R統計繪圖（1）： ggplot2入門指南

前言

ggplot2是R語言最流行的第三方擴展包，是RStudio首席科學家Hadley Wickham讀博期間的做品，是R相比其餘語言一個獨領風騷的特色。包名中「gg」是grammar of graphics的簡稱，是一套優雅的繪圖語法。Wickham Hadley將這套語法詮釋以下：

一張統計圖形就是從數據到幾何對象（geometric object，縮寫geom）的圖形屬性（aesthetic attribute，縮寫aes）的一個映射。此外，圖形中還可能包含數據的統計變換（statistical transformation，縮寫stats），最後繪製在某個特定的座標系（coordinate system，縮寫coord）中，而分面（facet）則能夠用來生成數據不一樣子集的圖形。

這個解釋讀起來仍是有點抽象。咱們舉個具體的例子來解讀這個概念。假設如今咱們要對一批連續取值的數據繪製直方圖。首先，要定義清楚須要幾個分組或者每一個分組的區間，根據分組定義統計落在這個分組裏的個數，這個步驟就是把data變爲stats。而後，須要選定表達數據的幾何對象，這個例子選用的是條塊bar，這個步驟就是選geom。geom有一堆屬性須要設定，好比x、y、顏色等，稱爲aes，哪一個aes由哪一個stats指定，須要指定一個映射關係mapping，即指定誰對誰。知道誰對誰後，還須要知道怎麼個對法，須要由scale決定，好比stats的color字段取值爲1應該對到什麼顏色上，取值爲2應該對到什麼顏色上。這些完成了之後，統計圖形的主體部分就成形了，可是假如咱們但願在直方圖上，再畫一個機率密度曲線圖，怎麼辦？ggplot2的思想很是精妙，把上面的主體部分稱爲一個圖層layer，一個統計圖形能夠擁有多個圖層，每一個圖層疊加起來造成咱們要的效果。接下來，再選定一個座標系統coord，一張統計圖形plot就作好了。假如咱們有多組數據，每組數據都要按照相同的方法畫一張圖，每張圖重複敲代碼很繁瑣，就可使用分面facet快速繪製多張統計圖形。這個過程用圖形總結以下：

咱們能夠看到ggplot2相比其餘繪圖系統的幾個特性：

• 標準化：任何一個統計圖形遵循相同的繪圖流程，因此語法高度統一；

• 面向數據：上面的繪圖流程只與數據有關，與數據無關的繪圖細節封裝在單獨的theme()方法裏，數據相關繪圖與數據無關繪圖分離；

這兩大特性解放了數據分析師的思惟，作到繪圖時所思即所見，很是優雅高效。下面咱們來逐步剖析每一個元素的內容。

數據

ggplot2接受的輸入數據通常是data.frame，這是一個表格型結構，每一行是一個觀測（observation），每一列是一個變量（variable）。R語言內置了許多著名的數據集，本文選取其中的iris進行講解。iris中文名是鳶尾花，有四個屬性，分別是Sepal.Length（花萼長度），Sepal.Width（花萼寬度），Petal.Length（花瓣長度），Petal.Width（花瓣寬度），以及一個類別標籤Species。我在網上找了一個圖片，作個標註，方便朋友理解。

咱們可使用str()查看數據集的結構，用summary()對每個變量進行統計。

str(iris)

summary(iris)

Hadley對data.frame提出了一個是否tidy的概念，抽象來說就是一個變量必須有本身獨立的一列，一個觀測必須有本身獨立的一行，每一個取值必須有本身獨立的一個單元格。爲了便於理解，咱們從R for Data Science這本書截取出這個圖進行解釋：

左邊的數據是tidy的，右邊的數據是不tidy的，經過另外一個包tidyr能夠輕鬆完成兩者的轉換。ggplot2的數據要求是tidy的。

統計圖形基本要素

幾何對象geom

幾何對象，說的直觀一些，就是你選擇什麼幾何圖形來表示這組數據。ggplot2提供了衆多幾何對象geom_xyz()供你們選擇。舉兩個常見的例子，geom_point()用於表示兩個連續變量之間的關係，幾何形狀是點；geom_bar()用於表示x軸爲離散變量，y軸爲連續連續變量之間的關係，幾何形狀是條塊。完整的幾何對象請下載RStudio公司總結的ggplot2 cheetsheet。

