6 Visualisierung — Grundlagen

Wie zeige ich, was ich gefunden habe?

Mit diesem Kapitel kommst du zum eigentlichen Sichtbar-Machen deiner Befunde. Die folgenden Methoden-Kapitel — uni-/bivariate Analyse, latente Strukturen, Erklärungsmodelle — werden ausgiebig auf das hier Gelernte zurückgreifen. Du legst hier das Fundament, um Verteilungen, Gruppenvergleiche und Zusammenhänge zu visualisieren.

Hinweis

Forschungsjournal: Wo stehst du in deiner Mini-Studie? Deine Skalen stehen. Bevor du jetzt rechnen anfängst, lernst du Visualisierung — denn jede Analyse beginnt mit „erst gucken, dann testen”. Ein Histogramm der Islamfeindlichkeits-Skala sagt dir mehr darüber, ob das Konstrukt wie erwartet verteilt ist, als jede Tabelle aus Kapitel 5. Dieses Kapitel ist Pflicht, bevor du in Kapitel 7 Hypothesen prüfst.

6.1 Worum es geht

Eine gute Grafik beantwortet eine Forschungsfrage in zwei Sekunden. Ein guter Absatz Fließtext braucht zwei Minuten. Und eine Tabelle? Die liest niemand, der nicht muss. Wenn deine Analyse fertig ist, ist erst die Hälfte deiner Arbeit getan — die andere Hälfte ist, sie so zu kommunizieren, dass Lesende verstehen, was du gefunden hast.

In SPSS klickst du im Diagramm-Menü zusammen, was du brauchst: Balken, Linien, Punkte. Jede Grafikart hat ihr eigenes Klick-Schema. Wenn du etwas Komplexeres willst — etwa einen Boxplot mit gestaffelten Facetten nach Bildung —, wird es schnell mühsam. Und das Ergebnis sieht aus, als wäre es 1998 designt worden.

ggplot2 macht das anders. Stell dir vor, du beschreibst einer Designerin am Telefon eine Grafik, die sie für dich anfertigen soll. Du müsstest ihr genau drei Dinge sagen:

Welche Daten möchtest du zeigen? Welcher Datensatz?
Was kommt wohin? Welche Variable auf die x-Achse, welche auf die y-Achse, welche bestimmt die Farbe, welche die Gruppierung?
Wie sollen die Datenpunkte aussehen? Als Balken? Als Punkte? Als Linie? Als Boxplot?

Mehr brauchst du nicht. ggplot2 baut nach diesen drei Angaben die Grafik automatisch zusammen. Diese drei Komponenten heißen offiziell Data, Aesthetic Mapping und Layer (geom). Hadley Wickham hat das System aus einem Buch von 2005 abgeleitet, in dem Leland Wilkinson statistische Grafiken systematisch als „Grammatik” beschrieben hat — daher der Name Grammar of Graphics. Genauso wie eine Sprache aus Substantiven, Verben und Adjektiven jeden beliebigen Satz bauen kann, baust du aus diesen drei Bausteinen jede beliebige Grafik.

Das hat einen großen praktischen Vorteil: Hast du einmal verstanden, wie ein Diagramm gebaut wird, verstehst du alle. Wenn du einen Boxplot beherrschst, ist der Schritt zu einem Histogramm oder Streudiagramm nur ein anderes geom_*() — das Grundgerüst bleibt gleich.

Dieses Kapitel führt dich durch diese drei Schritte und die wichtigsten Geom-Varianten. Du lernst, welche Grafik zu welchem Datentyp passt, wie du Subgruppen mit Facets aufteilst und wie du Farben, Themes und Beschriftungen anpasst. Die fortgeschritteneren Visualisierungs-Themen (Coefficient-Plots, Multi-Plot-Komposition, Speichern in publikationsfähiger Qualität) folgen in Kapitel 9 am Ende des Methoden-Pfads — dort, wo wir konkrete Modellergebnisse darstellen wollen.

Was du nach diesem Kapitel kannst

Den Grammar of Graphics-Ansatz von ggplot2 erklären.
Häufigkeiten, Verteilungen und Zusammenhänge mit den passenden geom_*()-Schichten visualisieren.
Subgruppen mit facet_wrap() und facet_grid() aufteilen.
Farben, Themes und Beschriftungen anpassen — inklusive lesbarer Achsenlabels über to_label().
Das buchweite Theme theme_rworkshop() einordnen.

