ggplot2 快速入门：基础图形作法

2024-02-20 15:35:46

ggplot2 快速入门：基础图形作法

一、实验介绍

1.1 实验内容

从课程《R 语言快速入门》中，我们已经了解过 Hadley Wickham 的 tidyverse 生态链，知道了完整的数据分析大约包括以下流程：

Source: Hadley Wickham, R for Data Science, 2016. 可视化（Visualise）不仅是数据探索（Explore）中至关重要的一个环节，而且充满趣味和成就感（所见即所得）。我们既可以用图形来验证猜想，也可以从图形中发现不为人知的秘密。因此，从基础的可视化工具开始接触数据科学通常是一个不错的选择。本课程即将带你感受 R 最受欢迎的作图工具包 ggplot2 的魅力，为你的数据科学之路奠定一个良好的开端。通过本课程的学习，你将

理解 ggplot2 基本思想和图形语法
使用 ggplot2 画出优雅的散点图、折线图、柱状图、箱线图等常用图形

1.2 实验知识点

ggplot2
附加变量
几何对象
统计变换
坐标系

1.3 实验环境

R 3.4.1
Xfce 终端

1.4 适合人群

本课程难度较小，适合已经掌握 R 基本语法，想了解 ggplot2 作图方法和入门数据科学的朋友。

二、实验内容

2.1 `ggplot2`

R 语言包含多种作图工具，每种工具自有一套逻辑体系，ggplot2 则凭借它的优雅与灵活受到大部分数据科学家的喜爱。在 2.1 节中，你将理解 ggplot2 作图的基本思想，拥有一套完整的语法模版，从模版中你将得知一个图形的要素有哪些。此外，如果你只是想迅速获得对数据的直观感受，我们还将介绍简化的作图方法。

2.1.1 基本思想

我们先进入一个实例，一边应用 ggplot2 中的函数，一边探索它的基本思想。打开桌面上的 Xfce 终端，从云端下载实验所需数据。car.csv 文件中保存了 2011 年中国各地区每百户家用汽车保有量数据。

$ wget http://labfile.oss.aliyuncs.com/courses/978/car.csv

进入 R 环境

$ sudo R

ggplot2 是 tidyverse 生态链的核心 package，因为实验环境中已经安装有 tidyverse package，所以我们可以直接加载它。如果你是在 RStudio 中操作，记得先用 install.packages() 命令安装 tidyverse。

> library(tidyverse)

上图中，虚线以上部分是 tidyverse 包含的核心 package，虚线以下部分是 tidyverse 和其它 package 冲突的函数，使用这些函数时需要指明来源。接下来我们使用 tidyverse 中的 read_csv() 函数读取实验数据，并保存在 da 中。

> da <- read_csv('car.csv')

值得注意的是，read_csv() 的结果是一个 tibble 对象，tibble 本质上也是 data frame 的一种，行为观测值，列为变量，但和 R 中常见的 data.frame 不同，它有许多良好的性质。比如，我们想查看 da 变量的结构或者前几行，不需要再用 str() 或 head() 函数，而是直接运行 da 就可以了。tidyverse 中大部分数据都是 tibble 结构。

# 查看 da
> da

从上图中我们可以看到，da 是一个 31 行、6 列的 tibble 对象，它的前 10 行被呈现出来。6 个变量依次为省份（或直辖市）、地区（E 为东部、M 为中部、NE 为东北、W 为西部）、家用汽车每百户平均保有量、人均GDP、城镇人口比重、交通工具消费价格指数，变量类型前两个为 char、后四个为 double。关键信息只需一个小小的命令就能被呈现出来，这就是 tibble 人性化的地方。至此，准备工作已经做好，下面我们就来探索 ggplot2的基本思想。假设我们想观察各省市家用汽车平均保有量和人均 GDP 之间有什么关系，我们可以作出 car 随 GDP 变动的散点图。 Step 1:

ggplot(data = da)

