R语言ggplot2数据可视化

已于 2023-04-18 13:25:40 修改
阅读量1.6k 收藏 22
点赞数 20
分类专栏： R数据科学 文章标签： r语言 信息可视化 开发语言
于 2023-03-20 15:50:46 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_67213581/article/details/129533387
版权

R数据科学1_进阶

本系列为R语言进阶版学习，包含《R数据科学》的代码笔记及课后习题，已收录至“R数据科学”专栏，空余时间会持续更新。

第一部分 探索

第1章 使用ggplot2进行数据可视化

准备工作：安装并加载tidyverse包

install.packages("tidyverse")
library("tidyverse") #ggplot2是tidyverse的核心R包，使用ggplot2前可以先加载tidyverse包

使用ggplot做个简单的散点图：

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

在这里插入图片描述

  • 练习：
  1. 运行ggplot(data = mpg)
ggplot(data = mpg)
  1. 数据集mpg有几行几列
view(mpg) #查看完整数据框
head(mpg) #查看前6行数据
tail(mpg) #查看后6行数据
nrow(mpg) #查看mpg行数
ncol(mpg) #查看mpg列数
dim(mpg) #查看mpg行列数
glimpse(mpg) #查看数据框信息，其中包含行列数
  1. 变量drv的意义是什么？使用?mpg命令阅读帮助文件以找出答案
help(mpg) 
#drv:the type of drive train, where f = front-wheel drive, r = rear wheel drive, 4 = 4wd
  1. 使用hwy和cyl绘制一张散点图
ggplot(data = mpg)+
  geom_point(mapping = aes(x = cyl,y = hwy))
ggplot(mpg,aes(x = cyl,y = hwy))+
  geom_point()

在这里插入图片描述

  1. 如果使用class和drv绘制散点图，会发生什么情况？为什么这张图没什么用处？
ggplot(data = mpg)+
  geom_point(mapping = aes(x = class,y = drv)) #class和drv为分类变量，并存在重复，不适合用散点图展示
ggplot(mpg,aes(x = class,y = drv))+
  geom_point()

#散点图不显示观测值数量，因此当所有x，y为唯一值时，最适合绘制简单散点图

在这里插入图片描述

count(mpg, drv, class) #快速查看变量类型和数量
# 结果：
# A tibble: 12 × 3
   drv   class          n
   <chr> <chr>      <int>
 1 4     compact       12
 2 4     midsize        3
 3 4     pickup        33
 4 4     subcompact     4
 5 4     suv           51
 6 f     compact       35
 7 f     midsize       38
 8 f     minivan       11
 9 f     subcompact    22
10 r     2seater        5
11 r     subcompact     9
12 r     suv           11
  • 扩展：

① 使用count可绘制带有观测值大小的散点图

ggplot(mpg,aes(x = class,y = drv))+
  geom_count()

在这里插入图片描述

② 使用色标显示观测值

mpg %>%
  count(class, drv) %>%
  ggplot(aes(x = class, y = drv))+
  geom_tile(mapping = aes(fill = n))

在这里插入图片描述

③ 补全空白区域

mpg %>%
  count(class, drv) %>%
  complete(class, drv, fill = list(n = 0)) %>% #使用n=0的色标填补空白区域
  ggplot(aes(x = class,y = drv))+
  geom_tile(mapping = aes(fill = n))

在这里插入图片描述

1.3 图形属性映射

ggplot(data = mpg)+
  geom_point(mapping = aes(x = displ, y = hwy, color = class)) #以class颜色分类

在这里插入图片描述

ggplot(data = mpg)+
  geom_point(mapping = aes(x = displ, y = hwy, size = class)) #以class尺寸分类

在这里插入图片描述

ggplot(data = mpg)+
  geom_point(mapping = aes(x = displ, y = hwy, alpha = class)) #以class透明度分类

在这里插入图片描述

ggplot(data = mpg)+
  geom_point(mapping = aes(x = displ, y = hwy, shape = class)) #以class形状分类

在这里插入图片描述

注意：ggplot2只能同时使用6种形状，当超过6种时候，多出的变量将不会显示在图中

aes() #可以将图层中每个图形属性映射集合在一起，然后传递给该图层的映射参数。

ggplot(data = mpg)+
  geom_point(mapping = aes(x = displ,y = hwy), color = "blue") #手动设计图形属性，让图中所有点为蓝色

在这里插入图片描述

形状用数值表示，如下图所示：有些形状相同，比如0、15和22都是正方形。区别在于color和fill这两个图形属性。空心形状（0-14）的边界颜色由color决定；实心形状（15-20）的填充颜色由color决定；填充形状（21~24）的边界颜色由color决定，填充颜色由fill决定
在这里插入图片描述

