使用 ggplot2 进行数据可视化(旧)

参考:

tidyverse 是一个非常优秀的包,R for Data Science 需要安装该包:

1
install.packages("tidyverse")

使用 library() 以 加载 R 包:

1
library(tidyverse)

使用 ggplot2 进行数据可视化

准备

你可以使用 ggplot2 中的 mpg 数据框(即 ggplot2::mpg)用于练习。

1
ggplot2::mpg
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
#> # A tibble: 234 × 11
#>    manufacturer model      displ  year   cyl trans drv     cty   hwy fl    class
#>    <chr>        <chr>      <dbl> <int> <int> <chr> <chr> <int> <int> <chr> <chr>
#>  1 audi         a4           1.8  1999     4 auto… f        18    29 p     comp…
#>  2 audi         a4           1.8  1999     4 manu… f        21    29 p     comp…
#>  3 audi         a4           2    2008     4 manu… f        20    31 p     comp…
#>  4 audi         a4           2    2008     4 auto… f        21    30 p     comp…
#>  5 audi         a4           2.8  1999     6 auto… f        16    26 p     comp…
#>  6 audi         a4           2.8  1999     6 manu… f        18    26 p     comp…
#>  7 audi         a4           3.1  2008     6 auto… f        18    27 p     comp…
#>  8 audi         a4 quattro   1.8  1999     4 manu… 4        18    26 p     comp…
#>  9 audi         a4 quattro   1.8  1999     4 auto… 4        16    25 p     comp…
#> 10 audi         a4 quattro   2    2008     4 manu… 4        20    28 p     comp…
#> # ℹ 224 more rows

数据框是变量(列)和观测(行)的矩形集合。mpg 包含了由美国环境保护协会收集的 38 种车型的观测数据。

  • displ:引擎大小,单位为升
  • hwy:燃油效率,单位为英里/加仑(mpg)

绘制 ggplot 图形

1
2
ggplot(data = mpg) +
    geom_point(mapping = aes(x = displ, y = hwy))
ggplot2-introduction

ggplot(data = mpg) 创建了一个空白的坐标系,geom_point() 就向图中添加了一个点层,这样就创建了一个散点图。

ggplot2 中每个几何对象都有一个 mapping 参数。这个参数定义了如何将数据集中的变量映射为图形属性。mapping 参数总是与 aes() 函数成对出现,aes() 函数的 x 参数和 y 参数分别指定了映射到 x 轴的变量与映射到 y 轴的变量。ggplot2data 参数中寻找映射变量,本例中就是 mpg

总结来说,要生成一张图,使用以下代码模版即可:

1
2
ggplot(data = <DATA>) +
    <GEOM_FUNCTIOM>(mapping = aes(<MAPPINGS>))

图片属性映射

可以将数据集中的第三个变量,如 class,映射为二维散点图中的图形属性,如数据点的大小、形状和颜色。

class 映射为 color(或 colour),可以清晰地在图中辨别车辆的类型:

1
2
ggplot(data = mpg) +
    geom_point(mapping = aes(x = displ, y = hwy, color = class))
mapping-color

aes() 将图形属性名称关联起来,ggplot2 就会自动为每个变量值分配唯一的图形属性水平

因为已经用“value”表示数据的值,所以使用“level”(水平)来表示图形属性的值。

也可以将 class 映射为 size 图形属性:

1
2
ggplot(data = mpg) +
    geom_point(mapping = aes(x = displ, y = hwy, size = class))
mapping-size

这里出现了一条警告信息,因为将无序变量 class 映射为有需变量 size 不是一个好主意。

或者将 class 映射为点的透明度或形状:

1
2
3
4
ggplot(data = mpg) +
    geom_point(mapping = aes(x = displ, y = hwy, alpha = class))
ggplot(data = mpg) +
    geom_point(mapping = aes(x = displ, y = hwy, shape = class))

mapping-alpha,shape
mapping-alpha,shape

注意下图中的 “suv” 没有显示,这是因为 ggplot2 默认只支持 6 种形状。

另外,数据点的 x 轴位置 x 和 y 轴位置 y 本身也是图形属性。用数据绘图本质就是将数据中的值映射为图中的图形属性。

也可以手动为图形属性指定固定水平:

1
2
ggplot(data = mpg) +
    geom_point(mapping = aes(x = displ, y = hwy), color = "blue")
manual-fixed-value

注意不要将固定值放在 aes() 函数里,因为此时颜色并不是用来传达变量的信息,而只是改变图的外观。错误示范:

1
2
ggplot(data = mpg) +
    geom_point(mapping = aes(x = displ, y = hwy, color = "blue"))
manual-fixed-value-wrong

其中的点的颜色都是橙色,这是因为 R 将 "blue" 视作数据,而不是颜色值。

此外,需要为图形属性设置一个有效值:

  • 颜色名称是一个字符串
  • 点的大小用毫米表示
  • 点的形状是 0~25 的一个整数值

其他示例

1
2
3
4
ggplot(data = mpg, mapping = aes(displ, hwy)) +
    geom_point(shape = 21, fill = "white", size = 5, stroke = 5)
ggplot(data = mpg) +
    geom_point(mapping = aes(x = displ, y = hwy, color = displ < 5))

other examples
other examples

分面

要在图中添加新的展示变量,除了可以用图形属性,还可以将图分隔成多个分面

1
2
3
ggplot(data = mpg) +
    geom_point(mapping = aes(x = displ, y = hwy)) +
    facet_wrap(~class, nrow = 2)
facet_wrap

facet_wrap() 函数的第一个参数是一个公式(R 中的一种数据结构,不是数学意义上的公式),传递给 facet_wrap() 的参数应该是离散型的。

要通过两个变量对图进行分面,需使用 facet_grid() 函数,该函数的公式参数包含由 ~ 分隔的两个变量名。

1
2
3
ggplot(data = mpg) +
    geom_point(mapping = aes(x = displ, y = hwy)) +
    facet_grid(drv ~ cyl)
facet_grid

如果不想在行或列的维度进行分面,可以使用 . 代替变量名,如 . ~ cyl

几何对象

1
2
3
4
ggplot(data = mpg) +
    geom_point(mapping = aes(x = displ, y = hwy))
ggplot(data = mpg) +
    geom_smooth(mapping = aes(x = displ, y = hwy))

geometry object
geometry object

两张图使用了同样的数据,但它们使用了不同的可视化对象。在 ggplot2 语法中,我们称它们使用了不同的几何对象。第一张图使用了点几何对象而第二张图使用了平滑曲线几何对象。

你可以在同一张图中使用多个几何对象:

1
2
3
ggplot(data = mpg) +
    geom_point(mapping = aes(x = displ, y = hwy, color = drv), size = 3) +
    geom_smooth(mapping = aes(x = displ, y = hwy, linetype = drv, color = drv))

geom_smooth

为避免代码重复,可以将所有几何对象共用的映射写在 ggplot() 函数中,这样 ggplot2 会将这些映射作为全局映射应用到图中的每个几何对象中。以下代码与 上面的代码 等效。

1
2
3
ggplot(data = mpg, mapping = aes(x = displ, y = hwy, color = drv)) +
    geom_point(size = 3) +
    geom_smooth()

统计变换

1
2
ggplot(data = diamonds) +
    geom_bar(mapping = aes(x = cut))
geom_bar

注意到图中出现了一个新的变量 count,但是 count 不是 diamonds 中的变量。之所以会出现新的变量,是因为一些图形(如条形图)不只是绘制数据集的原始数据,而是可以绘制自己计算出的新数据。

  • 条形图、直方图和频率多边形图可以对数据进行分组并计算出每组的频数。
  • 平滑曲线会为数据拟合一个模型,然后绘制出模型预测值。
  • ……

绘图时用来计算新数据的算法称为 stat(statistical transformation,统计变换)。几何对象(geom_bar)使用给出的值及映射关系(x = cut)计算出新数据(count)及映射(映射到 y 轴)。 ?geom_bar 显示 stat(统计变换)的默认值为 "count"(注意与 stat_count() 计算出的 count 区别),这说明 geom_bar() 默认使用 stat_count() 进行统计变换。stat_count() 的说明也在这页,在 “Computed variables” 一节中有两个变量 countprop,它们是 stat_count() 会计算出的新数据。