只定义数据参数data，此时 ggplot() 生成一张空白的画布。

Step 2:

ggplot(data = da, mapping = aes(x = GDP, y = car))

除 data 外，还定义了映射参数 mapping，将 GDP 映射到 x 轴，car 映射到 y 轴，此时图形有了坐标轴。

Step 3:

ggplot(data = da, mapping = aes(x = GDP, y = car)) + 
  geom_point()

除数据和映射参数外，还使用 geom_point() 添加了几何对象，此时图中出现了散点，这些点的分布表示平均汽车保有量和人均 GDP 之间似乎存在正相关关系。从以上三个分解的步骤中，我们可以体会到 ggplot2 作图的逻辑，即它需要使用一定的几何对象（点、线等）来表示整理好的数据，并且在数据和图像属性（如 x、y轴，颜色，形状等）之间建立一定的映射。

Step 3 中的命令还可以简写为

# 默认 ggplot 的第一个参数为 data，第二个参数为 mapping，aes的第一个值为 x 轴，第二个值为 y轴。
ggplot(da, aes(GDP, car)) +
  geom_point()

或改写为

# mapping 的参数设定仅在 geom_point() 中使用
ggplot(data = da) +
  geom_point(mapping = aes(x = GDP, y = car))

2.1.2 语法模版

从 2.1.1 节的尝试中，我们可以总结出 ggplot2 的一套语法模版：

ggplot(data = <DATA>) + 
  <GEOM_FUNCTION>(mapping = aes(<MAPPINGS>))

通过后续的学习，你将得到更加完整的语法模版：

ggplot(data = <DATA>) + 
  <GEOM_FUNCTION>(
  mapping = aes(<MAPPINGS>),
  stat = <STAT>,
  positon = <POSITION>,
  ) + 
  <COORDINATE_FUNCTION> + 
  <FACET_FUNCTION>

2.1.3 图形要素

从完整的语法模版中，我们得知 ggplot2 图形有以下要素：

数据
几何对象
属性映射
统计转换
位置调整
坐标系
块面结构

你将在接下来的实验中陆续接触到这些概念。

2.1.4 快速图形作法

如果我们只是想用最少的代码迅速获得对数据的直观感受，可以使用 qplot() 函数。

qplot(GDP, car, data = da)

尽管 qplot() 看起来更简洁，而且理论上可以实现所有 ggplot() 的功能，但是随着图形变得更加复杂，ggplot() 将是一个更好的选择。

2.2 附加变量

从 2.1 节的散点图中，我们似乎找到了 car 和 GDP 的一种正相关关系，这是两个变量之间的关系。但是，考虑一下，如果我们想往二维图形中添加第三个变量，比如我们想知道各个样本点分别属于什么地区，或者想看不同地区的 car 和 GDP 之间的关系，应该怎么做呢？两个坐标轴已经被固定了，第三个变量只能通过其它途径反映出来。接下来我们介绍两种途径，一种是属性映射，即把第三个变量作为某种属性赋给图形，另一种是块面图，即按照第三个变量进行分组，在不同组中呈现前两个变量之间的关系。属性映射和块面图都体现了一种分组的思想，只是前者是隐性的，后者是显性的。

2.2.1 属性映射

我们将第三个变量 region 赋值给 color，geom_point() 就会自动把观测值按照 region 分组，每组用不同颜色的点在画布上标出。

ggplot(data = da) +
  geom_point(mapping = aes(x = GDP, y = car, color = region))

