Résumé

Un graphique devient très facilement illisible lorsque trop d’éléments sont présents, par exemple pour des courbes, au-delà de 5-6. Ce problème est appelé effet spaghetti . Pour contrôler cette difficulté on préconise un graphique de type small-multiples (combiné). On peut améliorer cette visualisation avec une technique de highlighting: chaque sous graphique est mis en avant en terme de couleur et d’épaisseurtout en conservant en arrière plan les autres courbes avec une épaisseur plus petite et une couleur unique.

Installation des packages

# install.packages(dplyr)
# install.packages(ggplot2)
# install.packages(ggthemes)

library(dplyr)
library(ggplot2)
library(ggthemes)

L’effet spaghetti en images

Les données utilisées ici sont extraites des bases contextextuelles GGP Datalab de l’Ined.
On va regarder l’évolution du taux de fécondité de 12 pays de 1950 à 2022.

Chergement des données

df <- read.csv("fecondite_ggp.csv")
df = df %>% mutate_if(is.character,as.factor)
head(df)

  code year   pays    y
1   20 1950 France 2.99
2   20 1951 France 2.87
3   20 1952 France 2.81
4   20 1953 France 2.71
5   20 1954 France 2.71
6   20 1955 France 2.71

Les taux de fécondité sont renseignés par la variable y, les années par la variable year et les pays par la variable pays.

En empilant avec ggplot les 12 courbes d’évolution:

graphique avec effet spaghetti

ggplot(df) +
 aes(x = year, y = y, colour = pays) +
 geom_line(lwd=1) +
 scale_color_tableau( palette = "Tableau 20") +
 labs(x = "Années", y = "ICF", title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", 
 caption = "Source: GGP - Datalab Ined", color = "Pays") +
 scale_x_continuous(breaks=seq(1950,2020, 10))  +
 theme_light()

… C’est donc illisible.

On peut améliorer la lecture et naviguer dans le graphique avec une visualisation dynamique, en utilisant par exemple le package plotly. A réserver à un format de type html.

Graphique interactif avec ggplotly

library(plotly)

p = ggplot(df) +
 aes(x = year, y = y, colour = pays) +
 geom_line( lwd=1) +
 scale_color_tableau( palette = "Tableau 20") +
 labs(x = "Années", y = "ICF", title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", 
 caption = "Source: GGP - Datalab Ined", color = "Pays") +
  scale_x_continuous(guide = guide_axis(n.dodge = 2), breaks=seq(1950,2020, 10)) + 
  scale_y_continuous(breaks=seq(0,6,1)) +
 theme_light() 

ggplotly(p)

Pour une visualisation statique, il est recommandé de visualiser ce type d’informations à l’aide d’un graphique combiné, appelé small multiples.

Contrôle de l’effet spaghetti avec un graphique combiné

Graphique combiné simple

Par rapport au graphique précédent on va simplement générer des sous graphiques par pays, qui seront combinés avec l’option facet_wrap.

Graphique small multiples

ggplot(df) +
  aes(x = year, y = y) +
  geom_line(colour = "#C24168", lwd=1.2) +
  labs(title = "Taux de fécondité") +
  theme_minimal() +
  labs(x = "Années", 
       y = "ICF", 
       title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", 
       caption = "Source: GGP - Datalab Ined",) +
  scale_x_continuous(guide = guide_axis(n.dodge = 2), breaks=seq(1950,2020, 10)) + 
  scale_y_continuous(breaks=seq(0,6,1)) +
  facet_wrap(vars(pays), ncol = 4L)

Graphique combiné avec highlighting

On peut combiner les deux approches, en gardant en arrière plan de chaque sous graphique les informations des autres graphiques. On peut donc ici, pour chaque pays, positionner l’information de chaque pays par rapport aux autres (sans distinction).

Le principe du code a été récupéré dans l’excellent support de Yann Holtz Data to viz:

Les courbes en arrière plan ont une épaisseur plus faible (lwd=0.1) et une couleur unique ( color="grey ). Pour faciliter la lecture, le quadrillage a été allégé dans l’option theme().

