tidyverse库ggplot2生成散点图

准备工作

tidyverse库的安装和加载

要想使用ggplot2函数，先要安装和加载tidyverse库

install.packages("tidyverse")
library（tidyverse）

例子中使用的mpg数据框

为了做示范，我们使用tidyverse库中提供的mpg数据框。
想要了解mpg是做什么的

?mpg

数据展示的就是：1999 年至 2008 年 38 种常用车型的燃油经济性数据

常用到的几个变量：
displ：汽车发动机尺寸
hwy：汽车在高速公路上的燃油效率，单位：英里每加仑

用ggplot创建散点图

直接创建散点图

ggplot(data=mpg)+geom_point(mapping=aes(x=displ,y=hwy))

从散点图分布，发动机尺寸和燃油率总体呈现负相关。也就是说，从宽泛的角度上讲，发动机尺寸越大，燃油率越低。

解释一下代码：

ggplot(data=mpg)+geom_point(mapping=aes(x=displ,y=hwy))
#指定了数据来源为mpg，并且创建了一个空画布。
#如果你运行这行代码，得到的是一个空页面
#后面的+geom_point()创建了一个散点图
#函数一个很重要的参数是mapping
#maping说明了散点图x坐标数据和y坐标数据。

通过颜色分类

散点图中有一些图远离了回归曲线。

这时我们推测这些异常值可能和车的种类有关系。
我们可以找到mpg的表格数据，发现class这个变量存储了车的类别信息。通过unique函数来看看到底有多少种车。

unique(mpg$class)
[1] "compact"    "midsize"    "suv"        "2seater"    "minivan"    "pickup"     "subcompact"

那我们想要通过ggplot显示散点图，但是要用不同的颜色标注出不同的类别来。下面的代码就诞生了。

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

给散点图加上颜色之后，我们就能清晰得看见，异常值都属于“2seater”这一类，也就两座车相比之下虽然引擎更大，但燃油率却相对较高。

当然除了用颜色标注之外，我们还可以用散点图的散点大小来分类，也可以用散点的形状来分类。
代码修改只需要把color=class改成size=class，或alpha=class或shape=class。

要注意的点是，上述参数都要在aes（）里面。

通过position=jitter来设置噪点，避免遮盖

但是我们知道mpg这个数据集有234个数据。
想确认数据集的数据个数，可以通过以下两种方式：

# view可以通过展示数据表的方式来查看
?view(mpg)
# count可以返回数据集的数量
(count(mpg))

但是能看到，以上的图片中，点数是没有200多个的。这是因为出现了遮蔽（overlapping）的问题。
比如：

这三个数据集就是重合的，这个时候，我们可以通过position=“jitter”的方式来创造除一种散点的感觉。当然，这样图片展示得就不那么精确了，好处是展现了数据的全部。

ggplot(data=mpg)+geom_point(mapping=aes(x=displ,y=hwy,color=class),position="jitter")

可以和前面的图对比一下：

通过facet_wrap来分类

刚刚我们是通过给点做出不同的样式，以便对数据分类。也可以通过facet_wrap函数添加更多的分类变量。

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

通过facet_grid来分类（可添加两个变量）

ggplot(data=mpg)+geom_point(mapping=aes(x=displ,y=hwy))+facet_grid(drv~cyl)
# drv:驱动系统的类型，其中f =前轮驱动，r =后轮驱动，4 =四轮驱动
# cyl:气缸数

如果你只是想要一个变量，可以

ggplot(data=mpg)+geom_point(mapping=aes(x=displ,y=hwy))+facet_grid(.~cyl)