  • 练习：
  1. 以下这段代码有什么错误？为什么点不是蓝色的？
ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy, color = "blue"))
#此处color是包含在aes映射参数中，没有把blue当作颜色，而是把blue当作分类变量了，只取了一个blue值

在这里插入图片描述

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

在这里插入图片描述

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy, color = 1:234))
#将color取值为1，1：234效果同上

在这里插入图片描述

  1. mpg中哪些变量是分类变量？哪些变量是连续变量？（提示：输入?mpg来阅读这个数据集的文档）当调用mpg时，如何才能看到这些信息？
mpg #<chr>为分类变量，<int>、<dbl>为连续型变量
glimpse(mpg) #使用glimpse()函数可以简洁的显示数据框每列的属性
  1. 将一个连续变量映射为color、size 和shape。对分类变量和连续变量来说，这些图形属性的表现有什么不同？
ggplot(mpg, aes(x = displ, y = hwy, color = cty))+
  geom_point() #映射为color

在这里插入图片描述

ggplot(mpg, aes(x = displ, y = hwy, size = cty))+
  geom_point() #映射为size

在这里插入图片描述

ggplot(mpg, aes(x = displ, y = hwy, shape = cty)) +
  geom_point() #此时会报错，因为cty为连续型变量，将它映射到形状上时是无法区分不同形状对应的大小顺序的
  1. 如果将同一个变量映射为多个图形属性，会发生什么情况？
ggplot(mpg, aes(x = displ, y = hwy, color = cty, size = displ))+
  geom_point()

将单个变量映射到多个变量是冗余信息，所以在大多数情况下尽量避免将单个变量映射到多个变量
在这里插入图片描述

  1. stroke这个图形属性的作用是什么？它适用于哪些形状？（提示：使用?geom_point 命令。）
#作用是调整边框粗细
ggplot(mtcars, aes(wt, mpg))+
  geom_point(shape = 21, color = "black", fill = "white", size = 5, stroke = 5)

在这里插入图片描述

  1. 如果将图形属性映射为非变量名对象，比如aes(color = displ < 5)，会发生什么情况？
ggplot(mpg, aes(x = displ, y = hwy, color = displ<5))+
  geom_point()

在这里插入图片描述

1.4 常见问题

注意：“+”必须放在一行代码的末尾，不可以放在开头

1.5 分面

绘制分面图形：

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

在这里插入图片描述

ggplot(data = mpg)+
  geom_point(mapping = aes(x = displ, y = hwy))+
  facet_grid(drv ~ cyl) #通过两个变量对图进行分面

在这里插入图片描述

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

在这里插入图片描述

  • 练习：
  1. 如果使用连续变量进行分面，会发生什么情况？
ggplot(mpg, aes(x = displ, y = hwy))+
  geom_point()+
  facet_grid(. ~ cty) #会在每一个观测值处展现一个分面

在这里插入图片描述

  1. 在使用facet_grid(drv ~ cyl) 生成的图中，空白单元的意义是什么？它们和以下代码生成的图有什么关系？
ggplot(data = mpg) +
  geom_point(mapping = aes(x = drv, y = cyl)) #空白处表示drv和cyl没有观测值的部分
  1. 以下代码会绘制出什么图？ . 的作用是什么？
    在这里插入图片描述
ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy)) +
  facet_grid(drv ~ .) #“.”表示分面时忽略该维度，在y轴上按照drv值分面

在这里插入图片描述

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy)) +
  facet_grid(. ~ cyl) #在x轴上按照cyl值分面

在这里插入图片描述

  1. 查看本节的第一个分面图：
ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy)) +
  facet_wrap(~ class, nrow = 2)
#与使用图形属性相比，使用分面的优势和劣势分别是什么？如果有一个更大的数据集，你将如何权衡这两种方法的优劣？
#使用分面可以更清晰的展示各类别的主要信息，展示更多的类别，适合更大的数据集；缺点是比较各观测值时不够直观
  1. 阅读?facet_wrap的帮助页面。nrow 和ncol 的功能分别是什么？还有哪些选项可以控制分面的布局？为什么函数facet_grid()没有变量nrow 和ncol ？
help(facet_wrap) #nrow, ncol	Number of rows and columns.
#Nrow和ncol参数对于facet_grid()是不必要的，因为函数中指定的变量种类决定了行数和列数
  1. 在使用函数facet_grid() 时，一般应该将具有更多唯一值的变量放在列上。为什么这么做呢？
    #会有更多的列空间

1.6 几何对象

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy)) #使用散点几何对象，可以设置点的形状

在这里插入图片描述

ggplot(mpg, aes(x = displ, y = hwy))+
  geom_smooth() #使用平滑曲线几何对象，可以设置线的线型

在这里插入图片描述

ggplot(data = mpg)+
  geom_smooth(mapping = aes(x = displ, y = hwy, linetype = drv)) #根据drv设置线型

