使用 ggplot2 在 R 中绘制散点图（附示例）

为什么图表在数据分析中如此重要

图表是数据分析过程的第三部分。第一部分是关于 数据示例tracTION第二部分涉及 清理和处理数据最后，数据科学家可能需要 以图表的方式传达他的结果.

下图总结了数据科学家的工作流程。

• 数据科学家的首要任务是确定研究问题。该研究问题取决于项目的目的和目标。
• 之后，最突出的任务之一就是特征工程。数据科学家需要收集、操作和清理数据
• 当这个步骤完成后，他就可以开始探索数据集了。有时，需要根据新的发现来完善和改变原来的假设。

• 当。。。的时候 解释性的 分析完成后，数据科学家必须考虑读者的 理解底层概念和模型.
• 他的结果应该以所有利益相关者都能理解的格式呈现。最好的方法之一是 通信 结果是通过 图形.
• 图表是简化复杂分析的绝佳工具。

本教程的其余部分将使用 ggplot2 包构建这些图表。

ggplot2 包

本教程重点介绍如何使用 ggplot2 在 R 中构建图表。

在本教程中，您将使用 ggplot2 包。该包实现了 Leland Wilkinson 于 2005 年提出的图形语法。ggplot2 非常灵活，自带多种主题，并允许您在极高的层次上指定绘图参数。trac请注意，它不会生成三维或交互式图形；这些需要 plotly 或 rgl 等软件包。

在 ggplot2 中，图形由以下参数组成：

• data
• 美学地图ping
• 几何对象
• 统计变换
• 秤
• 坐标系
• 职位调整
• 刻面

您将在本教程中学习如何控制这些参数。

ggplot2的基本语法是：

ggplot(data, mapping=aes()) +
geometric object 

arguments: 
data: Dataset used to plot the graph
mapping: Control the x and y-axis 
geometric object: The type of plot you want to show. The most common object are:
 
- Point: `geom_point()` 
- Bar: `geom_bar()`
- Line: `geom_line()` 
- Histogram: `geom_histogram()`

如何在 R 语言中创建散点图

让我们看看 ggplot 如何与 mtcars 数据集配合使用。首先绘制 mpg 变量和 drat 变量的散点图。

基本散点图

library(ggplot2)
ggplot(mtcars, aes(x = drat, y = mpg)) +
    geom_point()

Code 说明

• 首先将数据集 mtcars 传递给 ggplot。
• 在 aes() 参数中，添加 x 轴和 y 轴。
• + 号表示您希望 R 继续阅读代码。通过拆分代码，可以提高代码的可读性。
• 使用 geom_point() 获取几何对象。

输出：

带组的散点图

有时，用一组数据（即因子级数据）来区分值可能会很有趣。

ggplot(mtcars, aes(x = mpg, y = drat)) +
    geom_point(aes(color = factor(gear)))

Code 说明

• geom_point() 函数内部的 aes() 函数控制每个组的颜色。ping 变量必须是因子，因此 gear 被包装在 factor() 中。
• 总之，您有代码 aes(color = factor(gear)) 来改变点的颜色。

输出：

使用对数变换更改坐标轴刻度

数据重新调整是分析师工作的重要组成部分，因为原始变量很少呈现标准的钟形曲线。取对数是压缩极端值并降低图表对异常值敏感性的一种方法。

ggplot(mtcars, aes(x = log(mpg), y = log(drat))) +
    geom_point(aes(color = factor(gear)))

Code 说明

• 您可以在 aes() 映射中直接使用 log() 转换 x 和 y 变量。ping.

请注意，可以应用任何其他转换，例如标准化或规范化。

输出：

带拟合值的散点图

您可以向图表中添加另一层信息。您可以将拟合值叠加到图表上。 线性回归.

my_graph <- ggplot(mtcars, aes(x = log(mpg), y = log(drat))) +
    geom_point(aes(color = factor(gear))) +
    stat_smooth(method = "lm",
        col = "#C42126",
        se = FALSE,
        size = 1)
my_graph

Code 说明

• my_graph：图表存储在 my_graph 对象中，因此后续步骤可以添加图层而无需重复整个调用。
• 参数 stat_smooth() 控制平滑方法
• 方法 = “lm”：线性回归
• col = “#C42126”: Code 这条线的红色
• se = FALSE：不显示标准错误
• size = 1：线条的粗细。在 ggplot2 3.4.0 及更高版本中，此参数已重命名为线条几何形状的 linewidth。

输出：

请注意，还有其他平滑方法可用

• m
• GAM
• loess：观测值少于 1,000 个时的默认方法
• rlm：稳健线性模型，来自 MASS 包

在设置图表样式之前，有必要了解散点图何时才是正确的选择。

散点图 vs 折线图 vs BubblR 中的图表

这三幅图都是绘制两个连续变量之间的关系，所以最终的选择取决于读者应该从中获得什么信息。

当 x 轴没有自然顺序时，用直线连接散点是一个常见的错误：它暗示了一个并不存在的序列。`geom_line()` 函数应该仅用于日期等有序轴。对于单个变量的分布，请使用其他方法。 箱形图 代替。

