av varsel om uppsägning per år.", caption="Källa: Arbetsförmedlingen. Grafik: Nyhetsbyrån Siren.") +
  scale_colour_manual(values=palett1) +
  theme_siren()
ggsave(filename=paste0(i, ".png"), path=here("output_data"), height = (400/72), width = (600/72))
print(chart)
}

linje

Flera linjer

#Förbered data
df1 <- read_excel(here("raw_data", "triptan.xlsx"), sheet=1, skip=1)
lista_lan <- c("Blekinge län", "Dalarnas län", "Gotlands län", "Gävleborgs län", "Hallands län", "Jämtlands län", "Jönköpings län", "Kalmar län", "Kronobergs län", "Norrbottens län", "Skåne län", "Stockholms län", "Södermanlands län", "Uppsala län", "Värmlands län", "Västerbottens län", "Västernorrlands län", "Västmanlands län", "Västra Götalands län", "Örebro län", "Östergötlands län")

#Plotta diagram
for (i in lista_lan) {
  chart <- df1 %>% filter(Region == i | Region == "Riket") %>% 
    ggplot(aes(x=År, y=`Patienter/1000 invånare`, colour=Region, group=Region)) +
    geom_line(size=2) +
    geom_hline(yintercept = 0, size = 0.3) +
    labs(x="", y="Patienter/1000 invånare", title=paste0("Patienter som har fått triptaner mot migrän i ", i), subtitle="Läkemedel som har hämtats ut mot recept på apotek.", caption="Källa: Socialstyrelsen. Grafik: Nyhetsbyrån Siren.") +
    scale_colour_manual(values=palett5) +
    theme_siren()
  ggsave(filename=paste0(i, ".png"), path=here("output_data"), height = (400/72), width = (600/72))
  print(chart)
}

fleralinjer