幾何對象須要解決一個問題，即相同數據的幾何對象位置相同，是放在一個位置相互覆蓋仍是用別的排列方式。ggplot2的幾何對象有一個position選項，用於指定如何在空間內佈置相同取值的集合對象。dodge爲並排模式；fill爲堆疊模式，並歸一化爲相同的高度；stack爲純粹的堆疊模式；jitter會在X和Y兩個方向增長隨機的擾動來防止對象之間的覆蓋。

統計變換stats

在ggplot2裏，幾何對象與統計變換每每是一一對應的。每一個統計變換須要經過一個幾何對象來展示；每一個幾何對象的展示依賴統計變換的結果。舉個簡單例子，如下兩行代碼的效果是同樣的：

ggplot(iris) + geom_bar(aes(x=Sepal.Length), stat="bin", binwidth = 3)
ggplot(iris) + stat_bin(aes(x=Sepal.Length), geom="bar", binwidth = 3)

圖形屬性aes

每一個幾何對象都有本身的屬性，這些屬性的取值須要經過數據提供。數據與圖形屬性之間的映射關係稱爲mapping，在ggplot2中用aes()進行定義。常見的圖形屬性有：x，y，size，color，group。圖形屬性的任意一項均可以用數據的某一個變量來表示。

標尺scale

前面提到aes()設定了數據與圖形屬性的映射關係，可是數據怎麼映射爲屬性，這就是標尺（Scales）的功能。對於任何一個圖形屬性，如x，y，alpha，color，fill，linetype，shape，size，ggplot2都提供如下四種標尺：

• scale_*_continuous()：將數據的連續取值映射爲圖形屬性的取值

• scale_*_discrete()：將數據的離散取值映射爲圖形屬性的取值

• scale_*_identity()：使用數據的值做爲圖形屬性的取值

• scale_*_mannual()：將數據的離散取值做爲手工指定的圖形屬性的取值

舉個例子

group_iris <- iris %>% group_by(Species) %>% dplyr::summarise(avg_sepal_length=mean(Sepal.Length))
str(group_iris)
p <- ggplot(group_iris) + geom_bar(aes(x=Species, weight=avg_sepal_length, fill=Species))
p

p + scale_fill_manual(
  values = c("skyblue", "royalblue", "navy"), # mannual類scale特有的選項，指定圖形屬性的取值範圍
  limits = c("setosa", "versicolor", "virginica"), # 數據的取值範圍
  breaks = c("setosa", "versicolor", "virginica"), # 圖例和軸要顯示的分段點
  name = "Species",  # 圖例和軸使用的名稱
  labels = c("set", "ver", "vir")  # 圖例使用的標籤
)

除了上述四大類通用的標尺，特定的圖形屬性還有一些專門的標尺類型。對於x和y類圖形屬性，有以下幾種特殊的標尺：

• scale_x_date(labels=date_format("%m/%d"), breaks=date_breaks("2 weeks"))

• scale_x_datetime()

• scale_x_log10()

• scale_x_reverse()

• scale_x_sqrt()

對於color和fill類的圖形屬性，有以下幾類特殊標尺：

• scale_fill_brewer(palette="Blues")：根據調色盤生成顏色標尺，可用的調色盤能夠經過RColorBrewer::display.brewer.all()命令查看；對於具體的一個調色盤，能夠經過RColorBrewer::brewer.pal(n=4, name="Blues")查看具體某個名字調色盤的n個配色值。

• `scale_fill_grey(start=0.2, end=0.8, na.value="red")：灰度標尺

• scale_fill_gradient(low="red", high="yellow")：雙色漸變標尺

• scale_fill_gradient2(low="red", high="blue", mid="white", midpoint=25)：三色漸變標尺

• scale_fill_gradientn(colours=terrain.colors(6))：n色漸標尺，其餘的調色盤有rainbow()，heat.colors()，topo.colors()，cm.colors()以及RColorBrewer包的調色盤。

對於shape類的圖形屬性，咱們能夠手工指定形狀：scale_shape_manual(values=c(3:7)。每一個形狀用數字表示，根據下圖能夠選擇本身須要的形狀。

圖層layer

ggplot2的繪圖過程有點像Photoshop，有一個圖層的理念，每一個圖層能夠有本身的圖形對象和圖形屬性，經過+將不一樣圖層疊加起來生成最後的統計圖形。若是將數據定義在ggplot()中，那麼全部圖層均可以共用這個數據；若是將數據定義在geom_xyz()中，那麼這個數據就只供這個幾何對象使用。

