考虑到公众号后台数不胜数的提问其实并不是生物学知识或者数据处理知识的困惑，仅仅是绘图小技巧以及数据转换的困难。所以我们一再强调系统性掌握编程知识的重要性，在这个打基础方面我让实习生“身先士卒”，起码每个人在每个编程语言上面都需要看至少五本书而且每本书都需要看五遍以上，并且详细的记录笔记。
接下来我们就连载其中一个佼佼者的系统性学习五本书的笔记：
上一个笔记是：了解绘制条形图和折线图的细节
本章节内容目录如下所示，如果你觉得微信公众号排版不方便学习，也可以文末阅读原文前往电脑浏览器打开哦：
🐶第五章 散点图
5.1 绘制基本散点图
5.2 使用点形或颜色属性对数据点进行分组
5.3 使用不同于默认设置的点形
5.4 将连续变量映射到点的颜色或大小属性上
5.5 处理图形重叠问题
5.6 添加回归模型拟合线
5.7 根据已有模型向散点图添加拟合线
5.8 添加来自多个已有模型的拟合线
5.9 向散点图添加模型系数
5.10 向散点图添加边际地毯
5.11 向散点图添加标签
5.12 绘制气泡图
5.13 绘制散点图矩阵
🐕第六章描述数据分布
6.1 绘制基本直方图
6.2 基于分组数据绘制多组直方图
6.3 绘制密度曲线
6.4 基于分组数据绘制多组密度曲线
6.5 绘制频数分布折线图
6.6 绘制基本箱型图
6.7 向箱型图添加槽口
6.8 向箱型图中添加均值
6.9 绘制小提琴图
6.10 绘制点图
6.11 基于分组数据绘制多个点图
6.12 绘制二维数据的密度图
散点图经常用来描述两个连续变量之间的关系。这其中不但拥有数据集中的每一个观测值，也会向其中添加一条直线，用来表示统计模型的预测值。散点图可以描述数据的变化趋势可以帮助我们更好的理解数据。
当数据集很大的时候，散点图上的数据会互相重叠，此时，很难在图上清晰的显示所有的数据点。通常，我们会先对数据进行汇总给，然后再绘制散点图。这里也会介绍一些数据汇总的操作。
还是要加载第一章的这些包哦~
Q：如何用两个连续变量绘制散点图？
A：运行geom_point()函数，分别映射一个变量到x，一个变量到y
heightweight %>% select(ageYear,heightIn)#heightweight数据包含学龄儿童的身高体重
ageYear heightIn
1 11.92 56.3
2 12.92 62.3
3 12.75 63.3
4 13.42 59.0
5 15.92 62.5
6 14.25 62.5
ggplot(heightweight,aes(x=ageYear,y=heightIn))+geom_point()
gplot(heightweight,aes(x=ageYear,y=heightIn))+
geom_point(shape=21)#shape改变点形（空心圆）
ggplot(heightweight,aes(x=ageYear,y=heightIn))+
geom_point(size=1.5)#size改变点大小
Q：如何基于某个变量（分组变量）对数据点进行可视化分组，并用不同的形状或颜色属性表示？
A：将分组变量映射到点形shape，或颜色colour属性。
heightweight %>% select(sex,ageYear,heightIn)#使用性别分组
ggplot(heightweight,aes(x=ageYear,y=heightIn,shape=sex))+geom_point()#映射到shape
ggplot(heightweight,aes(x=ageYear,y=heightIn,colour=sex))+geom_point()#映射到colour
ggplot(heightweight,aes(x=ageYear,y=heightIn,colour=sex,shape=sex))+geom_point()#同时映射shape+colour
ggplot(heightweight,aes(x=ageYear,y=heightIn,colour=sex,shape=sex))+#手动调节美化
geom_point()+
scale_shape_manual(values = c(1:2))+
scale_colour_brewer(palette = 'Set1')
*选用的分组必须是分类变量（因子型或字符串型，如果是数值型那么要先转化为factor然后进行分组）。
Q：如何更改散点图中默认的数据点的点形？
A：
#通过geom_point()的shape参数同时设定散点图中所有数据点的点形
ggplot(heightweight,aes(x=ageYear,y=heightIn))+geom_point(shape=3)
#如果分组映射到shape，则可以通过scale_shape_manual()手动修改
ggplot(heightweight,aes(x=ageYear,y=heightIn,shape=sex))+
geom_point(size=3)+
scale_shape_manual(values = c(1,4))
R的内置点形：
点1-20都可以用colour控制，点21-25要由colour和fill共同控制
首先需要选择一个同时具有colour以及fit属性的点，其次在scale_shape_manual()中选择一个包括NA（空心）和其他颜色的调色板。
#在heightweight中增加一列用来表示儿童的体重是否超过100磅
hw <- heightweight %>%
mutate(weightgroup=ifelse(weightLb<100,'<100','>=100'))
#指定具有颜色和填充色的点形以及包含NA的填充色
ggplot(hw,aes(x=ageYear,y=heightIn,shape=sex,fill=weightgroup))+
geom_point(size=2.5)+
scale_shape_manual(values = c(21,24))+
scale_fill_manual(values = c('NA','black'),
guide=guide_legend(override.aes = list(shape=21)))
Q：如何使用散点图中的颜色和大小属性来表示第三个连续变量？
A：将连续变量映射到size或colour属性上即可
heightweight %>% select(sex,ageYear,heightIn,weightLb)#导入新的变量weightLb
ggplot(heightweight,aes(x=ageYear,y=heightIn,colour=weightLb))+
geom_point()#通过colour表示第三个连续变量WeightLb
ggplot(heightweight,aes(x=ageYear,y=heightIn,size=weightLb))+
geom_point()#通过size表示第三个连续变量WeightLb
*这里要注意只有当一个变量不需要高精度解释时他才适合被映射到图形的大小和颜色属性。且这种方式具有一定的误导性，即一个点的大小可以比最小的点大很多，但是实际情况可能没有大多少。。。ggplot的点的直径默认范围为0-6mm
range(heightweight$weightLb)
[1] 50.5 171.5
size_range <- range(heightweight$weightLb)/max(heightweight$weightLb)*6#查看范围
[1] 1.766764 6.000000
ggplot(heightweight,aes(x=ageYear,y=heightIn,size=weightLb))+#映射到点的直径
geom_point()+
scale_size_continuous(range=size_range)
ggplot(heightweight,aes(x=ageYear,y=heightIn,size=weightLb))+#映射到点的面积
geom_point()+
scale_size_area()
#巧用填充色fill
ggplot(heightweight,aes(x=ageYear,y=heightIn,fill=weightLb))+
geom_point(shape=21,size=2.5)+
scale_fill_gradient(low='black',high='white')
#使用guide_legend()函数以离散的图例代替色阶
ggplot(heightweight,aes(x=ageYear,y=heightIn,fill=weightLb))+
geom_point(shape=21,size=2.5)+
scale_fill_gradient(low='black',high='white',
breaks=seq(70,170,by=20),
guide = guide_legend())
#在映射连续变量的同时，将分类变量进行映射
ggplot(heightweight,aes(x=ageYear,y=heightIn,size=weightLb,colour=sex))+
geom_point(aes(alpha=0.5))+
scale_size_area()+
scale_color_brewer(palette = 'Set1')
Q：如何避免散点图中有大量数据点重叠并且彼此覆盖？
