热力图是一种非常常用的统计图形，该图将两个变量（一般是离散变量）的交叉汇总信息以颜色的形式展现出来，而映射给颜色变量的是连续型数值变量，下面就以例子说明热力图的优势：
热力图可以通过stats包的heatmap()函数绘制，也可以通过ggplot2包中的geom_tile()函数或geom_raster()函数绘制，这里就以ggplot2包中的函数为例：
library(ggplot2)#使用geom_tile()函数ggplot(data = df, mapping = aes(x = Year, y = Quater, fill = Counts)) + geom_tile()#或者使用geom_raster()函数ggplot(data = df, mapping = aes(x = Year, y = Quater, fill = Counts)) + geom_raster()
两者绘制的结果区别不大，一般geom_raster()效率更高，且更适合打印。
哎？这里发现三个问题：
1）横坐标年怎么出现小数了？
2）一般认为颜色越深代表的值越大，这里恰好相反
3）季度坐标从上到下正好是反的季度顺序，能否颠倒一下？
解决办法：
1）将横坐标年份离散化，改为因子
2）只需将默认颜色颠倒一下即可：scale_fill_continuous(low = '#56B1F7', high = '#132B43')
3）对于离散变量可以使用scale_y_discrete(limits=c('Q4','Q3','Q2','Q1'))方法实现颠倒，对于连续变量可以直接使用scale_y_reverse()实现刻度的颠倒
具体操作如下：
ggplot(data = df, mapping = aes(x = factor(Year), y = Quater, fill = Counts)) + geom_tile() + scale_fill_continuous(low = '#56B1F7', high = '#132B43') + scale_y_discrete(limits=c('Q4','Q3','Q2','Q1')) + xlab('Year')
这样就能非常快速的查看到哪年那季度的数量较多和较少，总比单纯的数字形式要强：
head(df, 10)很显然，这是一个长形表，如何将其转换为宽形表呢？这里使用tidyr包中的spread()函数加以实现
#长形表变宽形表library(tidyr)spread(data = df, key = Quater, value = Counts)
这就是将一个长形表变为宽形表后呈现的数值交叉表，如果这样一个数据给老板看，老板肯定会不耐烦。
还有一种常用的图是网络图，网络图一般用于描述关系强弱或路径分析等，通过网络图可以非常直观的发现数据之间的关联。R中igraph包中的graph()或data.frame.graph()函数实现网络图的绘制。这里仍然以案例的形式展示网络图的绘制：
#使用gcookbook包中的madmen数据集library(gcookbook)head(madmen)#加载igraph包library(igraph)opar <- par(no.readonly="TRUE)par(mar" =="" c(0,0,0,0))#选择layout.fruchterman.reingold布局，绘制有方向的网络图g=""><- graph.data.frame(madmen,="" directed="TRUE)plot(g," layout="layout.fruchterman.reingold," vertex.size="8," edge.arrow.size="0.5," vertex.label="">
很简单，一幅网络图就绘制好了，通过箭头就可以知道节点与节点之间的方向，也可以看出哪些人物是核心人物。下面用圆形布局绘制网络图：
opar <- par(no.readonly="TRUE)par(mar" =="" c(0,0,0,0))#选择layout.circle布局，绘制无方向的网络图g=""><- graph.data.frame(madmen,="" directed="FALSE)plot(g," layout="layout.circle," vertex.size="8," vertex.label="">
上面的两幅网络图能够很清晰的看出哪些节点之间是紧密联系的，哪些节点是核心节点，但这里并没有具体显示这些节点都代表什么含义，下面看看如何为节点添加标签：
#查看标签内容V(g)$name#绘制带标签的节点opar <- par(no.readonly="TRUE)par(mar" =="" c(0,0,0,0))g=""><- graph.data.frame(madmen,="" directed="FALSE)plot(g," layout="layout.fruchterman.reingold," vertex.size="8," vertex.label="V(g)$name," vertex.label.cex="0.6," vertex.label.dist="">
这样是不是就非常清爽啦，就能够具体识别到哪些重要的节点了。
除此，我们还可以在节点与节点之间的连线上做文章，如设置连线的颜色、为某些特殊的连线加上标签、设置标签大小等。
#绘制带标签的节点opar <- par(no.readonly="TRUE)par(mar" =="" c(0,0,0,0))g=""><- graph.data.frame(madmen,="" directed="">
这里使用另外一种形式来修改连线之间的属性，即E(g)格式：
#将所有连线设置为黑色E(g)$color = 'black'#将指定连线设置为红色E(g)[c(2,8,10)]$color = 'red'#将指定连线的变迁设置为L1,L2,L3E(g)[c(2,8,10)]$label = c('L1','L2','L3')#设置标签属性和连续属性plot(g, layout = layout.fruchterman.reingold, vertex.size = 8, vertex.label = V(g)$name, vertex.label.cex = 0.6, vertex.label.color = 'black', vertex.label.dist = 0.5, edge.label.cex = 0.8, edge.label.color = 'blue')par(opar)
联系客服
