qq_40483688的博客

河流图(streamplot)是一种堆积面积图,主要用来表示事件或主题等在一段时间内的变化，通常以中心轴为中心显示区域，并且将边缘修圆以产生流畅的形状,也是使用较多的一种可视化图表，特别是在时间序列变化表示中。到这里，小编的这篇河流图的可视化绘制过程也就讲解完了，希望感兴趣的小伙伴可以获取样例数据进行练习哈~~

*桑基图(Sankey Diagram)**，即桑基能量分流图，也叫桑基能量平衡图。它是一种特定类型的流程图，图中延伸的分支的宽度对应数据流量的大小，通常应用于能源、材料成分、金融、零售等数据的可视化分析(来源于网络)。接下来小编就带你如何使用R轻松绘制桑基图。以上就是本期的可视化教程推文了，感兴趣的小伙伴可以获取源数据进行练习哦~~

绘图函数作为ggplot2绘图系统中的一员，其安装方便(RStudio直接搜索安装即可)而且还可以通过ggplot2强大的绘图函数设计出自己的可视化作品。其提供的主要绘图函数如下：: 绘制跨越180度的弧形条形图。: 绘制议会图(parliament diagrams)，即圆弧上的圆圈，其中每个圆圈代表一个议会议员。指定了fill或color即可进行填充和颜色的映射。: 绘制具有指定半径的圆多边形,注意和ggplot2的geom_point()区分开。

R虽然有优秀的ggplot2包帮助我们完成各种各样的可视化作品(只要数据支持，理论上你能想到的任何图表都是能够绘制的)，但对图表颜值有一定要求的小伙伴们可能需要花费大量时间去定制化绘制(我们还有主题包，这里不做讨论哈)，而R-ggcharts包则可以帮助我们使用极少的代码绘制出商业风格的可视化作品。

因为配图，SCI多次返修！？因为你还没发现这个Python科学绘图宝藏工具包。而我们今天则介绍一个高性能的R包-ggpubr，从名字就可以看出这个包的主要用途了。官网:几大绘图函数类型这个包对于绘图类型分的较为详细，主要按照变量个数进行划分，详细介绍如下「绘制一个变量-X，连续」ggdensity(): 密度图stat_overlay_normal_density(): 覆盖法线密度图gghistogram(): 直方图ggecdf(): 经验累积密度函数。

R-ggplot2 拥有超强的可视化绘制能力(小编用完果断安利)我们是知道的，但对于数据的统计分析结果进行展示，ggplot2还也有所欠缺，而R-ggstatsplot包的出现则可弥补不足(小编在研究生期间可没少使用该包绘图)。官网提供的绘图函数用于比较多组/条件之间的统计可视化结果用于比较多组/条件内部间的统计可视化结果用于数字型变量的分布。用于表示有关标记数字变量的信息分布抢矿用于表示两个变量之间的相关性。ggcorrmat:用于表示多个变量之间的相关性。用于表示类别型数据。

本篇推文小编大致列举了ggplot2绘图主题，着重介绍了hrbrthemes的主题类型，希望大家可以多使用该包进行自己的可视化作品设计，当然了，主题函数还是和*themes()*函数结合使用，绘制出更加优秀的作品。灵活的使用绘图主题和颜色主题，可以帮助你省去大量定制化绘制的时间，提高绘图效率哦。

如果你想找一些与众不同的东西，ggbrick可以创建一个具有砖墙美感的华夫饼式图表。其用法与 geom_col()函数相似，都是以条形图的高度为计数，并为堆叠条形图提供填充。每块整砖代表一个单位。两块半砖等于一块整砖。ggbrick包安装可通过如下方式安装ggbrick#orggbrick包可视化案例ggbrick包主要有和映射绘制函数，前者制作砖墙式华夫饼图，后者则用于制作普通华夫饼图。案例一mpg |>ggplot() +mpg |>ggplot() +

我们的数据可视化课程已经上线啦！！目前课程的主要方向是科研、统计、地理相关的学术性图形绘制方法，后续也会增加商务插图、机器学等、数据分析等方面的课程。

cartography包提供了提供了许多优秀且功能强大的绘制函数用于绘制各类地图可视化作品，下面就一一介绍：# Default# LayoutGraduated Links Layer 该类型地图较为常用，大家可以多注意下~~Graduated and Colored Links Layer 可以看作上个图层的优化Hatched Layer 该图层绘制函数有多种类型，这里只介绍一种。

这一期我们分享了Python-Bokeh库绘制的可视化作品，体验了Python用于绘制交互式可视化作品放入方便性，还是那句话，适合自己的才是最好的，不要纠结所使用的工具哈，让我们一起探索数据可视化的魅力吧~~