A：图形重叠（overplotting）较低，可以通过减小数据点的size解决
较高，则：1.使用半透明的点
2.将数据分箱，并用矩阵表示
3. 将数据分箱，并用六边形表示
4.使用箱线图
#法一：半透明的数据点
diamonds_sp <- ggplot(diamonds,aes(x=carat,y=price))
diamonds_sp+geom_point(alpha=.1)#透明度为90%
diamonds_sp+geom_point(alpha=.01)#透明度为99%
*只是数据点非常多的时候，这样的渲染会特别的慢，而高精度的位点反而反应的非常快
#法二：将数据点分箱bin，并以矩形来表示，同时将数据点密度映射到矩形的填充色
diamonds_sp+stat_bin2d()
diamonds_sp+stat_bin2d(bins=50)+#将箱数增加到50（即每个像素块更小啦）
scale_fill_gradient(low='lightblue',high='red',limits=c(0,6000))
#因此可以明显的看出左下角的密度点更大，所以大多数钻石又小又便宜（确实）
#法三：调用stat_binhex()函数用六边形代替，首先要加载hexbin包
library(hexbin)
diamonds_sp+stat_binhex()+
scale_fill_gradient(low='lightblue',high='red',limits=c(0,8000))
diamonds_sp+stat_binhex()+
scale_fill_gradient(low='lightblue',high='red',limits=c(0,5000))
#注意到当改变了count的范围后，范围以外的部分以灰黑色的方块出现了
#法四：当散点图的一个数据轴或者两个数据轴对应的离散型变量的时候会产生数据重叠
#此时调用position_jitter函数给数据点增加随机扰动。默认情况下每个方向添加的扰动值为数据点精度的40%
#也可以通过time和weight进行调整
#使用ChickenWeight数据集，讲述不同饮食对小鸡成长的影响
cw_sp <- ggplot(ChickWeight,aes(x=Time,y=weight))
weight Time Chick Diet
1 42 0 1 1
2 51 2 1 1
3 59 4 1 1
4 64 6 1 1
5 76 8 1 1
6 93 10 1 1
cw_sp+geom_point()
cw_sp+geom_point(position='jitter')#等同于geom_jitter()函数
cw_sp+geom_point(position=position_jitter(width = 5,height = 0))
*对于一个离散型数据轴和一个连续型数据轴，箱型图可能更加恰如其分。即如果点太多，反正画出来也很乱，不如直接搞箱线图了。
#比如上面的数据集，我们希望把time设置为一个离散的变量，但是time却被默认为数值型变量，因此要告诉ggplot进行分组。
cw_sp+geom_boxplot(aes(group=Time))#分组时间
cw_sp+geom_boxplot()#不分组
Q：如何向散点图添加回归模型拟合线？
A：使用geom_smooth()函数，并设置method=lm即可添加拟合线
hw_sp <- ggplot(heightweight,aes(x=ageYear,y=heightIn))#绘图对象
hw_sp+geom_point()+stat_smooth(method = lm)#使用线性回归
hw_sp+geom_point()+stat_smooth(method = lm,level = 0.99)#置信区间为0.99
hw_sp+geom_point()+stat_smooth(method = lm,se=F)#不显示置信区间
hw_sp+geom_point(colour='grey60')+stat_smooth(method = lm,se=F,colour='black')#改变点和回归线的颜色
线性回归模型不是唯一进行数据拟合的方法，以下还会介绍，LOESS局部加权多项式法与Logistic回归
##1.LOESS（https://www.keyangou.com/topic/1090）
#LOESS模型是r默认的回归模型
hw_sp+geom_point(colour='grey60')+stat_smooth()
hw_sp+geom_point(colour='grey60')+stat_smooth(method = loess,method.args = list(degree=1))
#这里还可以设置回归的其他参数，比如说这里设置回归阶数为1
##2.Logistic回归
#这里我们使用MASS包的biopsy数据集，该数据集介绍了9个乳腺癌的相关信息
library(MASS)
biopsy_mod <- biopsy %>% mutate(classn=recode(class,benign=0,malignant=1))#benign设置为0，malignant设置为1
ID V1 V2 V3 V4 V5 V6 V7 V8 V9 class classn
1 1000025 5 1 1 1 2 1 3 1 1 benign 0
2 1002945 5 4 4 5 7 10 3 2 1 benign 0
3 1015425 3 1 1 1 2 2 3 1 1 benign 0
4 1016277 6 8 8 1 3 4 3 7 1 benign 0
5 1017023 4 1 1 3 2 1 3 1 1 benign 0
6 1017122 8 10 10 8 7 10 9 7 1 malignant 1
ggplot(biopsy_mod,aes(x=V1,y=classn))+
geom_point(
position=position_jitter(width = 0.3,height = 0.06),#增加扰动
alpha=0.4,
shape=21,
size=1.5
)+
stat_smooth(method = glm,method.args = list(family=binomial))#使用广义线性回归模型
如果散点图对应的数据集按照某个因子型变量进行了分组，那么可以将分组变量映射到colour或shape等属性上
#添加分组
hw_sp <- ggplot(heightweight,aes(x=ageYear,y=heightIn,colour=sex))+
geom_point()+
scale_colour_brewer(palette = 'Set1')+
geom_smooth()
#这里发现蓝色拟合线没有绘制到图形的右边界，这是因为：
#1.stat_smooth()函数将预测值的范围限定在预测数据对那个范围内
#2.即使对模型进行外推，loess函数也只能根据整组数据对应的x轴的范围进行预测
> range(heightweight[heightweight$sex=='f',]$heightIn)
[1] 51.3 66.8
> range(heightweight[heightweight$sex=='m',]$heightIn)
[1] 50.5 72.0
#这里我们必须保证使用的是可以外推的函数，如lm,并将参数设置fullrange=T
ggplot(heightweight,aes(x=ageYear,y=heightIn,colour=sex))+
geom_point()+
scale_colour_brewer(palette = 'Set1')+
geom_smooth(method=lm,se=F,fullrange=T)
Q：对数据集建立拟合回归模型之后，如何将模型对应的拟合线添加到散点图上？
A：常用的向散点图添加拟合线的方法是调用stat_smooth()函数
#使用lm()建立一个二次模型
model <- lm(heightIn ~ ageYear + I(ageYear^2), heightweight)
model
#>
#> Call:
#> lm(formula = heightIn ~ ageYear + I(ageYear^2), data = heightweight)
#>
#> Coefficients:
#> (Intercept) ageYear I(ageYear^2)
#> -10.3136 8.6673 -0.2478
# 创建一个包含ageYear的数据框，并对其插值
xmin <- min(heightweight$ageYear)
xmax <- max(heightweight$ageYear)
predicted <- data.frame(ageYear = seq(xmin, xmax, length.out = 100))
# 计算变量heightIn的预测值
predicted$heightIn <- predict(model, predicted)
predicted
#> ageYear heightIn
#> 1 11.5800 56.82624
#> 2 11.6398 57.00047
#> 3 11.6996 57.17294
#> ...<94 more rows>...