座標系coord

ggplot2默認的座標系是笛卡爾座標系，能夠用以下方法指定取值範圍：coord_cartesian(xlim=c(0,5), ylim=c(0,3))。若是想要讓x軸和y軸換位置，好比將柱形圖換成條形圖，可使用coord_flip()函數。coord_polar(theta="x", direction=1)是角度座標系,theta指定角度對應的變量，start指定起點離12點鐘方向的偏離值，direction若爲1表示順時針方向，若爲-1表示逆時針方向。

掌握了數據、幾何對象、圖形屬性、圖層和座標系的概念後，咱們就能夠開始繪製常見的統計圖形了。

練習

Kaggle數據挖掘競賽裏有一個經典的探索性分析例子，對iris數據集進行了各類形式的可視化，幫助人經過直觀的圖形更深地理解特徵與label的關係。Kaggle官網給出了Python版本的實現。本節用R對該notebook的代碼進行重現。

library(ggplot2)

# Make scatter plot of Sepal.Length and Sepal.Width
p.scatter <- ggplot(iris) + geom_point(aes(x=Sepal.Length, y=Sepal.Width))
p.scatter

# One piece of information missing in the plots above is what species each plant is
p.scatter <- ggplot(iris) + geom_point(aes(x=Sepal.Length, y=Sepal.Width, color=Species))
p.scatter

# Boxplot to explore numeric variable
p.box <- ggplot(iris) + geom_boxplot(aes(x=Species, y=Petal.Length))
p.box

# One way we can extend this plot is adding a layer of individual points on top of it
p.box.jitter <- p.box + geom_jitter(aes(x=Species, y=Petal.Length))
p.box.jitter

# A violin plot combines the benefits of the previous two plots and simplifies them
# Denser regions of the data are fatter, and sparser thiner in a violin plot
p.violin <- ggplot(iris) + geom_violin(aes(x=Species, y=Petal.Length))
p.violin

# A final plot useful for looking at univariate relations is the kdeplot,
p.density <- ggplot(iris) + geom_density(aes(x=Petal.Length, colour=Species)) 
p.density

分面

分面，就是分組繪圖，根據定義的規則，將數據分爲多個子集，每一個子集按照統一的規則單獨製圖，排布在一個頁面上。ggplot2提供兩種分面模式：facet_grid()和facet_wrap()。

咱們先來看一下facet_grid()的效果。

library(tidyr)
library(dplyr)
# 將數據變爲tidy的
tidy_iris <- iris %>% 
  gather(feature_name, feature_value, one_of(c("Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width")))

p.box.facet <- ggplot(tidy_iris) + geom_boxplot(aes(x=Species, y=feature_value)) + facet_grid(feature_name~Species)
p.box.facet

能夠看到facet_grid()是一個二維的矩形佈局，每一個子集的位置由行位置變量~列位置變量的決定，在上面的例子中就是每個Species的取值做爲一行，每個feature_name的取值做爲一列。

再來看一下facet_wrap()的效果。

p.box.facet <- ggplot(tidy_iris) + geom_boxplot(aes(x=Species, y=feature_value)) + facet_wrap(~feature_name+Species, scales="free")
p.box.facet

facet_wrap()生成一個動態調整的一維佈局，根據~位置變量1+位置變量2+...來肯定每一個子集的位置，先逐行排列，放不下了移動到下一行。scales="free"讓每一個子圖的座標系適合本身的數據，便於在有限的空間裏充分展現子圖的細節，但也失去了不一樣子圖之間比較的做用，須要謹慎使用。

題外話：複雜佈局

分面的特色是能夠快速生成多個子圖，每一個子圖的生成方式是同樣的，所以只須要指定分組的規則便可。可是有時候咱們但願繪製多個子圖，每一個子圖的生成方法卻不同，這個時候分面就不起做用了，須要使用grid包提供的佈局功能。下面咱們用ggplot2和grid的佈局實現一個較爲複雜的統計圖形效果：

library(grid)
# Show bivariate scatter plot and univariate histogram
p.hist.len <- ggplot(iris) + geom_histogram(aes(x=Sepal.Length))
p.hist.wid <- ggplot(iris) + geom_histogram(aes(x=Sepal.Width)) + coord_flip()
grid.newpage()
pushViewport(viewport(layout = grid.layout(3, 3)))
print(p.scatter, vp=viewport(layout.pos.row=2:3, layout.pos.col=1:2))
print(p.hist.len, vp=viewport(layout.pos.row=1, layout.pos.col=1:2))
print(p.hist.wid, vp=viewport(layout.pos.row=2:3, layout.pos.col=3))

在作數據分析時，咱們常常須要觀察變量自身與變量之間的兩兩關係。這個過程當中須要繪製大量的圖表，且每一個業務的數據分析都須要這麼作，所以算是一種重複性比較大的工做。咱們可使用GGally包來快速完成這個探索性分析的任務。

library(GGally)
# Another useful seaborn plot is the pairplot, which shows the bivariate relation
# between each pair of features
# 
# From the pairplot, we'll see that the Iris-setosa species is separataed from the other
# two across all feature combinations

ggpairs(iris, aes(colour=Species), alpha=0.4) # R could be better!!

