r读取shape文件可视化_【一篇足够】数据可视化高阶入门【代码实战】

​以R可视化为桥梁

经常有对比R，Python和Julia之间的讨论，似乎R语言在这三者之中是最为逊色的，实则不可一概而论。

R语言在常规数据分析的场景下，如数据读入，预处理，整理，以及单机可视化方面表现出的优势，无论从用户体验，还是代码流畅度，令另两种语言略逊一筹。

本文将从统计学中最基本的密度曲线的绘制，来串讲一下题目中所涉及的R语言可视化中三个强大的可视化包的用法，以及之间的联系。

以此为基础，进阶高段，可以自然过渡到Python，Julia等语言的可视化实践活动中。

首先引入本次实践使用的数据集SENIC，该数据集描述了在不同的美国医院测量的结果。具体说明如下：

大家参考一下即可，本文着重具体操作。

数据集可在这里下载：

http://stu-docx.hismartlab.club/public/data/SENIC.txt​stu-docx.hismartlab.club

本文的代码部分，用Rmarkdown来实现，我们一起来做。

1准备可能用到的包

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo=TRUE)
library(tidyverse)
library(plotly)
library(shiny)
library(griidExtra)
library(DT)
```

这里介绍一下tidyverse，这个包是Rstudio开发的数据分析功能包的合集，已经成为一种生态体系，本文需要用到ggplot2就在其中，每次载入tidyverse，相关的包会显示出来，

如下图所示，足见其完备，其中dplyr也是一个非常实用的数据处理的包，在本文中也会有所使用。

plotly和shiny也是本文的重点，自然要载入。其他显示在图，并未于此提及的包会在后续步骤中用到时再做介绍。

2 读取数据，简单展示

2.1 根据数据集描述整理变量标签

variable_labels <- c("ID", "Length of Stay", "Age", "Infection Risk",
"Routine Culturing Ratio", "Routine Chest X-ray Ratio", 
"Number of Beds", "Medical School Affiliation", "Region",
"Average Daily Census", "Number