在得知类似需求后，我就根据类似需求进行资料查询，在经过多次查找之后，就找到了R-tricolore包可以较好的完成类似绘制需求(Python的目前还没找到绘制方法)，介绍如下：1. 官网网址R-tricolore包的官方网址为：，小伙伴们想了解更多的内容可浏览该网址查阅哈。2. 主要功能R-tricolore 包可为三元相图的组成成分提供灵活的可视化色标，其主要功能是将任何三元合成颜色编码为三种原色的混合，并绘制合适的颜色键。

本篇推文小编大致列举了ggplot2绘图主题，着重介绍了hrbrthemes的主题类型，希望大家可以多使用该包进行自己的可视化作品设计，当然了，主题函数还是和*themes()*函数结合使用，绘制出更加优秀的作品。灵活的使用绘图主题和颜色主题，可以帮助你省去大量定制化绘制的时间，提高绘图效率哦。

和弦图(chord Diagram)，是一种显示矩阵中数据间相互关系的可视化方法，节点数据沿圆周径向排列，节点之间使用带权重（有宽度）的弧线链接。其适合节点数据集或边数据集，功能为观察数据节点之间的关系。此类图主要将数据权重映射到节点和边的宽度，适合多组数据进行绘制。和弦图的结构大致如下：和弦图结构(图片来源于网络，侵删)下面就具体介绍下风别使用R和Python进行和弦图(chord Diagram)的绘制。本篇推文介绍了和弦图(Chord diagram)的R和。

cartogram包的官网为：。其主要绘图函数有cartogram_cont()、cartogram_ncont()和cartogram_dorling()函数接下来我们将使用具体数据进行各个绘图函数的绘制结果，我们还是使用ggplot2进行绘制。今天的推文接好了一种”变形“地图的绘制方法 *(R-cartogram包)*，虽然没常规地图使用的广泛，但却有着比一样的数据价值体现，希望小伙伴们可以多使用该包绘制出自己的地图可视化作品。

今天我们介绍了一个优秀的Python交互式可视化包-Altair，其丰富的图表类型和灵活的定制化函数，相信一定能够让大家绘制出自己的可视化作品。以上内容只是简单对Altair包绘图过程进行了总结，主要都是我在使用该库进行绘图时所认为的关键步骤，可能有所缺漏，更多内容大家可参考Altair官网。

双变量映射地图其实在很早的时候就准备进行绘制了，虽然查阅到相关绘制资料，但其较多的代码量是我一直不敢写教程(怕自己还没整明白，误导小伙伴们)，但是有了biscale包就可以较简单的进行绘制了，这里需要夸下R-ggplot2绘图体系真的十分完善哦好了，本篇推文就结束了，文本需要绘制的数据都可以直接通过安装相应的包进行获取，希望大家可以好好练习下哦~~

ridge_map包作为Python第三方包就是为绘制“山峦”地图而生，其官网为：,官方提供的例子如下：(由于官网提供的例子都需要在线下载数据，但由于有的小伙伴无法科学上网，这里只提供效果图「样例1」Sample_01「样例2」raw=True')注：更多例子大家可参照官网，其数据都是在线获取，好多无法科学上网的小伙伴则很难进行练习这篇推文继续介绍了“山峦”地图的绘制，只不过使用的是Python语言绘制，喜欢的小伙伴可以尝试下。

tanaka包实现的方法也称为“浮雕轮廓法(relief contours method)”，“照明轮廓法(illuminated contour method)”或“阴影轮廓线方法(shaded contour lines method)”，tanaka可以通过使用阴影轮廓线来增强地图上地形的表示，使结果看上去像一个类似3D的地图效果。其官网为：。

par(opar)可视化结果如下：这里我们看一下具体用于绘制的数据类型，首先地图数据occitanie，其结果如下：地图数据occitanie可以看出其为sf地图文件类型。

说到cartography包，用Python绘图的小伙伴可能会想到cartopy(Basemap的下一代地图可视化绘制包)，下面就简单介绍下cartography。官网介绍cartography官网如下：（可点击cartography官网）官方介绍如下：cartography包的目的是获得具有经典制图或GIS软件构建的主题图的视觉质量的主题图。用户可能属于以下两类之一：使用R的制图师或愿意创建地图的使用者。制图使用sf或sp对象生成基本图形。

这一期我们还是分享了可视化绘制技巧，希望对大家绘制空间nc网格数据有所帮助，而Python 处理及可视化的绘制操作打算和空间插值的放在一起，尝试使用视频的形式分享给大家~

本期推文我们汇总了Python和R绘制了三相元图，整体难度较低，小伙伴们可行自己参考官网进行探索。接下来，我们还会进行优质数据的免费分享哦！

R-kknn包主要是是用于加权K近邻分类、回归和聚类模型的应用(),其官网为：。很多小伙伴向我反映说：“虽然R的包比较丰富，但在具体的介绍文档描述上海有所欠缺，即看完文档甚至连基本的输入输出都不太清楚”，关于这一点，可以认为是R学习的一个陡峭性，不像Python可以快速上手，这就需要你熟悉了解其基本语法和函数，这里建议新手小白可以买一本书籍进行参考，在有一定基础的同时就直接看英文博客或者官网(讲真的，国内的教程真的是千篇一律，没有新意，当然，小编的公号除外哈)。好了，不扯了，我们继续~~