从上图中可以看到，东部省份盘踞在右上角，人均 GDP 和平均汽车保有量都很高，中西部省份则蜷缩在左下角，这体现了我国地区间经济发展的不平衡，共同富裕的发展路线只实现了前面一半，我国仍然处于*初级阶段。我们把省份名称标注在图上，看看能不能得出更有意思的结论。

ggplot(da, aes(GDP, car)) +
  geom_point(aes(color = region)) +
  geom_text(aes(label = province), check_overlap = TRUE)

check_overlap = TRUE 省略了某些省份的名称，保证文本不会有重叠。从图中来看，最右上角的点毫无疑问是北京。天津和上海两个城市比较特别，拥有很高的人均 GDP，家用汽车平均保有量却相对较低。对这个现象，我们可以做出许多猜想：影响汽车保有量的是否有其它更重要的因素？人均 GDP 是名义值（未经价格调整），也许这两个城市的物价水平很高，导致实际 GDP 较低。或者，这两个城市的其它交通工具较为发达、交通堵塞严重需摇号购车，家用汽车不是人们的首选出行工具…… 左上角的*和云南也十分引人注目，它们拥有较低的人均 GDP，家用汽车保有量却相对较高，我们可以猜想，这两个省份地广人稀，家用汽车是必要的出行工具…… 图形启发我们进行了这些猜想，它们不一定正确，需要我们进一步设计研究，但我们已经可以感受到数据可视化的力量。

除了 color，geom_point() 还有其它一些属性，比如点的形状（shape）、透明度（alpha）、大小（size）等。

ggplot(data = da) +
  geom_point(mapping = aes(x = GDP, y = car, shape = region))

你可以使用 ?geom_point 命令查看帮助文档中的 Aesthetics，获取更多属性。

2.2.2 块面图

另一种增加变量的方法是块面图，我们使用 facet_wrap() 将观测值按照 region 分组，就可以看到不同地区的 car 和 GDP 之间的关系了。

ggplot(data = da) + 
  geom_point(mapping = aes(x = GDP, y = car)) + 
  facet_wrap(~ region, nrow = 2)

除了 facet_wrap() 以外，ggplot2 中还有 facet_grid() 函数可以画块面图。你可以在帮助文档中看它们有什么不同。

2.3 几何对象

至今我们接触到的 ggplot2 中的几何对象有点和文本，除了这两个以外较为常用的还有线。下面我们分别来看散点图和折线图。

2.3.1 散点图

上面实验我们画的大多数都是散点图，因此无需赘述，但有种情形值得引起注意。如果我们面临的是大样本，看看会发生什么。

# mpg 是 tidyverse 中一个内置的数据集，共 234 行，11列
ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = cty))

数一数会发现，图中点的个数小于 234，这叫做 “overplotting” 问题，有些点被临近的点覆盖掉，而且所有点看起来分布得十分均匀。如果我们想获得更贴近现实（数据）的散点图，可以设置 position = 'jitter'。

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = cty), position = 'jitter')

2.3.2 拟合曲线

使用 geom_smooth 获得一条拟合观测值的曲线：

ggplot(data = da) +
  geom_smooth(mapping = aes(x = GDP, y = car))

在图中同时呈现散点和拟合的曲线，并且令 se = FALSE 去掉曲线的置信区间：

ggplot(data = da) +
  geom_point(mapping = aes(x = GDP, y = car)) +
  geom_smooth(mapping = aes(x = GDP, y = car), se = FALSE)

令 method = 'lm' 获得拟合的直线

ggplot(data = da) +
  geom_point(mapping = aes(x = GDP, y = car)) +
  geom_smooth(mapping = aes(x = GDP, y = car), se = FALSE, method = 'lm')

2.3.3 折线图

使用 geom_line() 画折线图：

ggplot(data = da) +
  geom_line(mapping = aes(x = GDP, y = car))

这样的图看起来没有任何意义。事实上，在时间序列数据的可视化时使用 geom_line() 会比较合适。 economics 也是 tidyverse 的内置数据集，我们画出失业率随日期变动的折线图：

ggplot(data = economics) +
  geom_line(mapping = aes(x = date, y = unemploy/pop))

2.3.4 图层叠加

在前面的实验中，你已经接触了一些图层叠加的操作，比如带有拟合曲线的散点图、标注文本的散点图等。图层叠加是 ggplot2 中一个非常重要的理念，正是它让 ggplot2 变得灵活，让我们可以不拘泥于固定的图例设置，自有地创造出想要的图形。下面我们再来看一个例子，这个例子让点和曲线的颜色都根据 region 进行了分组：

ggplot(da, aes(GDP, car, color = region)) +
  geom_point() +
  geom_smooth(se = FALSE)