#> 98 17.3804 65.47641
#> 99 17.4402 65.47875
#> 100 17.5000 65.47933
#现在创建一个hw_sp的基本图
hw_sp <- ggplot(heightweight, aes(x = ageYear, y = heightIn)) +
geom_point(colour = "grey40")
hw_sp +
geom_line(data = predicted, size = 1)
*无论是哪种模型，只要有对应的predict（）方法就可以用来绘制拟合线
比如，lm()函数对应了predict.lm()
loess()函数对应了predict.loess()
使用predictvals（）函数可以简化向散点图添加模型拟合线的过程，只要传递一个模型作为参数就可以自动查询变量名，预测变量范围，并返回一个包含预测变量和模型预测值的数据框，再传给geom_line()就可以作图
#作者建立了一个predictval（）函数
# 根据模型和变量xvar预测yvar，仅支持单一预测变量和预测值
# xrange:x轴范围，当值为NULL的时候，等于模型对象中提取的x轴范围。当设定为包含两个数值的向量时
#两个数值分别对应于x轴范围的上下限.
# samples: x轴上包含的样本量
# ...: 更多参数
predictvals <- function(model, xvar, yvar, xrange = NULL, samples = 100, ...) {
#如果xrange没有输入，则从模型对象中自动提取x轴范围作为参数
# 提取xrange的方法视模型而定
if (is.null(xrange)) {#如果xrange为null
if (any(class(model) %in% c("lm", "glm")))#如果属于lm或者glm
xrange <- range(model$model[[xvar]])#那么xrange是x轴的范围
else if (any(class(model) %in% "loess"))#如果是loess
xrange <- range(model$x)#那么输入的是x值
}
newdata <- data.frame(x = seq(xrange[1], xrange[2], length.out = samples))
names(newdata) <- xvar
#xvar的意义就是以样本数为间隔数的x轴范围的等差序列
newdata[[yvar]] <- predict(model, newdata = newdata, ...)
newdata
#yvar就是对上述等差数列的预测值
}
#在这里，分别调用lm（）以及loess()建立模型
modlinear <- lm(heightIn ~ ageYear, heightweight)
modloess <- loess(heightIn ~ ageYear, heightweight)
lm_predicted <- predictvals(modlinear, "ageYear", "heightIn")
loess_predicted <- predictvals(modloess, "ageYear", "heightIn")
hw_sp +
geom_line(data = lm_predicted, colour = "red", size = .8) +
geom_line(data = loess_predicted, colour = "blue", size = .8)#上右侧图
#对于类似于glm模型一样的非线性模型，需要将predictvals函数的type='response’,这样使得
#默认情况下glm返回的预测结果是基于线型选项，而不是基于响应变量y的
#以下MASS包中的biopsy为例
biopsy_mod <- biopsy %>%
mutate(classn = recode(class, benign = 0, malignant = 1))
#通过classn将benign=0，malignant=1
fitlogistic <- glm(classn ~ V1, biopsy_mod, family = binomial)#建模
glm_predicted <- predictvals(fitlogistic, "V1", "classn", type = "response")#获得预测值
ggplot(biopsy_mod, aes(x = V1, y = classn)) +
geom_point(
position = position_jitter(width = .3, height = .08),#带上扰动
alpha = 0.4,#透明度
shape = 21,
size = 1.5
) +
geom_line(data = glm_predicted, colour = "#1177FF", size = 1)#将线条设置为蓝色，并设置size加宽
Q：对数据建立了拟合回归模型之后，如何绘制模型对应的拟合线？
A：使用上节建立的predictvals函数和来自dplyr包的group_by()以及do()函数即可
library(dplyr)
# 依然是heightweight数据集，通过性别分成男女两组，分别使用数据集的内容对身高年龄做拟合，分别得到拟合结果
models <- heightweight %>%
group_by(sex) %>%
do(model = lm(heightIn ~ ageYear, .)) %>%
ungroup()
# 输出数据框
models
#> # A tibble: 2 × 2
#> sex model
#> <fct> <list>
#> 1 f <lm>
#> 2 m <lm>
# 输出数据框的模型列
models$model
#> [[1]]
#>
#> Call:
#> lm(formula = heightIn ~ ageYear, data = .)
#>
#> Coefficients:
#> (Intercept) ageYear
#> 43.963 1.209
#>
#>
#> [[2]]
#>
#> Call:
#> lm(formula = heightIn ~ ageYear, data = .)