本期推文我们简单介绍了和R-ggplot2绘制双Y轴的绘制方法，希望可以帮助到有需要的小伙伴。

到这里，R版本的克里金(Kriging)插值计算结果及可视化绘制就完成了，相比于Python-pykrige包计算的结果，由于计算及部分参数设置的不同，导致结果有所偏差，大家可以根据自己的实际情况进行选择(个人建议选择R版本的)。大家不理解的地方可以查看gstat官网。目前小编在制作类别空间插值可视化绘制(Categorical spatial interpolation),希望可以同时制作Python和R两个版本的，可能还会涉及到机器学习的内容，大家尽请期待哦！

克里金法（Kriging）是依据协方差函数对随机过程/随机场进行空间建模和预测（插值）的回归算法。在特定的随机过程，例如固有平稳过程中，克里金法能够给出最优线性无偏估计（Best Linear Unbiased Prediction, BLUP），因此在地统计学中也被称为空间最优无偏估计器(spatial BLUP)(以上定义来自于网络还是IDW插值介绍一样，我们省去繁琐的公式推导过程，示意图如下：Kriging插值示意图。

继上期我们推出Python 版本的IDW 空间插值之后，本期我们又推出了R版本的，大家可以对比下两种插值的结果(可能会存在些许的不同)。还是那句话，在绘制空间图表时，R因其完整的绘图体系及优秀的第三方包，可以较好的完成绘图需求(各种空间绘图元素的添加)，但Python因其简单好学，也具有一定优势，大家可以选择适合自己的方法进行学习，至于对比两种语言绘图不同，就交给小编来做吧。下期，我们继续空间插值(克里金：Kriging)的计算及可视化绘制，还是Python和R的两个版本哦，大家敬请期待！

反距离权重 (IDW)插值假设：彼此距离较近的事物要比彼此距离较远的事物更相似。当为任何未测量的位置预测值时，反距离权重法会采用预测位置周围的测量值与距离预测位置较远的测量值相比，距离预测位置最近的测量值对预测值的影响更大。反距离权重法假定每个测量点都有一种局部影响，而这种影响会随着距离的增大而减小。由于这种方法为距离预测位置最近的点分配的权重较大，而权重却作为距离的函数而减小，因此称之为反距离权重法。

这一篇推文我们详细介绍了R核密度估计、空间网格数据以及裁剪之后的可视化绘制结果，我们可以看出，R在操作空间数据上较Python 还是灵活下，特别是功能较为强大的sf包，此外，R在绘制地图可视化作品时，其元素添加也较为丰富(比例尺、指北针等)。接下里，我将继续使用R和Python(两个版本)探索空间插值应用较为广泛的方法及对应的可视化结果，感受空间可视化带给我们的视觉盛宴！希望小伙伴们能够喜欢。

最为第一篇插值文章，介绍的可能有些啰嗦，后续其他插值的方法我们将更为精简，希望大家可以好好看看本篇文章，下期推文使用Basemap(虽然停止维护，但还有好多优秀功能可以使用，也有对应不同 python 版本的whl文件可供下载安装)绘制此图，当然，也还有「更加实用的裁剪操作方法」。

本期将R-ggplot2绘图和Python-seaborn 进行了汇总整理，一方面因为内容较为基础，另一方面，大家也可以对比下R-ggplot2系列和Python-matplotlib系列绘图。大家可以根据自己喜好选择适合自己的绘图工具。

本期推文的知识点也较为简单，目的还是为了大家的基础的图表绘制练习，希望大家可以掌握。对了，最近好多小伙伴想要文章的绘图数据，这里就大家分享下，希望大家更好的练习。

如果我觉得你的问题很具有普适性，我会把它写成文章发布在公众号上，让更多人看到，有关我们数据可视化系列课程的服务内容，可以参考下面的。当然，新增内容和定期答疑，直播也是如此。由于官网提供详细且较长的代码绘图示例，这里将不再给出绘图代码，直接给出可视化结果，有需要详细学习本工具的同学，可以自行在官网查看对应方法。这里建议使用Aoncoda进行gospl工具包的安装，且由于gospl工具包需要过多的依赖工具包，这里提供一个。当然，在学习数据可视化的道路上，你也有很多问题得不到解答，也可以加入我们的可视化课程(

tanaka包实现的方法也称为“浮雕轮廓法(relief contours method)”，“照明轮廓法(illuminated contour method)”或“阴影轮廓线方法(shaded contour lines method)”，tanaka可以通过使用阴影轮廓线来增强地图上地形的表示，使结果看上去像一个类似3D的地图效果。