R包-ggplot2

数据分析 / R
字数统计: 3.1k   |   阅读时长≈ 13 分钟

主要基于《数据科学中的R语言》的学习笔记。

ggplot2介绍

ggplot2有一套优雅的绘图语法，包名中“gg”是grammar of graphics的简称。 Hadley Wickham将这套可视化语法诠释为:

一张统计图形就是从数据到几何形状(geometric object，缩写geom)所包含的图形属性(aesthetic attribute，缩写aes)的一种映射。

通俗解释：就是我们的数据通过图形的视觉元素表示出来。比如点的位置，如果坐标x值越大，水平方向离原点的位置就越远，数值越小，水平方向离原点的位置就越近。 数值的大小变成了视觉能感知的东西。

ggplot()函数包括9个部件：

  • 数据 (data) （数据框）
  • 映射 (mapping)
  • 几何形状 (geom)
  • 统计变换 (stats)
  • 标度 (scale)
  • 坐标系 (coord)
  • 分面 (facet)
  • 主题 (theme)
  • 存储和输出 (output)

其中前三个是必需的。语法模板

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

此外，图形中还可能包含数据的统计变换(statistical transformation，缩写stats)，最后绘制在某个特定的坐标系(coordinate system，缩写coord)中，而分面(facet)则可以用来生成数据不同子集的图形。

简单例子

用科考人员收集的企鹅体征数据来演示。

1
2
3
4
5
6
7
library(tidyverse)
penguins <- read_csv(here::here("demo_data", "penguins.csv")) %>%
  janitor::clean_names() %>% 
  drop_na()

penguins %>%
  head()

这里我们用到4个变量，species (企业种类)， sex (性别)， bill_length_mm (嘴峰长度) ， bill_depth_mm (嘴峰深度) 。

1
2
3
penguins %>%
  select(species, sex, bill_length_mm, bill_depth_mm) %>%
  head(4)

我们想要考察嘴峰长度(bill_length_mm)与嘴峰深度(bill_depth_mm)之间的关联，先绘制这两个变量的散点图，。

1
2
ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm))

刚才看到的是位置上的映射，ggplot()还包含了颜色 (color)、形状 (shape) 以及透明度 (alpha) 等图形属性的映射。

比如我们在aes()里增加一个颜色映射color = species, 这样做就是希望，不同的企鹅类型, 用不同的颜色来表现。这里，企鹅类型有三组，那么就用三种不同的颜色来表示

1
2
ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm, color = species))

如果我们只是想把图中的点指定为某一种颜色，可以使用设置语句，例如

1
2
ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm), color = "blue")

注意这里 color = "blue" 不能放在 aes() 函数中，不然所有点就都是红色。

因为这种方式会将 ‘blue’ 映射到color轴，'blue’实际上是从c(‘blue’),是个长度为1的字符串，离散型变量，所以映射函数会把从c(‘blue’)映射到离散型的默认color轴，第一个颜色是红色，所以所有点是红色。注意映射函数接受长度为1或者长度和x,y等长的vector.

图层叠加

geom_point() 可以画散点图，也可以使用geom_smooth()绘制平滑曲线，

1
2
ggplot(penguins) +
  geom_smooth(aes(x = bill_length_mm, y = bill_depth_mm))

我们也可以同时画出散点图和平滑曲线图，如下

1
2
3
ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm)) +
  geom_smooth(aes(x = bill_length_mm, y = bill_depth_mm))

但是此时我们将相同的 aes() 函数写了两遍，我们可以将 aes() 函数放在 ggplot() 函数中，这样可以偷懒一点。

1
2
3
ggplot(penguins, aes(x = bill_length_mm, y = bill_depth_mm)) +
  geom_point() +
  geom_smooth()

那么将 aes() 函数放在 ggplot() 函数中，和放在 geom_point() 有什么区别呢？二者其实是全局声明和局部声明的关系。如果全局变量和局部变量均有某个映射关系，使用局部变量中的映射关系，更详细的解释如下。