6.2 Die Grammar of Graphics

Wie im einleitenden Abschnitt erklärt: Jede ggplot2-Grafik besteht aus genau drei Komponenten — Daten, Aesthetic Mapping, Layer. Im Code sieht das so aus:

allbus |>
  ggplot(aes(x = ..., y = ...)) +    # Daten + Aesthetic Mapping
  geom_...(...)                      # Layer

Die aes()-Funktion (kurz für aesthetics) macht die Übersetzung: „nimm diese Spalte und mappe sie auf diese visuelle Eigenschaft” — also etwa Bildungs-Variable → x-Achse, Skalenwert → y-Achse, Geschlecht → Farbe. Danach kommen die geom_*()-Funktionen als sichtbare Schicht oben drauf: Balken, Punkte, Boxen, was du brauchst.

Auffällig: Die Schichten werden mit + verbunden, nicht mit der tidyverse-Pipe |>. Das hat historische Gründe — ggplot2 ist älter als die native Pipe und hat seinen eigenen Operator behalten. Du kannst dir merken: alles vor ggplot(...) mit |>, alles nach ggplot(...) mit +.

Hinweis

Hintergrund: Wer hat die Grammatik erfunden? Leland Wilkinson formulierte 2005 in The Grammar of Graphics die Idee, jede statistische Grafik aus einer kleinen Zahl orthogonaler Komponenten zusammenzubauen. Hadley Wickham implementierte das 2007 als ggplot (später ggplot2) in R. Heute ist die Grammar Standard auch in Python (plotnine), JavaScript (Observable Plot) und vielen kommerziellen Tools — wer einmal in einem System gelernt hat, in welchen Schichten eine Grafik denkt, kann sie in allen lesen.

6.2.1 Erste Grafik: Häufigkeitsverteilung eines Items

Frage: Wie verteilen sich die Antworten auf das Item mm03 („Anwesenheit von Muslimen bringt Konflikt”)?

allbus |>
  filter(!is.na(mm03)) |>
  ggplot(aes(x = mm03, weight = wghtpew)) +
  geom_bar(fill = "#2563eb") +
  labs(x = "mm03: Anwesenheit von Muslimen bringt Konflikt",
       y = "Anzahl (gewichtet)",
       caption = "ALLBUS 2023, gewichtet mit wghtpew") +
  scale_x_continuous(breaks = 1:7)

Lesart. Die Skala läuft von 1 („stimme gar nicht zu”) bis 7 („stimme voll und ganz zu”). Die Verteilung zeigt, in welche Richtung die Befragten tendieren.

6.2.2 Zweite Grafik: Subgruppen-Vergleich

Frage: Wie unterscheidet sich Islamfeindlichkeit nach Bildungsniveau?

allbus |>
  filter(!is.na(islamophobie), !is.na(educ_kat)) |>
  ggplot(aes(x = educ_kat, y = islamophobie, fill = educ_kat)) +
  geom_boxplot(alpha = 0.7) +
  labs(x = "Bildungsgruppe", y = "Islamfeindlichkeit (1–7)",
       caption = "ALLBUS 2023") +
  scale_fill_brewer(palette = "Blues") +
  theme(legend.position = "none")

Beide Grafiken folgen dem gleichen Drei-Schritt-Aufbau. Den schauen wir uns jetzt im Detail an.

6.3 Aufbau einer Grafik

6.3.1 Plot-Objekt erstellen

Das Plot-Objekt entsteht mit ggplot(). Erstes Argument ist der Datensatz:

g <- allbus |> ggplot()

Allein ist g ein „leeres” Plot-Objekt — es weiß noch nichts über Achsen oder Inhalte.

6.3.2 Aesthetic Mapping

Mit aes() ordnest du Spalten des Datensatzes den visuellen Eigenschaften der Grafik zu. Die wichtigsten Eigenschaften:

Argument	Wozu
`x =`, `y =`	Achsen
`weight =`	Survey-Gewichtung
`fill =`	Füllfarbe (Flächen — Balken, Boxen)
`colour =`	Linien- oder Punktfarbe
`shape =`	Punktform
`linetype =`	Strichstil
`size =`, `alpha =`	Größe / Transparenz
`group =`	unsichtbare Gruppierung

Wichtig: Wenn aes() innerhalb von ggplot() steht, gilt das Mapping für alle Layer der Grafik. Du kannst Mappings auch pro Layer setzen — dann gelten sie nur dort.

g <- allbus |>
  filter(!is.na(islamophobie), !is.na(eastwest)) |>
  ggplot(aes(x = eastwest, y = islamophobie, weight = wghtpew, fill = eastwest))

g ist jetzt ein Plot-Objekt mit Achsenzuweisungen — du siehst aber noch nichts, weil kein Layer existiert.