在这里插入图片描述

ggplot2 提供了30多种几何对象，扩展包甚提供更多（https://www.ggplot2-exts.org 查看更多样例），想全面地了解这些对象，最好的方式是ggplot2 速查表（http://rstudio.com/cheatsheets）

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

在这里插入图片描述

ggplot(data = mpg)+
  geom_smooth(mapping = aes(x = displ, y = hwy, group = drv)) #以用drv分组

在这里插入图片描述

ggplot(data = mpg)+
  geom_smooth(mapping = aes(x = displ, y = hwy, color = drv), show.legend = FALSE) #以drv为颜色分组，不要图例

在这里插入图片描述

#在同一张图中显示多个几何对象
ggplot(data = mpg)+
  geom_point(mapping = aes(x = displ, y = hwy))+
  geom_smooth(mapping = aes(x = displ, y = hwy))

在这里插入图片描述

#也可以这样简单的表达结果同上，避免代码重复：
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+
  geom_point()+
  geom_smooth() 

#可以任意增加各几何对象的展示，如此处散点图增加class用颜色分类
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+
  geom_point(mapping = aes(color = class))+ 
  geom_smooth()

在这里插入图片描述

#也可以为不同的图层指定不同的数据
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+
  geom_point(mapping = aes(color = class))+
  geom_smooth(data = filter(mpg, class == "subcompact"), se = FALSE) #只画出subcompact类车曲线

在这里插入图片描述

  • 练习：
  1. 在绘制折线图、箱线图、直方图和分区图时，应该分别使用哪种几何对象？
geom_line()#折线图
geom_boxplot()#箱线图
geom_histogram()#直方图
geom_area()#分区图
  1. 在脑海中运行以下代码，并预测会有何种输出。接着在R中运行代码，并检查你的预测是否正确。
ggplot(data = mpg,mapping = aes(x = displ, y = hwy, color = drv)) +
  geom_point() +
  geom_smooth(se = FALSE) 
#是一个x轴displ、y轴hwy，并按drv颜色分类的散点图,叠加一层以drv颜色分类，且不含标准误阴影区间的线图

在这里插入图片描述

  1. show.legend = FALSE的作用是什么？删除它会发生什么情况？你觉得我为什么要在本章前面的示例中使用这句代码？
    #show.legend = FALSE 用于删除图例，可以保持整体统一美观

  2. geom_smooth() 函数中的se参数的作用是什么？
    se参数代表去除标准误差区间阴影，使得展示更加简洁

  3. 以下代码生成的两张图有什么区别吗？为什么？

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) +
  geom_point() +
  geom_smooth()
ggplot() +
  geom_point(data = mpg,mapping = aes(x = displ, y = hwy)) +
  geom_smooth(data = mpg,mapping = aes(x = displ, y = hwy))
#没有区别，因为下面代码表达的内容和上方表的意思重复了
  1. 自己编写R代码来生成以下各图。
#图1 使用2种几何对象展示
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+
  geom_point()+
  geom_smooth(se = FALSE)

在这里插入图片描述

#图2 使用2种几何对象，其中一种线型几何对象用drv分类,并去除阴影
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+
  geom_point()+
  geom_smooth(mapping = aes(class = drv), se = FALSE)

在这里插入图片描述

#图3 使用2种几何对象，且都用drv颜色分类,并去除阴影
ggplot(data = mpg, mapping = aes(x = displ, y = hwy, color = drv))+
  geom_point()+
  geom_smooth(se = FALSE)

在这里插入图片描述

#图4 使用2种几何对象，散点图用drv颜色分类，线图不用drv颜色分类
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+
  geom_point(mapping = aes(color = drv))+
  geom_smooth(se = FALSE)

在这里插入图片描述

#图5 使用2种几何对象，散点图用drv颜色分类，线图用drv线型分类
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+
  geom_point(mapping = aes(color = drv))+
  geom_smooth(mapping = aes(linetype = drv),se = FALSE)

在这里插入图片描述

#图6 看不清，貌似外框为白色点图
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+
  geom_point(size = 4, color = "white")+
  geom_point(aes(color = drv))

在这里插入图片描述

1.7 统计变换

绘图时用来计算新数据的算法称为stat（statistical transformation，即统计变换）
可以使用stat_count()来替换geom_bar()

ggplot(data = diamonds)+
  geom_bar(mapping = aes(x = cut)) #注意这里输出的y轴并非是diamonds数据集中的变量，而是通过cut变量计算（统计变换）生成的