Graphique small multiples avec highlighting

tmp <- df %>%
  mutate(pays2=pays)   

ggplot(tmp) +
  aes(x = year, y = y) +
  geom_line( data=tmp %>% dplyr::select(-pays), aes(group=pays2), color="grey", lwd=0.1) +    
  geom_line(colour = "#C24168", lwd=1.4) +
  labs(title = "Taux de fécondité") +
  theme_minimal() +
  theme(panel.grid.major.x = element_blank(),
        panel.grid.minor.x = element_blank(),  
        panel.grid.minor.y = element_blank()) + 
  labs(x = "Années", 
       y = "ICF", 
       title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", 
       caption = "Source: GGP - Datalab Ined",) +
  scale_x_continuous(guide = guide_axis(n.dodge = 2), breaks=seq(1950,2020, 10)) + 
  scale_y_continuous(breaks=seq(0,6,1)) +
  facet_wrap(vars(pays), ncol = 4L)

On peut vouloir trier les sous graphiques selon un ordre particulier, ici ils sont simplement affichés par ordre alphabétique.

Si on souhaite par exemple afficher les sous graphiques par ordre décroissant du taux de fécondité en 2022, donc d’Israel en haut à gauche à la Corée du Sud en bas à droite, on réarrange l’ordre de la variable pays avec le code suivant:

Ordre d'affichage des pays

pays_order <- df %>%
  filter(year == 2022) %>% 
  arrange(desc(y))
pays_order <- as.character(pays_order[,"pays"])
pays_order

tmp <- df %>%
  mutate(pays2=pays)
tmp$pays <- factor(tmp$pays, levels = pays_order)
tmp$pays2 <- factor(tmp$pays2, levels = pays_order)
unique(tmp$pays2)

 [1] "Israel"            "Turkey"            "Argentina"        
 [4] "France"            "Iceland"           "USA"              
 [7] "Germany"           "Portugal"          "Japan"            
[10] "Italy"             "Taiwan"            "Republic of Korea"

 [1] France            Germany           Iceland           Israel           
 [5] Italy             Japan             Portugal          Turkey           
 [9] USA               Argentina         Taiwan            Republic of Korea
12 Levels: Israel Turkey Argentina France Iceland USA Germany ... Republic of Korea

Et on réexécute le graphique précédent:

Graphique avec changement de l'ordre des pays

ggplot(tmp) +
  aes(x = year, y = y) +
  geom_line( data=tmp %>% dplyr::select(-pays), aes(group=pays2), color="grey", lwd=0.1) +    
  geom_line(colour = "#C24168", lwd=1.4) +
  labs(title = "Taux de fécondité") +
  theme_minimal() +
  theme(panel.grid.major.x = element_blank(),
        panel.grid.minor.x = element_blank(),  
        panel.grid.minor.y = element_blank()) + 
  labs(x = "Années", 
       y = "ICF", 
       title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", 
       caption = "Source: GGP - Datalab Ined",) +
  scale_x_continuous(guide = guide_axis(n.dodge = 2), breaks=seq(1950,2020, 10)) + 
  scale_y_continuous(breaks=seq(0,6,1)) +
  facet_wrap(vars(pays), ncol = 4L)

Une fonction pour simplifier et automatiser le code

Note

Version 0.2 - Mars 2024 [Arno Muller]
Des options seront ajoutées ultérieurement.

Chargement de la fonction:

Chargement de la fonction

source("https://raw.githubusercontent.com/arnomuller/Fonction_R/main/spag_plot/spag_plot.R")

Graphique avec la fonction spag_plot

df <- read.csv("fecondite_ggp.csv")
df = df %>% mutate_if(is.character,as.factor)