#>
#> Coefficients:
#> (Intercept) ageYear
#> 30.658 2.301
predvals <- models %>%
group_by(sex) %>%
do(predictvals(.$model[[1]], xvar = "ageYear", yvar = "heightIn"))#分开获得两种性别的预测值
ggplot(heightweight, aes(x = ageYear, y = heightIn, colour = sex)) +
geom_point() +
geom_line(data = predvals)#使用颜色区分
ggplot(heightweight, aes(x = ageYear, y = heightIn)) +
geom_point() +
geom_line(data = predvals) +
facet_grid(. ~ sex)#使用分面
#和之前一样，我们发现女性的年龄范围比男性的要更长
#因此我们传递xrange函数让两组预测线对应的x轴范围一致
predvals <- models %>%
group_by(sex) %>%
do(predictvals(
.$model[[1]],
xvar = "ageYear",
yvar = "heightIn",
xrange = range(heightweight$ageYear))#设置了整体的xrange
)
ggplot(heightweight, aes(x = ageYear, y = heightIn, colour = sex)) +
geom_point() +
geom_line(data = predvals)#好了，现在男女的x轴范围是一样的了
Q：如何向图形添加模型信息？
A：对于文本，以注解形式添加即可（annotate（））
model <- lm(heightIn ~ ageYear, heightweight)
summary(model)
Call:
lm(formula = heightIn ~ ageYear, data = heightweight)
Residuals:
Min 1Q Median 3Q Max
-8.3517 -1.9006 0.1378 1.9071 8.3371
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 37.4356 1.8281 20.48 <2e-16 ***
ageYear 1.7483 0.1329 13.15 <2e-16 ***
---
Signif. codes: 0 '***’ 0.001 '**’ 0.01 '*’ 0.05 '.’ 0.1 ' ’ 1
Residual standard error: 2.989 on 234 degrees of freedom
Multiple R-squared: 0.4249,Adjusted R-squared: 0.4225
F-statistic: 172.9 on 1 and 234 DF, p-value: < 2.2e-16
#可以看出矫正后的R方值为0.4225
#创建预测值
pred <- predictvals(model, "ageYear", "heightIn")
# 建立底图
hw_sp <- ggplot(heightweight, aes(x = ageYear, y = heightIn)) +
geom_point() +
geom_line(data = pred)
#通过annotate输入r方值
hw_sp +
annotate("text", x = 16.5, y = 52, label = "r^2=0.42")#这里是文本
#如果不想用文本想用公式，调用parse=T
hw_sp +
annotate("text", x = 16.5, y = 52, label = "r^2==0.42"，parse=T)#这里是数学公式
*ggplot中的文本不能直接以表达式对象作为输入，其参数通常是字符串，接收后通过parse（）参数将字符串转化为公式。
使用数学公式作为注解时，必须使用正确的表达式语法才能保证输出合适的对象。将其封装在expression（）函数中可以有效的查看是否可以正确的输出函数，比如在刚刚的例子中'==’才能正确的输出等号。。。。
expression(r^2 == 0.42) # 行
expression(r^2 = 0.42) # 报错，不行
#除此之外还能自动提取模型对象的值创建一个引用这些值的表达式
#使用sprintf()函数创立字符串，%.3g， %.2g替换为三位和两位有效小数
eqn <- sprintf(
"italic(y) == %.3g + %.3g * italic(x) * ',' ~~ italic(r)^2 ~ '=' ~ %.2g",
coef(model)[1],
coef(model)[2],
summary(model)$r.squared
)
eqn
> [1] "italic(y) == 37.4 + 1.75 * italic(x) * ',' ~~ italic(r)^2 ~ '=' ~ 0.42"
# 使用parse()查看是否成立
parse(text = eqn)
expression(italic(y) == 37.4 + 1.75 * italic(x) * "," ~ ~italic(r)^2 ~
"=" ~ 0.42)
#现在就可以把它添加到图片上了
hw_sp +
annotate(
"text",
x = Inf, y = -Inf,#置于图形的右下角
label = eqn, parse = TRUE,
hjust = 1.1, vjust = -.5#对位置进行上下左右的调整
)
Q：如何向散点图添加边际地毯？
A：边际地毯图实际上是一个一维的散点图，可以用于展示每个坐标轴上数据的分布情况，调用geom_rug（）函数即可。
#调用faithful函数，其记载了黄石公园一喷泉的喷水时长和等待喷水的时常
faithful
eruptions waiting
1 3.600 79
2 1.800 54
3 3.333 74
4 2.283 62
5 4.533 85
6 2.883 55
ggplot(faithful, aes(x = eruptions, y = waiting)) +
geom_point() +
geom_rug()
#这里可以看出边际地毯传递的信息比较有限，且因精度时分钟所以重叠的比较严重。
#这里可以使用jitter添加扰动并且改变size减少线宽解决这个问题
Q：如何向散点图添加标签？
A：调用annotate()函数或者geom_text()函数为一个或者几个数据点添加标签
countries#各国1960-2010的健康经济数据
Name Code Year GDP laborrate healthexp infmortality
1 Afghanistan AFG 1960 55.60700 NA NA NA
2 Afghanistan AFG 1961 55.66865 NA NA NA
3 Afghanistan AFG 1962 54.35964 NA NA NA
4 Afghanistan AFG 1963 73.19877 NA NA NA
5 Afghanistan AFG 1964 76.37303 NA NA NA
6 Afghanistan AFG 1965 94.09873 NA NA NA
#这里我们选取healthexp（健康支出）和infmortality（每1000个新生儿死亡率）数据
countries_sub <- countries %>%
filter(Year == 2009 & healthexp > 2000)#过滤2009年健康支出大于2000的国家
countries_sp <- ggplot(countries_sub, aes(x = healthexp, y = infmortality)) +
geom_point()#制作打底图
countries_sp +
annotate("text", x = 4350, y = 5.4, label = "Canada") +
annotate("text", x = 7400, y = 6.8, label = "USA")#给与坐标情况标记处加拿大和美国
#但是这样只能添加几个对象的标签，若想一次性添加所有就要使用geom_text()函数
countries_sp +
geom_text(aes(label = Name), size = 4)
#我们使用了geom_text()函数，但是很显然所有的玩意都重叠到一起了，因此使用ggrepel包的geom_text_repel函数
#或者geom_label_repel()函数
library(ggrepel)
countries_sp +
geom_text_repel(aes(label = Name), size = 3)
countries_sp +
geom_label_repel(aes(label = Name), size = 3)
*geom_text_repel()与geom_text_repel()函数对标的是全局的随机放置
*annotate()与geom_text()函数用来精准定位
#vjust=0时变迁文本的基线会与数据点对齐，调高调低可以对文本位置做上下调整
countries_sp +
geom_text(aes(label = Name), size = 3, vjust = 0)#通过vjust
#通过对y的映射增加或减小一些值得到相同的效果
countries_sp +
geom_text(aes(y = infmortality + .1, label = Name), size = 3)#通过调整y轴坐标
