ggrain: a R package for raincloud plots

Le package R `ggrain` comble un manque en proposant une fonction unique (`geom_rain`) compatible avec la grammaire des graphiques pour générer facilement des nuages de pluie, qui combinent des diagrammes en points, en boîtes et en violons pour une visualisation transparente et robuste des données.

L'essentiel

Imaginez que vous essayez de raconter une histoire avec des données, comme si vous présentiez les résultats d'une expérience scientifique à vos amis autour d'une table.

Jusqu'à présent, la méthode la plus courante pour montrer ces résultats ressemblait à une photo floue ou à un résumé trop court. Les chercheurs utilisaient souvent des graphiques en barres (des rectangles simples). C'est un peu comme si, pour décrire une foule de personnes, on vous disait seulement : « La taille moyenne est de 1m75 ». C'est utile, mais ça cache tout le reste : y a-t-il des géants ? Des nains ? Tout le monde fait-il 1m75, ou y a-t-il une grande variété ? C'est comme si on vous donnait la température moyenne d'une journée sans vous dire qu'il y a eu un orage violent à midi et un brouillard épais le matin.

C'est là qu'intervient cette nouvelle invention appelée « ggrain ».

Le Nuage de Pluie : Une vue en 3D de la réalité

Les auteurs de ce papier ont créé un outil (un « package » pour le langage informatique R) qui permet de dessiner ce qu'ils appellent un « Raincloud plot » (un graphique « nuage de pluie »).

Pour comprendre la magie de cet outil, imaginez que vous regardez une fenêtre pendant une averse. Au lieu de voir juste une goutte d'eau, vous voyez trois choses en même temps, parfaitement combinées :

1. Les gouttes de pluie (Le nuage de points) : C'est la partie la plus basique. Vous voyez chaque point de données individuel. C'est comme voir chaque goutte d'eau tomber. Vous savez exactement combien il y a de gouttes (la taille de l'échantillon) et si l'une d'elles est énorme ou bizarre (une valeur aberrante).
2. Le parapluie (La boîte) : Au milieu, il y a une petite boîte qui résume les choses importantes. Elle vous dit où se trouve le milieu de la foule (la médiane) et où se concentrent la plupart des gens (l'écart interquartile). C'est votre boussole pour ne pas se perdre dans les détails.
3. Le nuage (Le violon) : Autour de la boîte, il y a une forme douce et arrondie qui ressemble à un nuage ou à une goutte d'eau en gros plan. Cette forme montre la densité de la pluie. Là où le nuage est gros et épais, il y a beaucoup de données. Là où il est fin, il y en a peu. Cela vous montre la forme réelle de la distribution, comme si vous voyiez la masse d'eau s'écouler.

Pourquoi est-ce si génial ?

L'outil ggrain est comme un chef cuisinier qui a enfin trouvé la recette parfaite pour mélanger ces trois ingrédients. Avant, faire ce genre de graphique complexe en informatique était un casse-tête, comme essayer de construire une maison avec des Lego sans notice.

Avec ggrain, c'est aussi simple que de dire : « Dessine-moi ce nuage de pluie pour ces données ».

Mais ce n'est pas tout. Cet outil est aussi un magicien du temps :

• Il peut montrer comment un groupe change au fil du temps (par exemple, avant et après un traitement médical).
• Il peut relier les points entre eux, comme des fils d'Ariane, pour montrer comment la même personne a évolué d'un jour à l'autre.
• Il permet de comparer plusieurs groupes en même temps sans que cela ressemble à un plat de spaghettis emmêlés.

En résumé

Pensez à ggrain comme à une loupe magique pour les scientifiques. Au lieu de vous donner un résumé plat et trompeur (comme une barre), il vous offre une vue complète, transparente et belle de la réalité des données. Il permet de voir la pluie, le nuage et le parapluie en même temps, rendant l'histoire des données beaucoup plus claire, honnête et facile à comprendre pour tout le monde, même pour ceux qui ne sont pas des experts en statistiques.

C'est un pas de géant vers une science plus transparente, où l'on ne cache plus rien derrière de simples rectangles.