spag_plot(df,                     # Base de données au format long
          var_x = "year",         # Variable en X (numérique)
          var_y = "y",            # Variable en Y (numérique)
          var_group= "pays",      # Variable de groupe (factor)
          ordre =  1950,          # Ordre des plots ("alpha", valeur num de var_x, un vecteur)
          decroiss = "oui",       # Ordre décroissant de l'ordre choisi au dessus
          titre   = "TITRE",      # Choix du titre
          titre_x = "Années",     # Choix du titre de l'axe X
          titre_y   ="Taux",      # Choix du titre de l'axe Y
          source    = "",         # Source des données
          interval_x = 20,        # Echelle de X
          graduation_y = FALSE,   # Graduation sur l'axe Y : TRUE/FALSE 
          n_col = 6,              # Nombre de colonnes pour les graphiques
          alignement_x = 2,       # Nombre d'étiquettes à superposer avant de revenir sur l'axe.
          col_line = "#C24168",   # Couleur de la ligne principale
          lwd_line = 1,         # Epaisseur de la ligne principale
          transp_line = 1,        # Transparence de la ligne principale
          type_line = "solid",    # Type de ligne : solid, dashed, dotdash, longdash, twodash
          col_line_bg = "#e0a0b3",   # Couleur lignes secondaires
          lwd_line_bg = 0.1,      # Epaisseur lignes secondaires
          transp_line_bg = 0.8,   # Transparence lignes secondaires
          type_line_bg = "solid")# Type lignes secondaires

En changeant le nombre de colonnes: n_col=4.
En changeant la couleur des courbes en arrière plan: col_line_bg = "#adb5bd".