说白了，将 aes() 函数放在 ggplot() 函数中 就是为了偷懒，少打点字而已。

  • 映射关系aes(x = bill_length_mm, y = bill_depth_mm) 写在ggplot()里, 为全局声明。那么，当geom_point()画图时，发现缺少图形所需要的映射关系（点的位置、点的大小、点的颜色等等），就会从ggplot()全局变量中继承映射关系。
  • 如果映射关系aes(x = bill_length_mm, y = bill_depth_mm) 写在几何形状geom_point()里, 那么此处的映射关系就为局部声明, 那么geom_point()绘图时，发现所需要的映射关系已经存在，就不会继承全局变量的映射关系。

保存图片

可以使用ggsave()函数，将图片保存为所需要的格式，如”.pdf”, “.png”等， 还可以指定图片的高度和宽度，默认units是英寸，也可以使用”cm”, or “mm”.

1
2
3
4
5
6
7
8
9
10
11
12
13
p1 <- penguins %>% 
  ggplot(aes(x = bill_length_mm, y = bill_depth_mm)) +
  geom_smooth(method = lm) +
  geom_point(aes(color = species)) +
  ggtitle("This is my first plot")

ggsave(
  plot = p1,
  filename = "my_plot.pdf",
  width = 8,
  height = 6,
  dpi = 300
)

ggplot2之几何形状

先看一组数据

1
df <- read_csv("./demo_data/datasaurus.csv")
1
2
3
4
5
6
7
8
9
> df
# A tibble: 1,846 × 3
   dataset     x     y
   <chr>   <dbl> <dbl>
 1 dino     55.4  97.2
 2 dino     51.5  96.0
 3 dino     46.2  94.5
 4 dino     42.8  91.4
 5 dino     40.8  88.3

先用dataset分组后，然后计算每组下x的均值和方差，y的均值和方差，以及x，y两者的相关系数，我们发现每组数据下它们几乎都是相等的

1
2
3
4
5
6
7
8
df %>%
  group_by(dataset) %>%
  summarise(
    across(everything(), list(mean = mean, sd = sd), .names = "{fn}_{col}")
  ) %>%
  mutate(
    across(is.numeric, round, 3)
  )

如果上面代码不熟悉，可以用第 12 章的代码重新表达，也是一样的

1
2
3
4
5
6
7
8
9
df %>%
  group_by(dataset) %>%
  summarize(
    mean_x = mean(x),
    mean_y = mean(y),
    std_dev_x = sd(x),
    std_dev_y = sd(y),
    corr_x_y = cor(x, y)
  )
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
## # A tibble: 13 × 6
##    dataset    mean_x mean_y std_dev_x std_dev_y corr_x_y
##    <chr>       <dbl>  <dbl>     <dbl>     <dbl>    <dbl>
##  1 away         54.3   47.8      16.8      26.9  -0.0641
##  2 bullseye     54.3   47.8      16.8      26.9  -0.0686
##  3 circle       54.3   47.8      16.8      26.9  -0.0683
##  4 dino         54.3   47.8      16.8      26.9  -0.0645
##  5 dots         54.3   47.8      16.8      26.9  -0.0603
##  6 h_lines      54.3   47.8      16.8      26.9  -0.0617
##  7 high_lines   54.3   47.8      16.8      26.9  -0.0685
##  8 slant_down   54.3   47.8      16.8      26.9  -0.0690
##  9 slant_up     54.3   47.8      16.8      26.9  -0.0686
## 10 star         54.3   47.8      16.8      26.9  -0.0630
## 11 v_lines      54.3   47.8      16.8      26.9  -0.0694
## 12 wide_lines   54.3   47.8      16.8      26.9  -0.0666
## 13 x_shape      54.3   47.8      16.8      26.9  -0.0656