在这里插入图片描述

View(diamonds)
glimpse(diamonds) #快速浏览下数据集diamonds的框架
#Rows: 53,940
#Columns: 10
#$ carat   <dbl> 0.23, 0.21, 0.23, 0.29, 0.31, 0.24, 0.24, 0.26, 0.22, 0.23, 0.30, 0.23,…
#$ cut     <ord> Ideal, Premium, Good, Premium, Good, Very Good, Very Good, Very Good, F…
#$ color   <ord> E, E, E, I, J, J, I, H, E, H, J, J, F, J, E, E, I, J, J, J, I, E, H, J,…
#$ clarity <ord> SI2, SI1, VS1, VS2, SI2, VVS2, VVS1, SI1, VS2, VS1, SI1, VS1, SI1, SI2,…
#$ depth   <dbl> 61.5, 59.8, 56.9, 62.4, 63.3, 62.8, 62.3, 61.9, 65.1, 59.4, 64.0, 62.8,…
#$ table   <dbl> 55, 61, 65, 58, 58, 57, 57, 55, 61, 61, 55, 56, 61, 54, 62, 58, 54, 54,…
#$ price   <int> 326, 326, 327, 334, 335, 336, 336, 337, 337, 338, 339, 340, 342, 344, 3…
#$ x       <dbl> 3.95, 3.89, 4.05, 4.20, 4.34, 3.94, 3.95, 4.07, 3.87, 4.00, 4.25, 3.93,…
#$ y       <dbl> 3.98, 3.84, 4.07, 4.23, 4.35, 3.96, 3.98, 4.11, 3.78, 4.05, 4.28, 3.90,…
#$ z       <dbl> 2.43, 2.31, 2.31, 2.63, 2.75, 2.48, 2.47, 2.53, 2.49, 2.39, 2.73, 2.46,…

demo <- tribble(~a, ~b, "bar_1", 20, "bar_2", 30, "bar_3", 40)
ggplot(demo)+
  geom_bar(aes(x = a, y = b), stat = "identity")

在这里插入图片描述

ggplot(data = diamonds)+
  geom_bar(mapping = aes(x = cut, y = ..prop.., group = 1))

在这里插入图片描述

ggplot(data = diamonds)+
  stat_summary(mapping = aes(x = cut,y = depth), fun.ymin = min, fun.ymax = max, fun.y = median)

在这里插入图片描述

help(stat_bin) #查看全部统计变换
  • 练习：
  1. stat_summary() 函数的默认几何对象是什么？不使用统计变换函数的话，如何使用几何对象函数重新生成以上的图？
#默认几何对象是geom_pointrange()
ggplot(data = diamonds)+
  geom_pointrange(mapping = aes(x = cut, y = depth),
                  stat = "summary", #到这步为止是使用均值和标准差计算中间点和起止线,所以后面要定义一下
                  fun.min = min,
                  fun.max = max,
                  fun = median)  #定义一下起止线

在这里插入图片描述

  1. geom_col() 函数的功能是什么？它和geom_bar() 函数有何不同？
ggplot(diamonds)+
  geom_col(mapping = aes(x = cut, y = price)) #geom_col的默认属性是stat_identity,geom_bar默认属性是stat_count
  1. 多数几何对象和统计变换都是成对出现的，总是配合使用。仔细阅读文档，列出所有成对的几何对象和统计变换。它们有什么共同之处？
"
#①成对出现的几何和变换
geom_bar()	stat_count()
geom_bin2d()	stat_bin_2d()
geom_boxplot()	stat_boxplot()
geom_contour_filled()	stat_contour_filled()
geom_contour()	stat_contour()
geom_count()	stat_sum()
geom_density_2d()	stat_density_2d()
geom_density()	stat_density()
geom_dotplot()	stat_bindot()
geom_function()	stat_function()
geom_sf()	stat_sf()
geom_sf()	stat_sf()
geom_smooth()	stat_smooth()
geom_violin()	stat_ydensity()
geom_hex()	stat_bin_hex()
geom_qq_line()	stat_qq_line()
geom_qq()	stat_qq()
geom_quantile()	stat_quantile()