--- title: "Contrôler les effets spaghetti avec ggplot [maj]" categories: - Graphique author: - name: "A.Muller" affiliation: - name: "Ined" - name: "M.Thévenin" affiliation: - name: "Ined" date: 03/07/2024 image: "logo.png" format: html: code-link: true abstract: | Un graphique devient très facilement illisible lorsque trop d'éléments sont présents, par exemple pour des courbes, au-delà de 5-6. Ce problème est appelé **effet spaghetti** . Pour contrôler cette difficulté on préconise un graphique de type **small-multiples** (combiné). On peut améliorer cette visualisation avec une technique de highlighting: chaque sous graphique est mis en avant en terme de couleur et d'épaisseurtout en conservant en arrière plan les autres courbes avec une épaisseur plus petite et une couleur unique. --- <hr class="hr"> ```{r filename="Installation des packages", message=FALSE, warning=FALSE} # install.packages(dplyr) # install.packages(ggplot2) # install.packages(ggthemes) library(dplyr) library(ggplot2) library(ggthemes) ``` # L'effet spaghetti en images * Les données utilisées ici sont extraites des bases contextextuelles GGP [Datalab de l'Ined](http://datalab.site.ined.fr/fr/donnees-demographiques-contextuelles/). * On va regarder l'évolution du taux de fécondité de 12 pays de 1950 à 2022. ```{r filename="Chergement des données"} df <- read.csv("fecondite_ggp.csv") df = df %>% mutate_if(is.character,as.factor) head(df) ``` * Les taux de fécondité sont renseignés par la variable *y*, les années par la variable *year* et les pays par la variable *pays*. En empilant avec **`ggplot`** les 12 courbes d'évolution: ```{r filename="graphique avec effet spaghetti"} #| eval: false ggplot(df) + aes(x = year, y = y, colour = pays) + geom_line(lwd=1) + scale_color_tableau( palette = "Tableau 20") + labs(x = "Années", y = "ICF", title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", caption = "Source: GGP - Datalab Ined", color = "Pays") + scale_x_continuous(breaks=seq(1950,2020, 10)) + theme_light() ``` ::: {.box_img} ```{r} #| echo: false ggplot(df) + aes(x = year, y = y, colour = pays) + geom_line(lwd=1) + scale_color_tableau( palette = "Tableau 20") + labs(x = "Années", y = "ICF", title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", caption = "Source: GGP - Datalab Ined", color = "Pays") + scale_x_continuous(breaks=seq(1950,2020, 10)) + theme_light() ``` ::: ... C'est donc illisible. * On peut améliorer la lecture et naviguer dans le graphique avec une visualisation dynamique, en utilisant par exemple le package **plotly**. A réserver à un format de type html. ```{r filename="Graphique interactif avec ggplotly"} #| eval: false #| message: false #| warning: false library(plotly) p = ggplot(df) + aes(x = year, y = y, colour = pays) + geom_line( lwd=1) + scale_color_tableau( palette = "Tableau 20") + labs(x = "Années", y = "ICF", title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", caption = "Source: GGP - Datalab Ined", color = "Pays") + scale_x_continuous(guide = guide_axis(n.dodge = 2), breaks=seq(1950,2020, 10)) + scale_y_continuous(breaks=seq(0,6,1)) + theme_light() ggplotly(p) ``` ::: {.box_img} ```{r} #| echo: false #| message: false #| warning: false library(plotly) p = ggplot(df) + aes(x = year, y = y, colour = pays) + geom_line( lwd=1) + scale_color_tableau( palette = "Tableau 20") + labs(x = "Années", y = "ICF", title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", caption = "Source: GGP - Datalab Ined", color = "Pays") + scale_x_continuous(guide = guide_axis(n.dodge = 2), breaks=seq(1950,2020, 10)) + scale_y_continuous(breaks=seq(0,6,1)) + theme_light() ggplotly(p) ``` ::: * Pour une **visualisation statique**, il est recommandé de visualiser ce type d'informations à l'aide d'un graphique combiné, appelé **small multiples**. # Contrôle de l'effet spaghetti avec un graphique combiné ## Graphique combiné simple Par rapport au graphique précédent on va simplement générer des sous graphiques par pays, qui seront combinés avec l'option **`facet_wrap`**. ```{r filename="Graphique small multiples"} #| eval: false ggplot(df) + aes(x = year, y = y) + geom_line(colour = "#C24168", lwd=1.2) + labs(title = "Taux de fécondité") + theme_minimal() + labs(x = "Années", y = "ICF", title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", caption = "Source: GGP - Datalab Ined",) + scale_x_continuous(guide = guide_axis(n.dodge = 2), breaks=seq(1950,2020, 10)) + scale_y_continuous(breaks=seq(0,6,1)) + facet_wrap(vars(pays), ncol = 4L) ``` ::: {.box_img} ```{r} #| echo: false ggplot(df) + aes(x = year, y = y) + geom_line(colour = "#C24168", lwd=1.2) + labs(title = "Taux de fécondité") + theme_minimal() + labs(x = "Années", y = "ICF", title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", caption = "Source: GGP - Datalab Ined",) + scale_x_continuous(guide = guide_axis(n.dodge = 2), breaks=seq(1950,2020, 10)) + scale_y_continuous(breaks=seq(0,6,1)) + facet_wrap(vars(pays), ncol = 4L) ``` ::: ## Graphique combiné avec highlighting On peut combiner les deux approches, en gardant en arrière plan de chaque sous graphique les informations des autres graphiques. On peut donc ici, pour chaque pays, positionner l'information de chaque pays par rapport aux autres (sans distinction). Le principe du code a été récupéré dans l'excellent support de *Yann Holtz* **Data to viz**: * [**Site Data to viz**](http://www.data-to-viz.com) * [**Partie consacrée à l'effet Spaghetti**](http://www.data-to-viz.com/caveat/spaghetti.html) Les courbes en arrière plan ont une épaisseur plus faible (`lwd=0.1`) et une couleur unique ( `color="grey` ). Pour faciliter la lecture, le quadrillage a été allégé dans l'option `theme()`. ```{r filename="Graphique small multiples avec highlighting"} #| eval: false tmp <- df %>% mutate(pays2=pays) ggplot(tmp) + aes(x = year, y = y) + geom_line( data=tmp %>% dplyr::select(-pays), aes(group=pays2), color="grey", lwd=0.1) + geom_line(colour = "#C24168", lwd=1.4) + labs(title = "Taux de fécondité") + theme_minimal() + theme(panel.grid.major.x = element_blank(), panel.grid.minor.x = element_blank(), panel.grid.minor.y = element_blank()) + labs(x = "Années", y = "ICF", title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", caption = "Source: GGP - Datalab Ined",) + scale_x_continuous(guide = guide_axis(n.dodge = 2), breaks=seq(1950,2020, 10)) + scale_y_continuous(breaks=seq(0,6,1)) + facet_wrap(vars(pays), ncol = 4L) ``` ::: {.box_img} ```{r} #| echo: false tmp <- df %>% mutate(pays2=pays) ggplot(tmp) + aes(x = year, y = y) + geom_line( data=tmp %>% dplyr::select(-pays), aes(group=pays2), color="grey", lwd=0.1) + geom_line(colour = "#C24168", lwd=1.4) + labs(title = "Taux de fécondité") + theme_minimal() + theme(panel.grid.major.x = element_blank(), panel.grid.minor.x = element_blank(), panel.grid.minor.y = element_blank()) + labs(x = "Années", y = "ICF", title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", caption = "Source: GGP - Datalab Ined",) + scale_x_continuous(guide = guide_axis(n.dodge = 2), breaks=seq(1950,2020, 10)) + scale_y_continuous(breaks=seq(0,6,1)) + facet_wrap(vars(pays), ncol = 4L) ``` ::: <br> On peut vouloir trier les sous graphiques selon un ordre particulier, ici ils sont simplement affichés par ordre alphabétique. Si on souhaite par exemple afficher les sous graphiques par ordre décroissant du taux de fécondité en 2022, donc d'Israel en haut à gauche à la Corée du Sud en bas à droite, on réarrange l'ordre de la variable **pays** avec le code suivant: ```{r filename="Ordre d'affichage des pays"} #| eval: false pays_order <- df %>% filter(year == 2022) %>% arrange(desc(y)) pays_order <- as.character(pays_order[,"pays"]) pays_order tmp <- df %>% mutate(pays2=pays) tmp$pays <- factor(tmp$pays, levels = pays_order) tmp$pays2 <- factor(tmp$pays2, levels = pays_order) unique(tmp$pays2) ``` ::: {.box_img} ```{r} #| echo: false pays_order <- df %>% filter(year == 2022) %>% arrange(desc(y)) pays_order <- as.character(pays_order[,"pays"]) pays_order tmp <- df %>% mutate(pays2=pays) tmp$pays <- factor(tmp$pays, levels = pays_order) tmp$pays2 <- factor(tmp$pays2, levels = pays_order) unique(tmp$pays2) ``` ::: Et on réexécute le graphique précédent: ```{r filename="Graphique avec changement de l'ordre des pays"} #| eval: false ggplot(tmp) + aes(x = year, y = y) + geom_line( data=tmp %>% dplyr::select(-pays), aes(group=pays2), color="grey", lwd=0.1) + geom_line(colour = "#C24168", lwd=1.4) + labs(title = "Taux de fécondité") + theme_minimal() + theme(panel.grid.major.x = element_blank(), panel.grid.minor.x = element_blank(), panel.grid.minor.y = element_blank()) + labs(x = "Années", y = "ICF", title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", caption = "Source: GGP - Datalab Ined",) + scale_x_continuous(guide = guide_axis(n.dodge = 2), breaks=seq(1950,2020, 10)) + scale_y_continuous(breaks=seq(0,6,1)) + facet_wrap(vars(pays), ncol = 4L) ``` ::: {.box_img} ```{r} #| echo: false ggplot(tmp) + aes(x = year, y = y) + geom_line( data=tmp %>% dplyr::select(-pays), aes(group=pays2), color="grey", lwd=0.1) + geom_line(colour = "#C24168", lwd=1.4) + labs(title = "Taux de fécondité") + theme_minimal() + theme(panel.grid.major.x = element_blank(), panel.grid.minor.x = element_blank(), panel.grid.minor.y = element_blank()) + labs(x = "Années", y = "ICF", title = "Indices conjoncturels de fécondité par