那么，我们是否能得出结论，每组的数据长的差不多呢？然而，我们画图发现

事实上，每张图都相差很大。所以，这里想说明的是，眼见为实。换句话说，可视化是数据探索中非常重要的部分。本章的目的就是带领大家学习ggplot2基本的绘图技能。

学习目标

图形语法

图形语法 “grammar of graphics” (“ggplot2” 中的gg 就来源于此) 使用图层(layer)去描述和构建图形，下图是ggplot2图层概念的示意图

图形部件

一张统计图形就是从数据到几何形状(geometric object，缩写geom)所包含的图形属性(aesthetic attribute，缩写aes)的一种映射。

  1. data: 数据框data.frame (注意，不支持向量vector和列表list类型）

  2. aes: 数据框中的数据变量映射到图形属性。什么叫图形属性？就是图中点的位置、形状，大小，颜色等眼睛能看到的东西。什么叫映射？就是一种对应关系，比如数学中的函数b = f(a)就是a和b之间的一种映射关系, a的值决定或者控制了b的值，在ggplot2语法里，a就是我们输入的数据变量，b就是图形属性， 这些图形属性包括：

    • x（x轴方向的位置）
    • y（y轴方向的位置）
    • color（点或者线等元素的颜色）
    • size（点或者线等元素的大小）
    • shape（点或者线等元素的形状）
    • alpha（点或者线等元素的透明度）

  3. geoms: 几何形状，确定我们想画什么样的图，一个geom_***确定一种形状。更多几何形状推荐阅读这里

    • geom_bar()
    • geom_density()
    • geom_freqpoly()
    • geom_histogram()
    • geom_violin()
    • geom_boxplot()
    • geom_col()
    • geom_point()
    • geom_smooth()
    • geom_tile()
    • geom_density2d()
    • geom_bin2d()
    • geom_hex()
    • geom_count()
    • geom_text()
    • geom_sf()

  4. stats: 统计变换

  5. scales: 标度

  6. coord: 坐标系统

  7. facet: 分面

  8. layer： 增加图层

  9. theme: 主题风格

  10. save: 保存图片

开始

R语言数据类型，有字符串型、数值型、因子型、逻辑型、日期型等。 ggplot2会将字符串型、因子型、逻辑型默认为离散变量，而数值型默认为连续变量，将日期时间为日期变量：

  • 离散变量: 字符串型, 因子型, 逻辑型
  • 连续变量: 双精度数值, 整数数值
  • 日期变量: 日期, 时间, 日期时间

导入数据

1
gapdata <- read_csv("./demo_data/gapminder.csv")

检查数据

是否有缺失值

1
2
3
4
gapdata %>%
  summarise(
    across(everything(), ~ sum(is.na(.)))
  )
1
2
3
4
## # A tibble: 1 × 6
##   country continent  year lifeExp   pop gdpPercap
##     <int>     <int> <int>   <int> <int>     <int>
## 1       0         0     0       0     0         0
  • country 代表国家
  • countinet 表示所在的洲
  • year 时间
  • lifeExp 平均寿命
  • pop 人口数量
  • gdpPercap 人均GDP

基本绘图

柱状图

常用于一个离散变量

1
2
3
gapdata %>%
  ggplot(aes(x = continent)) +
  geom_bar()

按照出现次数，从低到高排序

1
2
3
gapdata %>%
  ggplot(aes(x = reorder(continent, continent, length))) +
  geom_bar()

翻转坐标轴，使用 coord_flip() 函数

1
2
3
4
gapdata %>%
  ggplot(aes(x = reorder(continent, continent, length))) +
  geom_bar() +
  coord_flip()

ggplot2之标度

标度

在 22章，我们了解到ggplot2中，映射是数据转化到图形属性，这里的图形属性是指视觉可以感知的东西，比如大小，形状，颜色和位置等。我们今天讨论的标度（scale）是控制着数据到图形属性映射的函数，每一种标度都是从数据空间的某个区域（标度的定义域）到图形属性空间的某个区域（标度的值域）的一个函数。