6.3.3 Layer hinzufügen

Layer kommen mit + dazu. Die Layer-Funktionen beginnen alle mit dem Präfix geom_.

Punktdiagramm / Jitter:

allbus |>
  filter(!is.na(islamophobie), !is.na(populismus)) |>
  ggplot(aes(x = populismus, y = islamophobie)) +
  geom_jitter(width = 0.08, height = 0.08, alpha = 0.2, color = "#1f77b4") +
  labs(x = "Populismus (1–5, umgepolt)",
       y = "Islamfeindlichkeit (1–7)",
       caption = "ALLBUS 2023")

geom_jitter() verteilt überlappende Punkte leicht — das ist bei zwei diskreten Achsen (Skalen mit wenigen Ausprägungen) unverzichtbar, sonst sehen alle Befragten wie ein Punkt aus.

Boxplot und Violinplot:

g_base <- allbus |>
  filter(!is.na(islamophobie), !is.na(educ_kat)) |>
  ggplot(aes(x = educ_kat, y = islamophobie, fill = educ_kat))

g_base + geom_boxplot()

Boxplots zeigen Median (Linie in der Box), die mittleren 50 % (Box) und Whisker (1.5 × IQR). Violinplots zeigen stattdessen die Dichte:

g_base + geom_violin()

Ein häufiger Trick: beide Schichten kombinieren — Violin als Hintergrund, dünnen Boxplot darüber:

g_base +
  geom_violin(alpha = 0.4) +
  geom_boxplot(width = 0.1, fill = "white") +
  theme(legend.position = "none")

6.4 Geoms für verschiedene Datentypen

Welches geom_* sinnvoll ist, hängt vom Datentyp der Variablen ab. Eine Schnellübersicht:

Datentyp	Empfohlene Geoms
Eine kategoriale Variable	`geom_bar()`
Eine kontinuierliche Variable	`geom_histogram()`, `geom_density()`
Zwei kategoriale Variablen	`geom_bar(position = "dodge")` oder `position = "fill"`
Eine kategoriale + eine kontinuierliche	`geom_boxplot()`, `geom_violin()`
Zwei kontinuierliche Variablen	`geom_point()`, `geom_jitter()`, `geom_smooth()`
Zeitreihe	`geom_line()`

6.4.1 Eine kategoriale Variable

Klassischer Bar Chart mit geom_bar():

allbus |>
  filter(!is.na(educ_kat)) |>
  ggplot(aes(x = educ_kat, weight = wghtpew)) +
  geom_bar(fill = "steelblue") +
  labs(x = "Bildungsgruppe", y = "Anzahl (gewichtet)")

Relative Häufigkeiten. In modernem ggplot2 (ab Version 3.4) benutzt du after_stat() statt der alten ..count../..prop..-Syntax:

allbus |>
  filter(!is.na(educ_kat)) |>
  ggplot(aes(x = educ_kat, weight = wghtpew)) +
  geom_bar(aes(y = after_stat(prop), group = 1), fill = "steelblue") +
  scale_y_continuous(labels = scales::percent) +
  labs(x = "Bildungsgruppe", y = "Anteil")

Mit fill = als zweiter Gruppierungsvariable bekommst du gestapelte Balken — und mit position = "dodge" nebeneinander:

allbus |>
  filter(!is.na(educ_kat), !is.na(sex)) |>
  ggplot(aes(x = educ_kat, weight = wghtpew, fill = sex)) +
  geom_bar(position = "dodge") +
  labs(x = "Bildungsgruppe", y = "Anzahl (gewichtet)", fill = "Geschlecht")