題外話：其餘練習

Kaggle數據挖掘競賽剩下的例子是繪製Parallel coordinate graph、Andrews Curve、radviz，前兩個的實現參考以下，最後一個暫時沒找到對應的方法。

# Parallel coordinate graph & Andrews Curve
# 修改自：http://cos.name/2009/03/parallel-coordinates-and-andrews-curve/
# 輪廓圖的思想很是簡單、直觀，它是在橫座標上取n個點，依次表示各個指標(即變量)；橫座標上則對應各個指標的值(或者通過標準化變換後的值)，而後將每一組數據對應的點依次鏈接便可
# 調和曲線圖的思想和傅立葉變換十分類似：
# 根據三角變換方法將 n 維空間的點映射到二維平面上的曲線上，其中x取值範圍爲[-pi,pi]。

# Another multivariate visualization technique pandas has is parallel_coordinates
# Parallel coordinates plots each feature on a separate column & then draws lines
# connecting the features for each data sample

p.paral <- ggplot(cbind(iris %>% gather(feature_name, feature_value, one_of(c("Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width"))), id=1:nrow(iris))) + geom_line(aes(x=feature_name, y=feature_value, group=id, colour=Species))
p.paral

# One cool more sophisticated technique pandas has available is called Andrews Curves
# Andrews Curves involve using attributes of samples as coefficients for Fourier series
# and then plotting these
andrews_curve <- function(data, x_col, y_col, step=pi/30){
  x = as.matrix(data[, x_col])
  t = seq(-pi, pi, pi/30)
  m = nrow(x)
  n = ncol(x)
  f = matrix(0, m, length(t))
  for(i in 1:m) {
    f[i,] = x[i,1]/sqrt(2)
    for(j in 2:n) {
      if (j%%2 == 0)
        f[i, ] = f[i, ] + x[i, j] * sin(j/2 * t)
      else f[i, ] = f[i, ] + x[i, j] * cos(j%/%2 * t)
    }
  }
  colnames(f) <- t
  label <- data[, y_col]
  id <- c(1:nrow(f))
  res <- cbind(as.data.frame(f), label, id)  %>%
    gather(x, y, -label, -id, convert = TRUE)
}

iris.andrew <- andrews_curve(iris, x_col=c("Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width"), y_col="Species")
p.andrew <- ggplot(iris.andrew) + geom_line(aes(x, y, group=id, color=label))
p.andrew

# A final multivariate visualization technique pandas has is radviz
# Which puts each feature as a point on a 2D plane, and then simulates
# having each sample attached to those points through a spring weighted
# by the relative value for that feature

# 暫時沒能力實現

其餘元素

主題

全部與數據不相關的圖形控制細節都放在theme()這個函數裏。ggplot2內置了一些常見的主題：theme_bw()，theme_classic()，theme_grey()，theme_minimal()。若是須要更多的主題能夠安裝ggthemes包，也能夠自定義主題。

圖例

ggplot2能夠設定圖例的位置：theme(legend.position="bottom")，其餘選項有top、left和right。

每一個圖形屬性都會有一個圖例，圖例的類型共有三種：colorbar爲顏色條，適合連續變量；legend爲鍵值對，適合有限取值的變量；none，將一個圖形屬性的圖例設置爲none，則不顯示這個圖形屬性的圖例。

標籤

經常使用的繪圖標籤有：

• ggtitle("New Plot Title")：指定圖形名稱

• xlab("New X label")：指定x軸標籤

• ylab("New Y label")：指定y軸標籤

• 圖例標籤須要使用scale_*()的name和labels選項進行指定

關於做者：丹追兵，數據分析師一枚，編程語言python和R，使用Spark、Hadoop、Storm、ODPS。本文出自丹追兵的pytrafficR專欄，轉載請註明做者與出處：https://segmentfault.com/blog...