简单点来说，标度是用于调整数据映射的图形属性。 在ggplot2中，每一种图形属性都拥有一个默认的标度，也许你对这个默认的标度不满意，可以就需要学习如何修改默认的标度。比如， 系统默认"a"对应红色，"b"对应蓝色，我们想让"a"对应紫色，"b"对应橙色。

图形属性和变量类型

还是用我们熟悉的ggplot2::mpg，可能有同学说，我画图没接触到scale啊，比如

1
library(tidyverse)
1
2
3
mpg %>% 
  ggplot(aes(x = displ, y = hwy)) + 
  geom_point(aes(colour = class))

事实上，根据映射关系和变量名，我们将标度写完整，应该是这样的

1
2
3
4
5
6
ggplot(mpg, aes(x = displ, y = hwy)) + 
  geom_point(aes(colour = class)) +
  
  scale_x_continuous() + 
  scale_y_continuous() + 
  scale_colour_discrete()

如果每次都要手动设置一次标度函数，那将是比较繁琐的事情。因此ggplot2使用了默认了设置，如果不满意ggplot2的默认值，可以手动调整或者改写标度，比如

1
2
3
4
5
6
ggplot(mpg, aes(x = displ, y = hwy)) + 
  geom_point(aes(colour = class)) +
  
  scale_x_continuous(name = "This is my x axis") + 
  scale_y_continuous(name = "This is my y axis") + 
  scale_colour_brewer()

坐标轴和图例是同样的东西

丰富的标度体系

注意到，标度函数是由”_“分割的三个部分构成的：

scale - 视觉属性名 (e.g., colour, shape or x) - 标度名 (e.g., continuous, discrete, brewer).

每个标度函数内部都有丰富的参数系统

1
2
3
4
5
6
7
8
9
10
scale_colour_manual(
  palette = function(), 
  limits = NULL,
  name = waiver(),
  labels = waiver(),
  breaks = waiver(),
  minor_breaks = waiver(),
  values = waiver(),
  ...
)
  • 参数name，坐标和图例的名字，如果不想要图例的名字，就可以 name = NULL
  • 参数limits, 坐标或图例的范围区间。连续性c(n, m)，离散型c("a", "b", "c")
  • 参数breaks, 控制显示在坐标轴或者图例上的值（元素）
  • 参数labels, 坐标和图例的间隔标签
    • 一般情况下，内置函数会自动完成
    • 也可人工指定一个字符型向量，与breaks提供的字符型向量一一对应
    • 也可以是函数，把breaks提供的字符型向量当做函数的输入
    • NULL，就是去掉标签
  • 参数values 指的是（颜色、形状等）视觉属性值,
    • 要么，与数值的顺序一致；
    • 要么，与breaks提供的字符型向量长度一致
    • 要么，用命名向量c("数据标签" = "视觉属性")提供
  • 参数expand, 控制参数溢出量
  • 参数range, 设置尺寸大小范围，比如针对点的相对大小

下面，我们通过具体的案例讲解如何使用参数，把图形变成我们想要的模样。

案例详解

先导入一个数据

1
gapdata <- read_csv("./demo_data/gapminder.csv")
1
2
3
4
5
6
newgapdata <- gapdata %>% 
  group_by(continent, country) %>% 
  summarise(
    across(c(lifeExp, gdpPercap, pop), mean)
  )
newgapdata

画散点图

1
2
3
4
newgapdata %>% 
  ggplot(aes(x = gdpPercap, y = lifeExp)) +
    geom_point(aes(color = continent, size = pop)) +
    scale_x_continuous()
  • 版权声明： 本博客所有文章除特别声明外，著作权归作者所有。转载请注明出处！
  • Copyrights © 2019-2025 Vincere Zhou
  • 访问人数: | 浏览次数:

请我喝杯茶吧~

支付宝
微信