#②几何的默认变换
geom_abline()	stat_identity()	
geom_area()	stat_identity()	
geom_bar()	stat_count()	x
geom_bin2d()	stat_bin_2d()	x
geom_blank()	None	
geom_boxplot()	stat_boxplot()	x
geom_col()	stat_identity()	
geom_count()	stat_sum()	x
geom_countour_filled()	stat_countour_filled()	x
geom_countour()	stat_countour()	x
geom_crossbar()	stat_identity()	
geom_curve()	stat_identity()	
geom_density_2d_filled()	stat_density_2d_filled()	x
geom_density_2d()	stat_density_2d()	x
geom_density()	stat_density()	x
geom_dotplot()	stat_bindot()	x
geom_errorbar()	stat_identity()	
geom_errorbarh()	stat_identity()	
geom_freqpoly()	stat_bin()	x
geom_function()	stat_function()	x
geom_hex()	stat_bin_hex()	x
geom_histogram()	stat_bin()	x
geom_hline()	stat_identity()	
geom_jitter()	stat_identity()	
geom_label()	stat_identity()	
geom_line()	stat_identity()	
geom_linerange()	stat_identity()	
geom_map()	stat_identity()	
geom_path()	stat_identity()	
geom_point()	stat_identity()	
geom_pointrange()	stat_identity()	
geom_polygon()	stat_identity()	
geom_qq_line()	stat_qq_line()	x
geom_qq()	stat_qq()	x
geom_quantile()	stat_quantile()	x
geom_raster()	stat_identity()	
geom_rect()	stat_identity()	
geom_ribbon()	stat_identity()	
geom_rug()	stat_identity()	
geom_segment()	stat_identity()	
geom_sf_label()	stat_sf_coordinates()	x
geom_sf_text()	stat_sf_coordinates()	x
geom_sf()	stat_sf()	x
geom_smooth()	stat_smooth()	x
geom_spoke()	stat_identity()	
geom_step()	stat_identity()	
geom_text()	stat_identity()	
geom_tile()	stat_identity()	
geom_violin()	stat_ydensity()	x
geom_vline()	stat_identity()	

#③变换的默认几何
stat_bin_2d()	geom_tile()	
stat_bin_hex()	geom_hex()	x
stat_bin()	geom_bar()	x
stat_boxplot()	geom_boxplot()	x
stat_count()	geom_bar()	x
stat_countour_filled()	geom_contour_filled()	x
stat_countour()	geom_contour()	x
stat_density_2d_filled()	geom_density_2d()	x
stat_density_2d()	geom_density_2d()	x
stat_density()	geom_area()	
stat_ecdf()	geom_step()	
stat_ellipse()	geom_path()	
stat_function()	geom_function()	x
stat_function()	geom_path()	
stat_identity()	geom_point()	
stat_qq_line()	geom_path()	
stat_qq()	geom_point()	
stat_quantile()	geom_quantile()	x
stat_sf_coordinates()	geom_point()	
stat_sf()	geom_rect()	
stat_smooth()	geom_smooth()	x
stat_sum()	geom_point()	
stat_summary_2d()	geom_tile()	
stat_summary_bin()	geom_pointrange()	
stat_summary_hex()	geom_hex()	
stat_summary()	geom_pointrange()	
stat_unique()	geom_point()	
stat_ydensity()	geom_violin()	x
"

  1. stat_smooth() 函数会计算出什么变量？哪些参数可以控制它的行为？
    y：预测值 ； ymin：置信区间下限 ； ymax：置信区间上限 ； se：标准误差

  2. 在比例条形图中，我们需要设定group = 1，这是为什么呢？换句话说，以下两张图会有什么问题？

ggplot(data = diamonds) +
  geom_bar(mapping = aes(x = cut, y = ..prop..))
ggplot(data = diamonds) +
  geom_bar(mapping = aes(x = cut, fill = color, y = ..prop..))
#如果不设定group = 1，图中所有的图形将具有相同的高度

在这里插入图片描述

#设定group = 1
ggplot(data = diamonds) +
  geom_bar(mapping = aes(x = cut, y = ..prop.., group = 1))
ggplot(data = diamonds) + 
  geom_bar(aes(x = cut, y = ..count.. / sum(..count..), fill = color))

在这里插入图片描述

1.8 位置调整

使用color或fill来为条形图上色

ggplot(data = diamonds)+
  geom_bar(mapping = aes(x = cut, color = cut))

在这里插入图片描述

ggplot(data = diamonds)+
  geom_bar(mapping = aes(x = cut, fill = cut)) #cut标色

在这里插入图片描述

ggplot(data = diamonds)+
  geom_bar(mapping = aes(x = cut, fill = clarity)) #以clarify标色堆叠

在这里插入图片描述
这种堆叠是由position参数设定的位置调整功能自动完成的，如果不想生成堆叠式条形
图，还可以使用以下3 种之一：“identity”、“fill” 和"dodge"

  • position = "identity"将每个对象直接显示在图中，不太适合条形图；所以设置alpha参数为一个较小的数，从而使得条形略微透明
ggplot(data = diamonds, mapping = aes(x = cut, fill = clarity))+
  geom_bar(alpha = 1/5, position = "identity")

在这里插入图片描述

#或者设定fill = NA，让条形完全透明
ggplot(data = diamonds, mapping = aes(x = cut, color = clarity))+
  geom_bar(fill = NA, position = "identity")