Résumé technique

1. Le Problème

La visualisation des données est cruciale pour communiquer les résultats scientifiques, mais les méthodes traditionnelles, notamment les diagrammes en barres (barplots), présentent des limitations majeures :

• Opacité des données : Ils masquent les propriétés de distribution sous-jacentes des données brutes.
• Sensibilité à la distorsion : Ils sont incapables de représenter fidèlement les données brutes et ne montrent pas les différences de distribution.
• Risque d'erreur d'interprétation : Leur utilisation peut conduire à des malentendus sur l'ampleur des différences statistiques entre les échantillons.
• Manque d'outil R intégré : Bien que les "nuages de pluie" (raincloud plots) soient largement utilisés pour résoudre ces problèmes, il manquait un package R compatible avec la « grammaire des graphiques » (grammar of graphics) pour les générer facilement.

2. Méthodologie

Les auteurs ont développé un nouveau package R nommé ggrain conçu pour s'intégrer nativement dans l'écosystème R, en particulier avec le package ggplot2.

• Approche conceptuelle : Le package implémente la visualisation « raincloud » qui combine trois types de graphiques en une seule représentation esthétique et informative :
  1. Un diagramme en points (dot plot) : Affiche les données brutes avec une distorsion minimale, permettant d'identifier rapidement la taille de l'échantillon et les valeurs aberrantes (outliers).
  2. Un diagramme en boîte (box plot) : Présente les statistiques de résumé distributionnelles clés (médiane, intervalle interquartile).
  3. Un diagramme en violon (violin plot) : Représente de manière transparente la distribution sous-jacente des données.
• Implémentation technique : Le package se concentre sur une fonction principale, geom_rain, qui permet de générer ces graphiques complexes de manière fluide. Il prend en charge des fonctionnalités avancées telles que le regroupement factoriel, la cartographie avec une covariable continue secondaire et la connexion des observations longitudinales sur plusieurs vagues temporelles.

3. Contributions Clés

• Le package ggrain : C'est la première implémentation en R alignée sur la grammaire des graphiques pour créer des raincloud plots. Il est disponible sur CRAN et GitHub.
• Fonctionnalité geom_rain : Une interface unique et simple qui simplifie considérablement la création de ces visualisations complexes par rapport aux méthodes manuelles.
• Gestion des designs complexes : Le package permet de visualiser efficacement des designs factoriels et, de manière unique, de montrer le changement intra-individuel (longitudinal) parallèlement au changement moyen de groupe. Cela permet de détecter des changements dans la variabilité entre les sujets ou les groupes au fil du temps.
• Accessibilité : En s'intégrant à l'écosystème R standard, il rend ces visualisations accessibles aux chercheurs maîtrisant déjà ggplot2.

4. Résultats

Bien que l'article soit une présentation de logiciel (software paper) et non une étude empirique de résultats scientifiques, les résultats techniques démontrent :

• La capacité du package à générer des graphiques illustrant des différences distributionnelles entre deux groupes (Figure 1a).
• La capacité à visualiser des designs pré/post (avant/après intervention) avec des données longitudinales, montrant comment la variabilité entre les groupes peut changer (ex: disparition des différences de variabilité après une intervention, Figure 1b).
• La disponibilité du code source et des données pour la reproduction des figures, assurant la transparence et la reproductibilité.

5. Signification et Impact

• Amélioration de la transparence scientifique : ggrain favorise une visualisation des données plus honnête et informative, réduisant le risque de mauvaise interprétation des résultats statistiques.
• Standardisation : En apportant les raincloud plots à la « grammaire des graphiques » de R, le package encourage l'adoption de meilleures pratiques de visualisation dans la communauté scientifique.
• Écosystème élargi : L'article note que les raincloud plots sont désormais disponibles dans plusieurs langages et outils (R via ggrain, Python via ptitprince, et JASP via un module GUI), rendant cette méthode accessible aussi bien aux programmeurs qu'aux chercheurs ayant une expérience limitée en codage.
• Support institutionnel : Le projet est soutenu par des fonds importants (Conseil néerlandais pour la recherche scientifique NWO, Fondation Jacobs, etc.), soulignant l'importance accordée à l'open science et à la qualité de la visualisation des données.