pays de 1950 à 2022", caption = "Source: GGP - Datalab Ined",) + scale_x_continuous(guide = guide_axis(n.dodge = 2), breaks=seq(1950,2020, 10)) + scale_y_continuous(breaks=seq(0,6,1)) + facet_wrap(vars(pays), ncol = 4L) ``` ::: ## Une fonction pour simplifier et automatiser le code ::: callout-note * Version 0.2 - Mars 2024 [Arno Muller] * Des options seront ajoutées ultérieurement. ::: Chargement de la fonction: ```{r filename="Chargement de la fonction"} source("https://raw.githubusercontent.com/arnomuller/Fonction_R/main/spag_plot/spag_plot.R") ``` ```{r filename="Graphique avec la fonction spag_plot"} #| eval: false df <- read.csv("fecondite_ggp.csv") df = df %>% mutate_if(is.character,as.factor) spag_plot(df, # Base de données au format long var_x = "year", # Variable en X (numérique) var_y = "y", # Variable en Y (numérique) var_group= "pays", # Variable de groupe (factor) ordre = 1950, # Ordre des plots ("alpha", valeur num de var_x, un vecteur) decroiss = "oui", # Ordre décroissant de l'ordre choisi au dessus titre = "TITRE", # Choix du titre titre_x = "Années", # Choix du titre de l'axe X titre_y ="Taux", # Choix du titre de l'axe Y source = "", # Source des données interval_x = 20, # Echelle de X graduation_y = FALSE, # Graduation sur l'axe Y : TRUE/FALSE n_col = 6, # Nombre de colonnes pour les graphiques alignement_x = 2, # Nombre d'étiquettes à superposer avant de revenir sur l'axe. col_line = "#C24168", # Couleur de la ligne principale lwd_line = 1, # Epaisseur de la ligne principale transp_line = 1, # Transparence de la ligne principale type_line = "solid", # Type de ligne : solid, dashed, dotdash, longdash, twodash col_line_bg = "#e0a0b3", # Couleur lignes secondaires lwd_line_bg = 0.1, # Epaisseur lignes secondaires transp_line_bg = 0.8, # Transparence lignes secondaires type_line_bg = "solid")# Type lignes secondaires ``` ::: {.box_img} ```{r} #| echo: false #| message: false #| warning: false df <- read.csv("fecondite_ggp.csv") df = df %>% mutate_if(is.character,as.factor) spag_plot(df, # Base de données au format long var_x = "year", # Variable en X (numérique) var_y = "y", # Variable en Y (numérique) var_group= "pays", # Variable de groupe (factor) ordre = 1950, # Ordre des plots ("alpha", valeur num de var_x, un vecteur) decroiss = "oui", # Ordre décroissant de l'ordre choisi au dessus titre = "TITRE", # Choix du titre titre_x = "Années", # Choix du titre de l'axe X titre_y ="Taux", # Choix du titre de l'axe Y source = "", # Source des données interval_x = 20, # Echelle de X graduation_y = FALSE, # Graduation sur l'axe Y : TRUE/FALSE n_col = 6, # Nombre de colonnes pour les graphiques alignement_x = 2, # Nombre d'étiquettes à superposer avant de revenir sur l'axe. col_line = "#C24168", # Couleur de la ligne principale lwd_line = 1, # Epaisseur de la ligne principale transp_line = 1, # Transparence de la ligne principale type_line = "solid", # Type de ligne : solid, dashed, dotdash, longdash, twodash col_line_bg = "#e0a0b3", # Couleur lignes secondaires lwd_line_bg = 0.1, # Epaisseur lignes secondaires transp_line_bg = 0.8, # Transparence lignes secondaires type_line_bg = "solid")# Type lignes secondaires ``` ::: * En changeant le nombre de colonnes: `n_col=4`. * En changeant la couleur des courbes en arrière plan: `col_line_bg = "#adb5bd"`. ::: {.box_img} ```{r filename="Changement se quelques options"} #| echo: false df <- read.csv("D:/D/Marc/SMS/assistoolsms_marc/R/assist/posts/spaghetti/fecondite_ggp.csv") df = df %>% mutate_if(is.character,as.factor) spag_plot(df, # Base de données au format long var_x = "year", # Variable en X (numérique) var_y = "y", # Variable en Y (numérique) var_group= "pays", # Variable de groupe (factor) ordre = 1950, # Ordre des plots ("alpha", valeur num de var_x, un vecteur) decroiss = "oui", # Ordre décroissant de l'ordre choisi au dessus titre = "TITRE", # Choix du titre titre_x = "Années", # Choix du titre de l'axe X titre_y ="Taux", # Choix du titre de l'axe Y source = "", # Source des données interval_x = 20, # Echelle de X graduation_y = FALSE, # Graduation sur l'axe Y : TRUE/FALSE n_col = 4, # Nombre de colonnes pour les graphiques alignement_x = 2, # Nombre d'étiquettes à superposer avant de revenir sur l'axe. col_line = "#C24168", # Couleur de la ligne principale lwd_line = 1, # Epaisseur de la ligne principale transp_line = 1, # Transparence de la ligne principale type_line = "solid", # Type de ligne : solid, dashed, dotdash, longdash, twodash col_line_bg = "#adb5bd", # Couleur lignes secondaires lwd_line_bg = 0.1, # Epaisseur lignes secondaires transp_line_bg = 0.8, # Transparence lignes secondaires type_line_bg = "solid")# Type lignes secondaires ``` :::