#hjust可以设置注解左对齐或者右对齐，左对齐hjust=0，右对齐hjust=1，由于调整hjust时系统会
#按照文本标签长度的一定比例来移动标签的位置，此时长的文本会比短文本移动更多距离，因此最后不要调整
#可以通过增加或减少x来调整位置
countries_sp +
geom_text(
aes(label = Name),
size = 3,
hjust = 0#左对齐
)
countries_sp +
geom_text(
aes(x = healthexp + 100, label = Name),#增加x调整位置
size = 3,
hjust = 0
)
#通过position_nudge()整体调整水平竖直移动情况
countries_sp +
geom_text(
aes(x = healthexp + 100, label = Name),
size = 3,
hjust = 0,
position = position_nudge(x = 100, y = -0.2)
)
*如果只想要给为数不多的几个点加标签，可以对所有数据复制一份，并将列name复制为plotname，将因子转化为字符向量
cdat <- countries %>%
filter(Year == 2009, healthexp > 2000) %>%
mutate(plotname = as.character(Name))#复制并增加与name相同的一列
countrylist <- c("Canada", "Ireland", "United Kingdom", "United States",
"New Zealand", "Iceland", "Japan", "Luxembourg", "Netherlands", "Switzerland")#我们要展示的国家
cdat <- cdat %>%
mutate(plotname = ifelse(plotname %in% countrylist, plotname, ""))
#更改增加plotname一列，即在countrylist里的国家显示名称，否则空字符串
cdat %>% dplyr::select(Name, plotname)
ggplot(cdat, aes(x = healthexp, y = infmortality)) +
geom_point() +
geom_text(aes(x = healthexp + 100, label = plotname), size = 4, hjust = 0) +
xlim(2000, 10000)
*如果还有一些个别位置需要调整，那么还有两招：
1.复制x，y轴坐标对应的列，稍加修改调整位置
2.图形输出为向量格式，再用Illustrator或者Inkscape进行编辑
Q：如何绘制气泡图，并使点的面积与变量值成正比？
A：调用geom_point()以及scale_size_area()绘制气泡图
#依旧使用countries数据集
countrylist <- c("Canada", "Ireland", "United Kingdom", "United States",
"New Zealand", "Iceland", "Japan", "Luxembourg", "Netherlands", "Switzerland")#目标国家
cdat <- countries %>%
filter(Year == 2009, Name %in% countrylist)#选取2009年目标国家信息
cdat
Name Code Year GDP laborrate healthexp infmortality
1 Canada CAN 2009 39599.04 67.8 4379.761 5.2
2 Iceland ISL 2009 37972.24 77.5 3130.391 1.7
3 Ireland IRL 2009 49737.93 63.6 4951.845 3.4
4 Japan JPN 2009 39456.44 59.5 3321.466 2.4
5 Luxembourg LUX 2009 106252.24 55.5 8182.855 2.2
6 Netherlands NLD 2009 48068.35 66.1 5163.740 3.8
7 New Zealand NZL 2009 29352.45 68.6 2633.625 4.9
8 Switzerland CHE 2009 63524.65 66.9 7140.729 4.1
9 United Kingdom GBR 2009 35163.41 62.2 3285.050 4.7
10 United States USA 2009 45744.56 65.0 7410.163 6.6
#如果仅将GDP映射到size属性上，则GDP被映射到了点的半径。只是，如果变量增加一倍，点的面积就会增加四倍
#因此我们更加希望将GDP映射到面积上，可以使用scale_size_area()
cdat_sp <- ggplot(cdat, aes(x = healthexp, y = infmortality, size = GDP)) +
geom_point(shape = 21, colour = "black", fill = "cornsilk")#只映射到半径上
cdat_sp +
scale_size_area(max_size = 15)#映射到面积上
*这里的气泡图其实只是新版本的散点图罢了。当x轴y轴都是分类变量的时候，气泡图可以表示网格点上的变量值
##使用数据集HairEyeColor包含了592个学生头发眼睛颜色的分布
# 创建一个数据框，对男性组和女性组计数求和
hec <- HairEyeColor %>%
# 转化为长格式
as_tibble() %>%
group_by(Hair, Eye) %>%
summarize(count = sum(n))
# 绘制气泡图
hec_sp <- ggplot(hec, aes(x = Eye, y = Hair)) +
geom_point(aes(size = count), shape = 21, colour = "black", fill = "cornsilk") +
scale_size_area(max_size = 20, guide = FALSE) +
geom_text(aes(
y = as.numeric(as.factor(Hair)) - sqrt(count)/34, label = count),
vjust = 1.3,
colour = "grey60",
size = 4
)
#添加红色引导点
hec_sp +
geom_point(aes(y = as.numeric(as.factor(Hair)) - sqrt(count)/34), colour = "red", size = 1)
Q：如何绘制散点矩阵图？
A：散点图矩阵是一种对多个变量两两之间的关系进行可视化的有效方法。调用R基础绘图系统中的pairs（）函数可以绘制散点图矩阵
#继续使用countries数据集
c2009 <- countries %>%
filter(Year == 2009) %>%
select(Name, GDP, laborrate, healthexp, infmortality)
c2009
Name GDP laborrate healthexp infmortality
1 Afghanistan NA 59.8 50.88597 103.2
2 Albania 3772.6047 59.5 264.60406 17.2
3 Algeria 4022.1989 58.5 267.94653 32.0
4 American Samoa NA NA NA NA
5 Andorra NA NA 3089.63589 3.1
6 Angola 4068.5757 81.3 203.80787 99.9
c2009_num <- select(c2009, -Name)
pairs(c2009_num)
*在这个过程中也可以自定义面板函数。我们定义一个panel.cor函数来展示变量两两之间的相关系数以代替默认的散点图，相关系数较大的位置将会用较大的字体展示。
panel.cor <- function(x, y, digits = 2, prefix = "", cex.cor, ...) {
usr <- par("usr")
on.exit(par(usr))
par(usr = c(0, 1, 0, 1))
r <- abs(cor(x, y, use = "complete.obs"))
txt <- format(c(r, 0.123456789), digits = digits)[1]
txt <- paste(prefix, txt, sep = "")
if (missing(cex.cor)) cex.cor <- 0.8/strwidth(txt)
text(0.5, 0.5, txt, cex = cex.cor * (1 + r) / 2)
}
#在面板对角线上展示各个变量的直方图，定义了panel.hist函数。
panel.hist <- function(x, ...) {
usr <- par("usr")
on.exit(par(usr))
par(usr = c(usr[1:2], 0, 1.5) )
h <- hist(x, plot = FALSE)
breaks <- h$breaks
nB <- length(breaks)
y <- h$counts
y <- y/max(y)
rect(breaks[-nB], 0, breaks[-1], y, col = "white", ...)
