前言
虽然我们介绍了这么多节的 ggplot2
,我们在绘制图层时基本上使用的都是 geom_*()
函数,却很少使用 stat_*()
函数。
当然,使用 geom_*()
函数已经可以完成绝大部分的绘图工作了,那还有必要使用 stat_*()
函数吗?
我们来看一例子,假设有如下数据
> select(diamonds, cut, price)
# A tibble: 53,940 x 2
cut price
<ord> <int>
1 Ideal 326
2 Premium 326
3 Good 327
4 Premium 334
5 Good 335
6 Very Good 336
7 Very Good 336
8 Very Good 337
9 Fair 337
10 Very Good 338
# … with 53,930 more rows
我们想要绘制一个柱状图,用于展示每种切工的平均价格。
常规的方法是,使用 tidyverse
的函数来对数据进行整理,然后计算出需要的统计数值,并映射到相应的图形属性,即
select(diamonds, cut, price) %>%
group_by(cut) %>%
summarise(
mean_price = mean(price),
.groups = "drop"
) %>%
ggplot(aes(cut, mean_price, fill = cut)) +
geom_col()
现在,我们并不满足于此。现在,我们想要在柱状图上添加误差线
当然,这也很简单,我们可以再对数据进行统计计算,然后绘制
select(diamonds, cut, price) %>%
group_by(cut) %>%
summarise(
mean_price = mean(price),
.groups = "drop",
se = sqrt(var(price)/length(price))
) %>%
mutate(lower = mean_price - se, upper = mean_price + se) %>%
ggplot(aes(cut, mean_price, fill = cut)) +
geom_col() +
geom_errorbar(aes(ymin = lower, ymax = upper), width = 0.5)
en...
,为了绘制这么一个简单的图片,我们写的代码比图片都长。
因为我们的观念还停留在,先准备好数据,然后将数据映射到图形属性。
这样就导致需要对数据进行很多统计计算,并不符合数据的整洁之道。
我们可以这样想,既然所有的统计信息都来源于同一个数据,那我们何不直接将数据传递给 ggplot
,让数据的统计计算在内部进行呢?
我们可以这样改写
select(diamonds, cut, price) %>%
ggplot(aes(cut, price, fill = cut)) +
stat_summary(geom = "bar") +
stat_summary(geom = "errorbar", width = 0.5)
两行代码就能搞定,为啥要写那么多呢,节约的时间喝杯茶多好。
原理解析
学习和理解了 stat_summary
函数的工作原理,那么其他的 stat_*
函数也就很好理解了。
那我们该如何理解 stat_summary
呢?还是来举个例子吧
使用上面的数据,我们绘制切工与价格的点图
select(diamonds, cut, price) %>%
ggplot(aes(cut, price, colour = cut)) +
geom_point()
然后使用不带参数的 stat_summary
来替换 geom_point
看看会发生什么
select(diamonds, cut, price) %>%
ggplot(aes(cut, price, colour = cut)) +
stat_summary()
绘制的是 pointrange
对象。
我们先看看 stat_summary
函数
stat_summary(
mapping = NULL,
data = NULL,
geom = "pointrange",
position = "identity",
...,
fun.data = NULL,
fun = NULL,
fun.max = NULL,
fun.min = NULL,
fun.args = list(),
na.rm = FALSE,
orientation = NA,
show.legend = NA,
inherit.aes = TRUE,
fun.y,
fun.ymin,
fun.ymax
)
默认绘制的是 pointrange
,那 pointrange
需要定义哪些属性映射呢?