在这里插入图片描述

  • position = “fill” 的效果与堆叠相似，但每组堆叠条形具有同样的高度，因此这种条形图可以非常轻松地比较各组间的比例
ggplot(data = diamonds)+
  geom_bar(mapping = aes(x = cut, fill = clarity), position = "fill")

在这里插入图片描述

  • position = “dodge” 将每组中的条形依次并列放置，这样可以非常轻松地比较每个条形表示的具体数值
ggplot(data = diamonds)+
  geom_bar(mapping = aes(x = cut, fill = clarity), position = "dodge")

在这里插入图片描述

  • position = “jitter” 为每个数据点添加一个很小的随机扰动，这样可以将重叠的点分散开，因为不可能有两个点会收到同样的随机扰动
ggplot(data = mpg)+
  geom_point(mapping = aes(x = displ, y = hwy), position = "jitter")

在这里插入图片描述

  • 练习：
  1. 以下图形有什么问题？应该如何改善？
ggplot(data = mpg, mapping = aes(x = cty, y = hwy))+
  geom_point() #散点图的点有重叠

在这里插入图片描述

ggplot(data = mpg, mapping = aes(x = cty, y = hwy))+
  geom_point(position = "jitter") #添加随机扰动，将重叠的点分开

在这里插入图片描述

  1. geom_jitter() 使用哪些参数来控制抖动的程度？
help("geom_jitter")
#geom_jitter(mapping = NULL, data = NULL, stat = "identity", position = "jitter", ..., width = NULL, height = NULL, na.rm = FALSE, show.legend = NA, inherit.aes = TRUE)

#width控制水平位移，height控制垂直位移。默认情况下两个方向都引入噪声
ggplot(data = mpg, mapping = aes(x = cty, y = hwy))+
  geom_jitter()

在这里插入图片描述

#width，height都设为0的情况
ggplot(data = mpg, mapping = aes(x = cty, y = hwy))+
  geom_jitter(width = 0, height = 0)

在这里插入图片描述

  1. 对比geom_jitter() 与geom_count()。
ggplot(data = mpg, mapping = aes(x = cty, y = hwy, color = class))+
  geom_point()

在这里插入图片描述

ggplot(data = mpg, mapping = aes(x = cty, y = hwy, color = class))+
  geom_jitter()

在这里插入图片描述

ggplot(data = mpg, mapping = aes(x = cty, y = hwy, color = class))+
  geom_count()

在这里插入图片描述

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

在这里插入图片描述

  1. geom_boxplot() 函数的默认位置调整方式是什么？创建mpg 数据集的可视化表示来演示一下。
ggplot(data = mpg, mapping = aes(x = drv, y = hwy, color = class))+
  geom_boxplot()

在这里插入图片描述

ggplot(data = mpg, mapping = aes(x = drv, y = hwy, color = class))+
  geom_boxplot(position = "identity")

在这里插入图片描述

1.9 坐标系

  • ggplot中默认的坐标系是笛卡尔坐标系,也可以切换极坐标系
  • coord_flip()函数可以交换x轴和y轴
ggplot(data = mpg, mapping = aes(x= class, y = hwy))+
  geom_boxplot()

在这里插入图片描述

ggplot(data = mpg, mapping = aes(x= class, y = hwy))+
  geom_boxplot()+
  coord_flip() #此时交换了x轴和y轴

在这里插入图片描述

  • coord_quickmap()函数可以为地图设置合适的纵横比
nz <- map_data("nz")
ggplot(nz, aes(long, lat, group = group))+
  geom_polygon(fill = "white", color = "black")

在这里插入图片描述

ggplot(nz, aes(long, lat, group = group))+
  geom_polygon(fill = "white", color = "black")+
  coord_quickmap()

在这里插入图片描述

  • 扩展
    如果想要绘制世界地图，只需将 nz 改为 world
world <- map_data("world")
ggplot(world, aes(long, lat, group = group))+
  geom_polygon(fill = "white", color = "black")+
  coord_quickmap()

在这里插入图片描述
== 同理，还可以换成 county、france、italy、state、usa、world2 ==

  • coord_polar()函数可以切换极坐标
bar <- ggplot(data = diamonds)+
  geom_bar(mapping = aes(x = cut,y = cut), show.legend = FALSE, width = 1, stat = "identity")+
  theme(aspect.ratio = 1)+
  labs(x = NULL, y = NULL)

bar + coord_flip()
bar + coord_polar()

在这里插入图片描述

  • 练习：
  1. 使用coord_polar() 函数将堆叠式条形图转换为饼图。
ggplot(mpg, aes(x = factor(1), fill = drv)) +
  geom_bar(width = 1) +
  coord_polar(theta = "y")

在这里插入图片描述

ggplot(mpg, aes(x = factor(1), fill = drv)) +
  geom_bar(width = 1) +
  coord_polar() #生成靶心图