}
#绘制散点矩阵图
pairs(
c2009_num,
upper.panel = panel.cor,
diag.panel = panel.hist,
lower.panel = panel.smooth#添加了一条LOWESS回归线
)#使用LM线型回归代替LOWESS线
panel.lm <- function (x, y, col = par("col"), bg = NA, pch = par("pch"),
cex = 1, col.smooth = "black", ...) {
points(x, y, pch = pch, col = col, bg = bg, cex = cex)
abline(stats::lm(y ~ x), col = col.smooth, ...)#这里可以调整回归的参数如颜色等。
}
pairs(
c2009_num,
upper.panel = panel.cor,
diag.panel = panel.hist,
lower.panel = panel.smooth,
pch = "."#使用更小的点
)
*值得注意的是：这里没有使用ggplot2，因为它无法绘制散点图矩阵，现在GGally包已经被开发出来用来作为ggplot的拓展包，其中的ggpair（）函数可以用来绘制这种图。
这一章会探寻一些对数据分布可视化的方法
Q：如何绘制直方图？
A：运行geom_histogram()函数并映射一个连续变量到参数x
#继续使用喷泉的数据
ggplot(faithful, aes(x = waiting)) +
geom_histogram()
#如果想快速查看未包含在数据框中的数据，可以将数据框参数设为NULL
w <- faithful$waiting
ggplot(NULL, aes(x = w)) +
geom_histogram()
#默认情况下，数据将被切分为30组，此时可以通过调整组距binwidth或者调整数据的极差进行调整
#除此之外调整边框以及填充色可以看上去更加清晰明了
# 设定组距为5(每个条形跨五个单位)
ggplot(faithful, aes(x = waiting)) +
geom_histogram(binwidth = 5, fill = "white", colour = "black")
# 将x的取值切分为15份
binsize <- diff(range(faithful$waiting))/15
ggplot(faithful, aes(x = waiting)) +
geom_histogram(binwidth = binsize, fill = "white", colour = "black")
#直方图的外观会十分依赖于边界，当组距为8，分组边距分别为31，35时的情况
faithful_p <- ggplot(faithful, aes(x = waiting))
faithful_p +
geom_histogram(binwidth = 8, fill = "white", colour = "black", boundary = 31)
faithful_p +
geom_histogram(binwidth = 8, fill = "white", colour = "black", boundary = 35)
Q：对于分组数据，如何同时为每个数据组绘制直方图？
A：运行geom_histogram()函数并使用分面绘图
#使用MASS包中的birthwt数据集（低婴儿体重的风险因子）
birthwt
low age lwt race smoke ptl ht ui ftv bwt
85 0 19 182 2 0 0 0 1 0 2523
86 0 33 155 3 0 0 0 0 3 2551
87 0 20 105 1 1 0 0 0 1 2557
88 0 21 108 1 1 0 0 1 2 2594
89 0 18 107 1 1 0 0 1 0 2600
91 0 21 124 3 0 0 0 0 0 2622
92 0 22 118 1 0 0 0 0 1 2637
#基础图片
ggplot(birthwt, aes(x = bwt)) +
geom_histogram(fill = "white", colour = "black") +
facet_grid(smoke ~ .)
#修改因子水平的名称
birthwt_mod <- birthwt
birthwt_mod$smoke <- recode_factor(birthwt_mod$smoke, '0' = 'No Smoke', '1' = 'Smoke')
ggplot(birthwt_mod, aes(x = bwt)) +
geom_histogram(fill = "white", colour = "black") +
facet_grid(smoke ~ .)