6.4.2 Eine kontinuierliche Variable

Histogramm mit geom_histogram(). Die wichtigste Stellschraube ist binwidth:

allbus |>
  filter(!is.na(islamophobie)) |>
  ggplot(aes(x = islamophobie, weight = wghtpew)) +
  geom_histogram(binwidth = 0.5, fill = "steelblue", color = "white") +
  labs(x = "Islamfeindlichkeit (1–7)", y = "Anzahl (gewichtet)")

Mit geom_density() bekommst du stattdessen eine geglättete Dichteschätzung:

allbus |>
  filter(!is.na(islamophobie), !is.na(sex)) |>
  ggplot(aes(x = islamophobie, fill = sex)) +
  geom_density(alpha = 0.4) +
  labs(x = "Islamfeindlichkeit (1–7)", y = "Dichte", fill = "Geschlecht")

6.4.3 Zwei kontinuierliche Variablen

Streudiagramm mit Regressionsgerade — der Klassiker:

allbus |>
  filter(!is.na(islamophobie), !is.na(populismus), !is.na(sex)) |>
  ggplot(aes(x = populismus, y = islamophobie, color = sex)) +
  geom_jitter(alpha = 0.2, width = 0.05, height = 0.05) +
  geom_smooth(method = "lm", se = TRUE) +
  labs(x = "Populismus", y = "Islamfeindlichkeit",
       color = "Geschlecht", caption = "ALLBUS 2023")

geom_smooth(method = "lm") zeichnet eine lineare Regressionsgerade pro Gruppe. Für nichtlineare Trends nutzt du method = "loess".

6.5 Subgruppen aufteilen mit Facets

Stell dir vor, du willst den Zusammenhang von Populismus und Islamfeindlichkeit zeigen — aber getrennt nach Bildungsgruppen. Du könntest die drei Gruppen in einer einzigen Grafik mit drei verschiedenen Farben übereinanderlegen. Bei zwei Gruppen funktioniert das noch; bei drei oder mehr wird es chaotisch — Punkte überlappen, Trendlinien kreuzen sich, das Auge findet sich nicht mehr zurecht.

Die Lösung sind Facets: ggplot2 macht aus einer Grafik mehrere, eine pro Subgruppe, nebeneinander angeordnet, mit identischen Achsen. So lassen sich die Subgruppen direkt vergleichen, ohne dass sie sich gegenseitig überlagern. Das ist eine der mächtigsten Funktionen in ggplot2 — und in der Sozialforschung extrem hilfreich, weil dort fast jede Frage gruppenspezifisch interessant ist.

Es gibt zwei Varianten: facet_wrap() für eine Gruppierungsvariable, facet_grid() für zwei. Beide funktionieren gleich aufgebaut: Du gibst die Gruppierungsvariable als Formel mit ~ an.

allbus |>
  filter(!is.na(islamophobie), !is.na(populismus), !is.na(educ_kat)) |>
  ggplot(aes(x = populismus, y = islamophobie)) +
  geom_jitter(alpha = 0.2, color = "#1f77b4") +
  geom_smooth(method = "lm", color = "black") +
  facet_wrap(~ educ_kat) +
  labs(x = "Populismus", y = "Islamfeindlichkeit")

Bei zwei Gruppierungsvariablen ist facet_grid() die richtige Wahl — Zeilen × Spalten:

allbus |>
  filter(!is.na(islamophobie), !is.na(populismus),
         !is.na(educ_kat), !is.na(eastwest)) |>
  ggplot(aes(x = populismus, y = islamophobie)) +
  geom_jitter(alpha = 0.2, color = "#1f77b4") +
  geom_smooth(method = "lm", color = "black") +
  facet_grid(eastwest ~ educ_kat) +
  labs(x = "Populismus", y = "Islamfeindlichkeit")

Hinweis

Reviewer-Hinweis. Facets sind in Publikationen aussagekräftiger als Tabellen mit Subgruppen-Statistiken. Wenn du in der Diskussion zeigen willst, dass ein Zusammenhang in einer Subgruppe stärker ist als in einer anderen, ist facet_wrap oder facet_grid das Werkzeug der Wahl — auf einen Blick sichtbar.