x
或y
ymin
或xmin
ymax
或xmax
但是,我们并没有定义 ymin
、ymax
,那应该是 stat_summary
计算出了相应的值,并传递给 pointrange
如何验证我们的猜想?首先,我们看到运行上述代码会输出一个警告信息
No summary function supplied, defaulting to `mean_se()`
也就是说,默认情况下会应用 mean_se()
函数变换
我们来看看 mean_se()
做了什么操作
> mean_se
function (x, mult = 1)
{
x <- stats::na.omit(x)
se <- mult * sqrt(stats::var(x)/length(x))
mean <- mean(x)
new_data_frame(list(y = mean, ymin = mean - se, ymax = mean +
se), n = 1)
}
<bytecode: 0x7fca56dfa5d0>
<environment: namespace:ggplot2>
我们可以看到,该函数返回的数据框包含三个值,正好是 pointrange
所需要传入的参数
我们可以使用 layer_data()
函数,来提取图层中使用的数据
> p <- select(diamonds, cut, price) %>%
+ ggplot(aes(cut, price, colour = cut)) +
+ stat_summary()
>
> layer_data(p, 1)
No summary function supplied, defaulting to `mean_se()`
colour x group y ymin ymax PANEL flipped_aes size linetype shape fill alpha stroke
1 #440154FF 1 1 4358.758 4270.025 4447.491 1 FALSE 0.5 1 19 NA NA 1
2 #3B528BFF 2 2 3928.864 3876.302 3981.426 1 FALSE 0.5 1 19 NA NA 1
3 #21908CFF 3 3 3981.760 3945.953 4017.567 1 FALSE 0.5 1 19 NA NA 1
4 #5DC863FF 4 4 4584.258 4547.223 4621.293 1 FALSE 0.5 1 19 NA NA 1
5 #FDE725FF 5 5 3457.542 3431.600 3483.484 1 FALSE 0.5 1 19 NA NA 1
然后与使用 mean_se()
函数的计算结果对比
> select(diamonds, cut, price) %>%
+ group_by(cut) %>%
+ summarise(mean_se(price))
# A tibble: 5 x 4
cut y ymin ymax
* <ord> <dbl> <dbl> <dbl>
1 Fair 4359. 4270. 4447.
2 Good 3929. 3876. 3981.
3 Very Good 3982. 3946. 4018.
4 Premium 4584. 4547. 4621.
5 Ideal 3458. 3432. 3483.
我们可以看到,y
、ymin
、 ymax
这三个参数的值与 mean_se()
的计算结果是一致的
使用
既然可以定了变换函数,那我们定义自己的统计变换,就可以根据需要对图形进行一些个性化调整了。
stat_summary()
函数的参数 fun.data
可以指定统计变换函数,默认为 mean_se()
fun.data
传入的函数,要求返回数据框,而数据框变量名为属性映射参数
下面我们来绘制一些个性化的图片
1. 95% 置信区间误差线
select(diamonds, cut, price) %>%
ggplot(aes(cut, price, fill = cut)) +
stat_summary(geom = "bar") +
stat_summary(
geom = "errorbar", width = 0.5,
fun.data = ~mean_se(., mult = 1.96)
)
注意:我们使用 ~
符号来构造匿名函数,相当于
function(x) {mean_se(x, mult = 1.96)}
2. 指定填充色
我们使用变换函数来设置满足条件的分组的颜色,将分组的中值大于和小于阈值的组用颜色分开
func_median_color <- function(x, cut_off) {
tibble(y = median(x)) %>%
mutate(fill = if_else(y < cut_off, "#80b1d3", "#fb8072"))
}
select(diamonds, cut, price) %>%
ggplot(aes(cut, price)) +
stat_summary(
fun.data = func_median_color,
fun.args = c(cut_off = 2800),
geom = "bar"
)
我们将额外的参数传递给 fun.args
,替换匿名函数的方式,即相当于
fun.data = ~ func_median_color(., cut_off = 2800)
3. 设置点线图点的大小
我们根据分组中的观测值的数目来设置点线图中点的大小
select(diamonds, cut, price) %>%
ggplot(aes(cut, price, colour = cut)) +
stat_summary(
fun.data = function(x) {
mean_se(x) %>%
mutate(size = length(x) * 5 / nrow(diamonds))
}
)