#加入scales='free'可以单独设定各个分面的y轴标度（x轴时固定的）
ggplot(birthwt, aes(x = bwt)) +
geom_histogram(fill = "white", colour = "black") +
facet_grid(race ~ ., scales = "free")
#将分组变量对应在fill中，此时分组必须是因子或者时字符型向量
#一定要加上position='identity'
ggplot(birthwt_mod, aes(x = bwt, fill = smoke)) +
geom_histogram(position = "identity", alpha = 0.4)
Q：如何绘制核密度估计曲线？
A：运行geom_density()函数或者geom_line(stat='density')，并映射一个连续变量到x
https://blog.csdn.net/weixin_42141390/article/details/120423689（这是一篇介绍核密度的文章）
#使用geom_density()
ggplot(faithful, aes(x = waiting)) +
geom_density()
#使用geom_line(stat='density')
ggplot(faithful, aes(x = waiting)) +
geom_line(stat = "density") +
expand_limits(y = 0)#设定截距
#核密度曲线是基于样本数据对总体分布做出的一个估计，曲线的平滑程度取决于带宽核函数的带宽，带宽越大
#曲线越平滑。带宽可以通过adjust参数进行设置，其默认值为1。
ggplot(faithful, aes(x = waiting)) +
geom_line(stat = "density") +
geom_line(stat = "density", adjust = .25, colour = "red") +
geom_line(stat = "density", adjust = 2, colour = "blue")
#为了展示曲线更多部分，可以手动设置x轴的范围
#这里线画了蓝色多边形，再加的线
ggplot(faithful, aes(x = waiting)) +
geom_density(fill = "blue", alpha = .2, colour = NA) +
xlim(35, 105) +
geom_line(stat = "density")
*如果绘图时发现了曲线边缘被剪裁的情况，可能是因为核密度曲线过于平滑。如果宽度超过了响应的数据范围，那么它可能不是适合你数据的最好模型
#将密度曲线叠加到直方图上可以为观测值的理论分布和实际分布进行比较
#由于密度曲线独影的y轴坐标较小，如果将其叠加到未做任何变换的直方图上可能很难看清曲线。
#通过设置又..density..可以减少直方图的标度以使其与密度曲线的标度相匹配
ggplot(faithful, aes(x = waiting, y = ..density..)) +
geom_histogram(fill = "cornsilk", colour = "grey60", size = .2) +
geom_density() +
xlim(35, 105)
Q：如何基于分组数据绘制多组密度曲线？
A：使用geom_density()函数，将分组变量映射到colour或者fill属性即可。分组变量必须是因子型或者字符向量。
#依旧使用数据集birthwt
library(MASS)
birthwt_mod <- birthwt %>%
mutate(smoke = as.factor(smoke)) # 将smoke转化为一个factor
# 将变量smoke映射到colour上
ggplot(birthwt_mod, aes(x = bwt, colour = smoke)) +
geom_density()
# 将变量smoke映射到fill上，并设置alpha使它半透明
ggplot(birthwt_mod, aes(x = bwt, fill = smoke)) +
geom_density(alpha = .3)
*和我们之前介绍的一样，在我们的数据里抽烟的是1，没抽烟的是0。但是gggplot不知道这是个属性变量。因此我们要不然将其转化为因子，即在aes（）中使用factor（smoke），要不然就使用分面facet
birthwt_mod$smoke <- recode(birthwt_mod$smoke, '0' = 'No Smoke', '1' = 'Smoke')#更改因子水平的名称
ggplot(birthwt_mod, aes(x = bwt)) +
geom_density() +
facet_grid(smoke ~ .)#分面绘图
#如果想要让直方图和密度曲线一起展示，那么最好使用分面绘图，这样更加利于解释和可视化。
#还是要加上y=..density..这样会将直方图比例缩放致与密度曲线相同的高度，不会特别突兀
ggplot(birthwt_mod, aes(x = bwt, y = ..density..)) +
geom_histogram(binwidth = 200, fill = "cornsilk", colour = "grey60", size = .2) +
geom_density() +
facet_grid(smoke ~ .)
Q：如何绘制频数分布折线图？
A：使用geom_freqpoly()函数即可。
#与直方图类似，可以通过binwidth（）函数来控制折线图的组距
#或者通过设定每组组距将x轴分为特定数目的组
ggplot(faithful, aes(x = waiting)) +
geom_freqpoly(binwidth = 4)
# 将x轴分为15份
binsize <- diff(range(faithful$waiting))/15
ggplot(faithful, aes(x = waiting)) +
geom_freqpoly(binwidth = binsize)
Q：如何绘制箱型图？
A：使用geom_boxplot()函数，分别映射一个连续变量和一个离散变量到y和x即可
#依旧使用MASS包里的小孩数据集（小孩体重太低的因素，比如之前我们一直谈的小孩们妈妈抽烟）
low age lwt race smoke ptl ht ui ftv bwt
85 0 19 182 2 0 0 0 1 0 2523
86 0 33 155 3 0 0 0 0 3 2551
87 0 20 105 1 1 0 0 0 1 2557
88 0 21 108 1 1 0 0 1 2 2594
89 0 18 107 1 1 0 0 1 0 2600
91 0 21 124 3 0 0 0 0 0 2622
92 0 22 118 1 0 0 0 0 1 2637
93 0 17 103 3 0 0 0 0 1 2637
#这里的race分为1，2，3个数，分别代表1（白），2（黑），3（其他肤色）
#因为ggplot不知道要分组处理，所以同样在aes（）中加上factor(race)当作因子处理
#箱线图中的参数width可以设置箱型图的宽度
ggplot(birthwt, aes(x = factor(race), y = bwt)) +
geom_boxplot(width = .5)
#如果图中的异常值比较多的话，可以通过outlier.size和ourlier.shape参数修改点的大小形状，默认大小为2，形状为16（空心圆）
ggplot(birthwt, aes(x = factor(race), y = bwt)) +
geom_boxplot(outlier.size = 1.5, outlier.shape = 21)
*之前我们探索了一些关于箱线图的原理
箱线图是由箱和须两部分组成，箱的范围是从数据的下四分位数到上四分位数，也就是四分距IQR
IOR=25%分位-75%分位
箱中间的线是中位数，也就是50%分位数
须是箱边缘超过1.5IQR的点，超过这个点的数据点就是异常值，也就是outlier，并且画上点
这个图就展示了一个偏态数据集直方图，密度曲线和箱型图之间的关系。
#要绘制单组数据的宣布废墟部分人员，必须给x参数设定一个只，否则就不知道对应的x轴坐标
ggplot(birthwt, aes(x = 1, y = bwt)) +
geom_boxplot() +
scale_x_continuous(breaks = NULL) +#移除刻度标记
theme(axis.title.x = element_blank())#移出标签
Q：如何向箱线图添加槽口notch以判断各组数据的中位数是否存在差异？
A：使用geom_boxplot(),并且设置参数notch=T
箱型图中的槽口可以用来帮助判断不同分布的中位数是否有差异。如果槽口互不重叠那么中位数就有差异啦
library(MASS) # 依旧是熟悉的birthwt数据集
ggplot(birthwt, aes(x = factor(race), y = bwt)) +
geom_boxplot(notch = TRUE)
#然后他就报错啦
#notch went outside hinges. Try setting notch=FALSE.