6.6 Farben und Themes

Der Default-Farbverlauf von ggplot2 ist nicht barrierefrei. Eine kleine Sammlung Standard-Lösungen:

# Diskrete kategoriale Variablen — Brewer-Paletten
scale_color_brewer(palette = "Set1")     # für Linien/Punkte
scale_fill_brewer(palette = "Blues")     # für Flächen

# Kontinuierlich — Viridis (barrierearm)
scale_color_viridis_c()
scale_fill_viridis_c()

# Eigene Palette
farben <- c("#2563eb", "#16a34a", "#dc2626")
scale_color_manual(values = farben)

Hinweis

Hintergrund: Barrierefreiheit. Etwa 8 % der Männer (und 0.5 % der Frauen) haben eine Form der Rot-Grün-Sehschwäche. Default-Farbpaletten verwenden oft Rot und Grün als Hauptkontrast — für betroffene Leser:innen verschwindet damit die Information. Viridis (Standardpalette in matplotlib, jetzt auch in ggplot2) bleibt für alle Sehschwächen unterscheidbar und ist auch in Schwarzweiß-Druck lesbar. Faustregel: bei kontinuierlichen Skalen immer Viridis, bei kategorialen Variablen aus ColorBrewer-Paletten wählen (Set1, Set2, Blues, RdYlBu).

Komplette Themes ersetzen mit einer Zeile das Standard-Aussehen:

p <- allbus |>
  filter(!is.na(islamophobie), !is.na(educ_kat)) |>
  ggplot(aes(x = educ_kat, y = islamophobie, fill = educ_kat)) +
  geom_boxplot() +
  labs(x = "Bildung", y = "Islamfeindlichkeit") +
  theme(legend.position = "none")

p + theme_minimal()

theme_bw(), theme_classic(), theme_dark(), theme_void() sind weitere Optionen.

Wichtig

mariposa-Tipp / theme_rworkshop(). Alle Grafiken in diesem Buch nutzen automatisch das Theme theme_rworkshop(), das in R/_common.R definiert und per theme_set() global gesetzt ist. So sehen alle Plots im Quarto-Projekt einheitlich aus, ohne dass du das Theme in jedem Chunk explizit angeben musst. Für dein eigenes Projekt definierst du dir ein passendes Theme einmal und referenzierst es per source("R/_common.R") aus jedem Kapitel-Setup-Chunk.

Tipp

SPSS → R: Klick vs. Code. In SPSS klickst du Farben in einem Dialogfeld an, und die nächste Grafik fängt wieder bei Null an. In ggplot2 speicherst du Theme und Farbpalette als Code — und kannst sie auf jede neue Grafik anwenden, ohne dich zu wiederholen.

6.7 Beschriftungen

labs() setzt alle Texte einer Grafik in einem Funktionsaufruf:

allbus |>
  filter(!is.na(islamophobie), !is.na(populismus)) |>
  ggplot(aes(x = populismus, y = islamophobie)) +
  geom_jitter(alpha = 0.2, color = "#1f77b4", width = 0.05, height = 0.05) +
  geom_smooth(method = "lm", color = "black") +
  labs(
    title    = "Islamfeindlichkeit und Populismus in Deutschland 2023",
    subtitle = "Bivariater Zusammenhang, ungewichtet",
    x        = "Populismus (1–5, umgepolt)",
    y        = "Islamfeindlichkeit (1–7)",
    caption  = "Quelle: ALLBUS 2023, GESIS Leibniz-Institut"
  )

Lesbare Achsen über to_label(). Bei <haven_labelled>-Variablen aus SPSS willst du im Plot meist die Wertelabels sehen, nicht die numerischen Codes. Im Setup-Chunk dieses Kapitels haben wir genau das gemacht — to_label(eastwest, sex) hat die beiden Variablen in Faktoren verwandelt:

allbus |>
  filter(!is.na(islamophobie)) |>
  ggplot(aes(x = eastwest, y = islamophobie, fill = eastwest)) +
  geom_boxplot()

# Achse zeigt jetzt 'Alte Bundeslaender' / 'Neue Bundeslaender'
# statt 1 / 2 — weil eastwest schon im Setup-Chunk to_label-konvertiert wurde.

Wenn du eine zusätzliche labelled-Variable im Plot brauchst, wendest du to_label() einfach in der Pipeline an, bevor du ggplot() aufrufst.

Übungen

Übung 1 · Eigene Verteilung · Reproduktion

Erstelle ein Histogramm der Populismus-Skala (populismus) mit Binwidth 0.25, gewichtet, mit eigenem Titel und Achsenbeschriftung.