在这里插入图片描述

  1. labs() 函数的功能是什么？阅读一下文档。
help(labs)

ggplot(data = mpg, mapping = aes(x = class, y = hwy)) +
  geom_boxplot() +
  coord_flip() +
  labs(y = "Highway MPG",
       x = "Class",
       title = "Highway MPG by car class",
       subtitle = "1999-2008",
       caption = "Source: http://fueleconomy.gov")

在这里插入图片描述

ggplot(data = mpg, mapping = aes(x = class, y = hwy)) +
  geom_boxplot() +
  coord_flip() +
  labs(y = "Highway MPG",
       x = "Year",
       title = "Highway MPG by car class")

在这里插入图片描述

  1. coord_quickmap() 函数和coord_map() 函数的区别是什么？
  • coord_map () 使用mapproj软件包定义的任何投影，将地球的一部分（近似球形）投影到二维平面上。地图投影一般不会保留直线，因此这需要大量的计算。
  • coord_quickmap () 是一种快速近似，可以保留直线。它最适用于靠近赤道的较小区域。这意味着对coord_quickmap () 的绘制不满意时，可以尝试一下coord_map ()
  1. 下图表明城市和公路燃油效率之间有什么关系？为什么coord_fixed() 函数很重要？
    geom_abline() 函数的作用是什么？
#一加仑油行驶的距离越远，则燃油效率越高
ggplot(data = mpg, mapping = aes(x = cty, y = hwy)) + 
  geom_point() +
  geom_abline() + #geom_abline()添加回归曲线
  coord_fixed() #coord_fixed()坐标系纵横比可以设置固定，固定纵横比后，无论什么图形，其比例都是一样的