#这是因为置信域即槽口的上边界超过了箱体，但是没有什么毛病图还是可以用的惹
Q：如何向箱型图添加均值？
A：箱型图的均值一般是添加小钻石解决，使用stat_summary()函数添加你的钻石8
ggplot(birthwt, aes(x = factor(race), y = bwt)) +
geom_boxplot() +
stat_summary(fun = "mean", geom = "point", shape = 23, size = 3, fill = "white")
#设置size=3让点大一点并且填充白色
*对于正态分布数据，均值和中位数几乎一样，但是偏态分布就会不一样~~
Q：如何绘制小提琴图以对各组数据的密度估计进行比较？
A：使用geom_violin()函数即可
小提琴图是一种用来对多个数据分布进行比较的方法.使用普通的密度曲线来对数个分布进行比较往往有一定困难，因为图中的线条会彼此干扰。而小提琴图是竖直分布的，所以会比较容易。
小提琴图也是核密度估计，但是画图时让他呈现镜像，让他的形状对称。
#回到身高体重数据集
#1.基础小提琴图
hw_p <- ggplot(heightweight, aes(x = sex, y = heightIn))
hw_p + geom_violin()
#2.加了箱线图的小提琴图
hw_p +
geom_violin() +
geom_boxplot(width = .1, fill = "black", outlier.colour = NA) +#设置箱线图
stat_summary(fun= median, geom = "point", fill = "white", shape = 21, size = 2.5)#为中位数加上白色点
#3.保留小提琴的尾部
#小提琴图的坐标范围时数据的最小值到最大值，扁平的尾部在这两个位置处截断。
#使用trim=F保留小提琴的尾部
hw_p + geom_violin(trim = FALSE)
#4.使小提琴的区域面积与每组观测值数目成正比
#使用scale='count'
hw_p + geom_violin(scale = "count")
#5.使用adjust参数调整小提琴图的平滑度，默认值为1
hw_p + geom_violin(adjust = 2) #设定adjust=2平滑一点
hw_p + geom_violin(adjust = .5)#设定adjust=0.5曲折一点
Q：如何绘制wilkinson点图以显示所有的数据点？
A：使用geom_dotplot()函数。
这种点图也叫做Wilkinson点图。在这种图中点的分组和排列取决于数据。每个点的宽度对应了最大组距。系统默认最大组距是数据范围的1/30，可以通过binwidth进行调整。
geom_dotplot（）函数沿着x轴方向对数据进行分组，并在y轴方向上对点进行堆叠。
library(dplyr)
c2009 <- countries %>% filter(Year == 2009 & healthexp > 2000)#挑选出2009年健康支出超过2000的国家
c2009_p <- ggplot(c2009, aes(x = infmortality))#建立一个底图，x轴使1000个婴儿的死亡率
#1.基础点图
c2009_p + geom_dotplot()
#2.移出y轴坐标，并使用边际地毯
c2009_p +
geom_dotplot(binwidth = .25) +
geom_rug() +
scale_y_continuous(breaks = NULL) + # 移出可刻度线
theme(axis.title.y = element_blank()) #移出y轴标签
#2.数据堆在水平方向上是不规则分布的，为了使他以固定的间距有规则分组，使method='histodot'
c2009_p +
geom_dotplot(method = "histodot", binwidth = .25) +
geom_rug() +
scale_y_continuous(breaks = NULL) +
theme(axis.title.y = element_blank())
#3.点图以一种奇数和偶数数量保持一致的中心堆叠方式
#设置stackdir='center'/stackdir='centerwhole'
c2009_p +
geom_dotplot(binwidth = .25, stackdir = "center") +
scale_y_continuous(breaks = NULL) +
theme(axis.title.y = element_blank())
c2009_p +
geom_dotplot(binwidth = .25, stackdir = "centerwhole") +
scale_y_continuous(breaks = NULL) +
theme(axis.title.y = element_blank())
https://www.cs.uic.edu/~wilkinson/Publications/dotplots.pdf书中的参考文献
Q：如何基于分组数据绘制多个点图？
A：设定binaxia='y'将数据点沿着y轴堆叠，并按照x轴对他们进行分组
##binaxis='y'
library(gcookbook)
ggplot(heightweight, aes(x = sex, y = heightIn)) +
geom_dotplot(binaxis = "y", binwidth = .5, stackdir = "center")
##将点图叠加在箱型图上（数据点变空心，隐去箱型图的outliers）
ggplot(heightweight, aes(x = sex, y = heightIn)) +
geom_boxplot(outlier.colour = NA, width = .4) +#隐去outliers
geom_dotplot(binaxis = "y", binwidth = .5, stackdir = "center", fill = NA)#加上点图
##将点图置于箱型图的旁边（一般是左边）
ggplot(heightweight, aes(x = sex, y = heightIn)) +
geom_boxplot(aes(x = as.numeric(sex) + .2, group = sex), width = .25) +#对两个箱线图操作
#这里将x变量视为数值型变量并加减一个小的数值实现箱型的左右移动，这必须指定group，否则会只绘制一个箱线图
geom_dotplot(
aes(x = as.numeric(sex) - .2, group = sex),#这里对点图也进行操作
binaxis = "y",
binwidth = .5,
stackdir = "center"
) +
scale_x_continuous(
breaks = 1:nlevels(heightweight$sex),#设置x轴的刻度
labels = levels(heightweight$sex)#设置x轴的标签
)
Q：如何绘制二维数据的密度图？
A：使用stat_density2d()函数实现。该函数给出一个基于数据的二维核密度估计。
二维核密度估计类似于stat_density()函数生成的一维密度核估计。系统默认使用等高线或者瓦片图将密度映射到填充色或者瓦片图的透明度
#制作底图
faithful_p <- ggplot(faithful, aes(x = eruptions, y = waiting))
#等高线图
faithful_p + geom_point() + stat_density2d()
#使用..level..将密度曲面高度映射到等高线颜色
faithful_p + stat_density2d(aes(colour = ..level..))
#将密度估计映射到填充色
faithful_p +
stat_density2d(aes(fill = ..density..), geom = "raster", contour = FALSE)
#带数据点并将密度估计映射到透明度的瓦片图
faithful_p +
geom_point() +
stat_density2d(aes(alpha = ..density..), geom = "tile", contour = FALSE)
与一维密度估计一样，可以对估计的带宽进行控制。传递一个指定x和y带宽的向量到h，这个参数会被传递给实际生成密度估计的函数kde2d().在本例中，我们将在x，y轴方向上生成一个更小的带宽，以使密度估计对数据的拟合程度更高。
faithful_p +
stat_density2d(
aes(fill = ..density..),
geom = "raster",
contour = FALSE,
h = c(.5, 5)
)
联系客服