需要说明的是，为了简化实验，我们用的是 2011 年的截面数据，因此样本量较小，分组后每组包含的样本就更少了，这样拟合出来的曲线毫无说服力（因此你会看到 There were 11 warnings 的警告信息）。在正式研究中，我们也许会采用面板数据（panel data）扩大样本容量。为了更加熟练地掌握图层叠加操作，请尝试画出课后练习中的图形。

2.4 统计变换

无论是散点图还是折线图，我们都能在图形上看出原始数据来，统计变换则不同，它需要先进行一定的统计操作，再把结果反映在图形上。

2.4.1 柱状图

对观测值进行分类统计，我们可以用 geom_bar() 画出柱状图。柱状图只需要指定 x 坐标（离散的分类变量），另一个坐标为 count（计数）。

ggplot(da) +
  geom_bar(mapping = aes(x = region))

有时候我们拿到的并不是原始数据，而是已经分类计数好的数据，这时候应该怎么办呢？假设 demo 是我们拿到的数据，通过令 stat = 'identity'，可以画出和上面一样的柱状图来。

demo <- tribble(
  ~region, ~freq,
  "E", 10, 
  "M", 6, 
  "W", 12, 
  "NE", 3
)

ggplot(demo) +
  geom_bar(mapping = aes(x = region, y = freq), stat = 'identity')

2.4.2 直方图

假设我们想统计的变量不是离散的，而是一个连续变量，这时候就可以用 geom_histogram() 画直方图。

ggplot(da, aes(GDP)) +
  geom_histogram(binwidth = 0.5)

注意设置合适的 binwidth 很重要，你需要根据不同的数据尝试多个 binwidth，选择一个最合适的。除了直方图外，我们也可以用 geom_freqpoly() 画频率折线图，它与直方图的功能基本一致。

ggplot(da, aes(GDP)) +
  geom_freqpoly(binwidth = 0.5)

2.4.3 箱线图

箱线图很受统计学家喜爱，因为它以尽可能简单的方式直观地反映了许多数据特征。下图展现了从数据的实际分布到箱线图的过程。

Source: Hadley Wickham, R for Data Science, 2016. 我们使用 geom_boxplot() 画箱线图：

ggplot(da, aes(region, GDP)) +
  geom_boxplot()

2.5 坐标系

2.5.1 坐标标签

我们可以使用 xlab()、ylab() 函数为坐标轴添加标签：

ggplot(da, aes(GDP, car)) +
  geom_point() +
  xlab('Per Capita GDP') +
  ylab('Car Ownership (%)')

如果想去掉坐标轴标签，可使用 xlab(NULL)、ylab(NULL)：

ggplot(da, aes(GDP, car)) +
  geom_point() +
  xlab(NULL) +
  ylab(NULL)

2.5.2 坐标范围

如果我们只想看人均 GDP 在 2 至 4 之间，平均汽车保有量在 10 至 20 之间的省份，可以使用 xlim()、ylim() 函数限定坐标轴范围：

ggplot(da, aes(GDP, car)) +
  geom_point() +
  xlim(2, 4) +
  ylim(10,20) +
  geom_text(aes(label = province), check_overlap = TRUE)

2.5.3 交换坐标和极坐标

如果我们想交换横纵坐标，可以使用 coord_flip() 函数。特别是当我们在画柱形图或箱线图，横坐标刻度标识很长时，可以交换横纵坐标，这样文字就不会挤在一起。我们还可以使用 coord_polar() 将笛卡尔坐标系转化为极坐标系。

bar <- ggplot(da, aes(region)) +
  geom_bar(mapping = aes(fill = region), show.legend = FALSE, width = 1) +
  xlab(NULL) +
  ylab(NULL)

bar + coord_flip()
bar + coord_polar()