在这里插入图片描述

-Bayes-
关注
  • 20
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
R语言数据分析与数据可视化随身手册 R Studio数据分析编程 ggplot2数据可视化 速查表 精编版.pdf
07-02
R语言数据分析与数据可视化随身手册 R Studio数据分析编程 ggplot2数据可视化 速查表 精编版.pdf
R 数据可视化 —— ggplot 坐标系
dxs18459111694的博客
11-17 274
ggplot2包含6: 笛卡尔坐标系: 固定 “纵横比” 的笛卡儿坐标coord_flipx和y翻转的笛卡尔坐标: 变换笛卡尔坐标系: 地图: 极坐标系。
R语言从入门到入土--一文带你解锁ggplot2绘图大法
tinri的博客
04-08 1724
7、注意stat="count"这个参数，什么时候是必须加的，当且仅当你的x坐标是一个factor、character等离散类型的时候，就必须要加这个参数（包括使用weight），反推连续型、num就不需要加这个参数。6、参数weight，上面的geom_bar函数的纵坐标一开始只能是count计数，但是如果我们使用了weight参数，就可以按照x分成几个条状后，计算weight里面的数值的和。)其中，x参数是一个离散型的向量，X是与x等长的一个变量，按照fun（X）对x进行排序即可。
R语言ggplot2可视化分组变量下的数据分布（线条、色彩配置）、WVPlots包的ShadowHist函数比较分组下的数据直方图、ggplot2分面图facet_wrap可视化分组变量下的数据分布
statistics+insight+vista+power
02-18 16
R语言ggplot2可视化分组变量下的数据分布（线条、色彩配置）、WVPlots包的ShadowHist函数比较分组下的数据直方图、ggplot2分面图facet_wrap可视化分组变量下的数据分布
使用ggplot2进行数据可视化—坐标系（七）
weixin_64813375的博客
05-22 175
利用不同的坐标系来完成作图
R数据可视化--ggplot2定位之坐标系详解
weixin_33757609的博客
05-26 590
坐标系是将两种位置标度结合在一起组成的2维定位系统。ggplot2包含了6种不同的坐标系： 名字 描述 cartesian equal flip trans map polar 笛卡尔坐标系 同尺度笛卡尔坐标系 翻转的笛卡尔坐标系 变换的笛卡尔坐标系 地图射影 极坐标系 坐标系主要有两大功能： 将2个位置图形属性组...
R语言ggplot2 （一）：ggplot2包安装和初始作图
热门推荐
sinat_41624848的博客
10-01 7万+
ggplot2是一款强大的图形可视化R包，其作图方式易于理解，且生成的图形精美，定制化程度也很高，应该是R里面最流行的可视化工具。本文关注于ggplot2包的安装、ggplot2基本作图语法等。 一 ggplot2的安装 > .libPaths("~/R/lib") 如果不安装到默认路径，可以在此设置安装路径 > install.packages("ggplot2") #以上代...
R语言---ggplot绘图
临风暖阳的博客
05-02 9619
散点图 堆积柱形图 library(ggplot2) ggplot(mtcars,aes(mpg,wt))+geom_point() 簇状柱形图 library(ggplot2) ggplot(mtcars,aes(factor(cyl),fill=factor(am)))+geom_bar() 直方图 密度图 library(ggplot) ggplot(mtcars,aes(factor(cyl),fill=factor(am)))+geom_bar(position="dodge")
R语言学习—— ggplot2函数
m0_52069102的博客
07-24 1万+
ggplot2的学习使用
R语言ggplot2教程 十张图带你入门ggplot2
weixin_55798278的博客
01-01 8559
ggplot2入门教程，散点图、折线图、直方图柱状图
2021年，如何安装ggplot2？
llliangliang的博客
06-15 1万+
2021年，如何安装R语言的ggplot2？ 1.为什么需要安装呢？ 最近做完实验，想要对实验结果进行分析，需要制图（箱型图等等）。Excel2019，SPSS也都能画，但是图的效果或多或少都有些不满意，于是想用R语言来试试效果，发现需要用到ggplot2这个安装包。 2.安装过程 （1）首先呢，直接用如下代码安装： install.packages("ggplot2") 一般会提示错误： Warning in install.packages : unable to access index for
R语言：ggplot2数据分析与图形艺术
09-25
R语言ggplot2作者倾力打造，掌握ggplot2的利器，数据可视化的主流包
ggplot-R 数据可视化
04-22
R语言的可视化数据包运用和计算，ggplot是非常实用的R语言中的可视化软件包，文件是详细介绍
【数据科学笔记】第四章 数据可视化ggplot2.pdf
02-25
数据可视化是指将结构的或非结构的数据转换成适当的可视化图表，可视化能够将数据更加直接的方式展示出来，使得数据从客观更有说服力。 R语言有自己的基础图形系统，如 graphics 包、 grid 包或者 lattice 包。相比...
R语言可视化手册
05-05
R语言可视化手册，详细的绘图讲解，以及代码演示，包括各类图形。
RKNN：yolov8模型转换与板端推理流程
AI数据工厂
04-27 790
记录了“yolov8的torch模型转onnx再转rknn，并在瑞芯微RK3588上进行推理验证”的过程。
用R软件寻找最优子集，应用回归分析，逐步回归实例，前进法，后退法
2201_75305489的博客
04-27 565
x1 x2 x3 x4 x5 x6 x7 x8 x9 调整R平方。用R软件寻找最优子集，
【IR 论文】DPR — 最早提出使用嵌入向量来检索文档的模型
最新发布
VLyb
04-27 411
DPR —— 经典地使用嵌入向量来检索文档的模型
bayesplot｜分享一个可视化贝叶斯模型的R包
Senoh的博客
04-24 455
该包主要用于贝叶斯模型的可视化分析，提供了一系列工具来帮助评估、理解和诊断贝叶斯模型。这个包特别适用于与 Stan 以及其他提供 MCMC 样本的软件如 JAGS 和 BUGS 的模型输出。后验分布图:包括密度图、直方图和区间图，用于展示模型参数的后验分布。MCMC 诊断图追踪图（trace plots）、秩序图（rank plots）、自相关图（autocorrelation plots）和转移图（transition plots），这些都是用来诊断 MCMC 算法收敛性的工具。后验预测检查。
R语言ggplot2可视化相关系数图
08-22
你可以使用 R 语言中的 ggplot2 包来可视化相关系数图。首先，你需要计算相关系数矩阵，然后使用 ggplot2 创建图形。 以下是一个简单的示例代码，用于创建相关系数图： ```R library(ggplot2) # 创建相关系数矩阵 cor_matrix <- cor(your_data) # 将相关系数矩阵转换为数据框 cor_df <- as.data.frame(as.table(cor_matrix)) names(cor_df) <- c("Var1", "Var2", "Correlation") # 绘制相关系数图 ggplot(cor_df, aes(x = Var1, y = Var2, fill = Correlation)) + geom_tile() + scale_fill_gradient(low = "blue", high = "red") + theme(axis.text.x = element_text(angle = 45, hjust = 1)) + labs(title = "相关系数图") ``` 在上述代码中，`your_data` 是你的数据集。首先，通过 `cor()` 函数计算相关系数矩阵。然后，将相关系数矩阵转换为数据框，并指定列名为 "Var1"、"Var2" 和 "Correlation"。最后，使用 `ggplot()` 函数创建图形，通过 `geom_tile()` 函数绘制矩形，并使用 `scale_fill_gradient()` 函数指定填充颜色的渐变范围。还可以使用 `theme()` 函数调整 x 轴标签的角度和位置，并使用 `labs()` 函数添加标题。 这只是一个简单的示例，你可以根据需要对图形进行进一步的自定义和调整。希望对你有所帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值