Lösung

allbus |>
  filter(!is.na(populismus)) |>
  ggplot(aes(x = populismus, weight = wghtpew)) +
  geom_histogram(binwidth = 0.25, fill = "#7c3aed", color = "white") +
  labs(x = "Populismus (umgepolt)", y = "Anzahl (gewichtet)",
       title = "Verteilung der Populismus-Einstellung",
       caption = "ALLBUS 2023")

Übung 2 · Subgruppen-Boxplot mit Facets · Reproduktion

Erstelle einen Boxplot der Islamfeindlichkeit nach eastwest, gefiltert nach Bildungsgruppen educ_kat (per facet_wrap).

Lösung

allbus |>
  filter(!is.na(islamophobie), !is.na(eastwest), !is.na(educ_kat)) |>
  ggplot(aes(x = eastwest, y = islamophobie, fill = eastwest)) +
  geom_boxplot() +
  facet_wrap(~ educ_kat) +
  labs(x = NULL, y = "Islamfeindlichkeit") +
  theme(legend.position = "none")

Übung 3 · Dichteplot mit zwei Gruppierungen · Transfer

Erstelle einen Dichteplot (geom_density) der Islamfeindlichkeit, eingefärbt nach eastwest, und teile das Ganze mit facet_wrap nach educ_kat auf. Wo liegen die größten Unterschiede zwischen Ost und West?

Lösung

allbus |>
  filter(!is.na(islamophobie), !is.na(eastwest), !is.na(educ_kat)) |>
  ggplot(aes(x = islamophobie, fill = eastwest)) +
  geom_density(alpha = 0.4) +
  facet_wrap(~ educ_kat) +
  labs(x = "Islamfeindlichkeit", y = "Dichte", fill = NULL,
       title = "Verteilungen nach Bildung und Region")

Übung 4 · Eigene Visualisierung · Mini-Forschungsfrage

Wähle aus dem ALLBUS 2023 eine politik-/sozialwissenschaftlich interessante Frage und visualisiere sie. Beispiele: Wie verteilt sich Demokratiezufriedenheit (ps03)? Hängt Lebenszufriedenheit (ls01) mit Alter zusammen? Achte auf: passender Geom-Typ, gewichten falls deutschlandweit (weight = wghtpew), lesbare Achsen, aussagekräftige Caption.

Keine Musterlösung — bewerte deine Grafik daran, ob sie eine konkrete Frage in ≤ 10 Sekunden beantwortet.

Hinweis

Forschungsjournal: Stand deiner Mini-Studie. Du beherrschst jetzt das Visualisierungs-Vokabular — Histogramm, Boxplot, Streudiagramm, Facets, Themes. Ab dem nächsten Kapitel ist jede statistische Analyse von einer entsprechenden Grafik begleitet. Was als Nächstes kommt: In Kapitel 7 beschreibst du die Skala (uni- und bivariat), illustrierst mit Histogramm und Boxplot, und testest die ersten Hypothesen — gewichtet, mit Effektgröße.

Was du jetzt weißt

Du baust ggplot2-Grafiken in drei Schritten: Daten, Aesthetic Mapping, Layer.
Du wählst passende geom_*-Schichten nach Datentyp (kategorial/kontinuierlich, eine/zwei Variablen).
Du teilst Subgruppen mit facet_wrap() und facet_grid() auf.
Du benutzt Brewer- und Viridis-Paletten für barrierearme Farbgebung.
Du kennst theme_rworkshop() als buchweites Default-Theme und kannst es in eigene Projekte übernehmen.
Du setzt Variablenlabels auf Achsen über to_label() für lesbare Beschriftungen.

In den folgenden Methoden-Kapiteln nutzt du diese Grundlagen sofort: in Kapitel 7 zur Verteilungs- und Gruppen-Visualisierung, in Kapitel 9 für Coefficient-Plots und Multi-Plot-Kompositionen.

Weiterführend

Hadley Wickham et al., ggplot2 Reference — Funktionsreferenz mit Beispielen für jede geom_* und scale_*.
R Graph Gallery — Inspiration und Cookbook für tausende Grafiktypen.
Claus Wilke, Fundamentals of Data Visualization — Theorie der Datenvisualisierung, frei online.
Cédric Scherer, A ggplot2 Tutorial for Beautiful Plotting in R — fortgeschrittene Customisierung.