向图表添加信息

目前这些图表没有任何文字说明。读者应该能够仅从图表数据中理解其含义，而无需查阅其他文档，这意味着图表需要清晰的标签。您可以使用 labs() 函数添加标签。

labs() 函数的基本语法是：

labs(title = "Hello Guru99")
arguments:
- title: Main title displayed above the plot
- subtitle: Secondary line below the title
- caption: Note below the plot, usually the data source
- x: Rename the x-axis
- y: Rename the y-axis
- color / fill: Rename the legend

Example: labs(title = "Hello Guru99", subtitle = "My first plot")

添加标题

必须添加的信息显然是标题。

my_graph +
    labs(
        title = "Plot Mile per hours and drat, in log"
         )

Code 说明

• my_graph：使用您存储的图表。这样可以避免每次向图表添加新信息时重写所有代码。
• 将标题放在 labs() 函数中。

输出：

添加具有动态名称的标题

动态标题有助于在标题中添加更精确的信息。

您可以使用 paste() 函数打印静态文本和动态文本。paste() 的基本语法是：

paste("This is a text", A)
arguments
- " ": Text inside the quotation marks are the static text
- A: Display the variable stored in A
- Note you can add as much static text and variable as you want. You need to separate them with a comma	

计费示例：

A <- 2010
paste("The first year is", A)

输出：

## [1] "The first year is 2010"

B <- 2018
paste("The first year is", A, "and the last year is", B)

输出：

## [1] "The first year is 2010 and the last year is 2018"

您可以为我们的图表添加一个动态名称，即mpg的平均值。

mean_mpg <- mean(mtcars$mpg)
my_graph + labs(
    title = paste("Plot Mile per hours and drat, in log. Average mpg is", mean_mpg)
)

Code 说明

• 你可以使用存储在 mean_mpg 变量中的 mean(mtcars$mpg) 创建 mpg 的平均值
• 您可以使用 paste() 和 mean_mpg 来创建一个动态标题，返回 mpg 的平均值

输出：

添加字幕

还有两个细节能让图表更清晰易懂。你指的是副标题和图注。副标题位于标题下方。图注可以说明计算者是谁以及数据来源。

my_graph +
    labs(
        title =
        "Relation between Mile per hours and drat",
        subtitle =
        "Relationship break down by gear class",
        caption = "Authors own computation"
    )

Code 说明

• 在 labs() 函数内部，你添加了：
  • title = “每小时英里和 drat 之间的关系”: 添加标题
  • subtitle = “按装备等级划分关系”：添加副标题
  • caption = “作者自己的计算：添加标题
  • 用逗号分隔每个新信息，,
• 请注意，请拆分代码行。这不是强制性的，它只会帮助更轻松地阅读代码

输出：

重命名 x 轴和 y 轴

列名很少能直接用于图表展示。它们通常被缩写或使用下划线分隔单词，例如 GDP_CAP。请在图表中重命名列名，并在需要的地方添加单位。

my_graph +
    labs(
        x = "Drat definition",
        y = "Mile per hours",
        color = "Gear",
        title = "Relation between Mile per hours and drat",
        subtitle = "Relationship break down by gear class",
        caption = "Authors own computation"
    )

Code 说明

• 在 labs() 函数内部，你添加了：
  • x = “Drat definition”：更改 x 轴的名称
  • y =“英里每小时”：更改 y 轴的名称

输出：

控制规模

您可以控制轴的比例。

当你需要创建一个数字序列时，函数 seq() 很方便。基本语法是：

seq(begin, last, by = x)
arguments:
- begin: First number of the sequence
- last: Last number of the sequence
- by= x: The step. For instance, if x is 2, the code adds 2 to `begin-1` until it reaches `last`	

例如，范围从 0 到 12，步长为 4，返回四个数字：0、4、8 和 12。

seq(0, 12,4)

输出：

## [1]  0  4  8 12

您可以按如下方式控制 x 轴和 y 轴的比例

my_graph +
    scale_x_continuous(breaks = seq(1, 3.6, by = 0.2)) +
    scale_y_continuous(breaks = seq(1, 1.6, by = 0.1)) +
    labs(
        x = "Drat definition",
        y = "Mile per hours",
        color = "Gear",
        title = "Relation between Mile per hours and drat",
        subtitle = "Relationship break down by gear class",
        caption = "Authors own computation"
    )

Code 说明

• 函数 scale_y_continuous() 控制 y轴
• 函数 scale_x_continuous() 控制 x轴.
• 参数 breaks 控制轴的分割，可以手动添加数字序列，也可以使用 seq() 函数：
  • seq(1, 3.6, by = 0.2): 创建从 1 到 3.6 的序列，步长为 0.2，即 14 个断点。
  • seq(1, 1.6, by = 0.1): 从 1 到 1.6，以 0.1 为步长，生成七个数字。

输出：

主题

最后，ggplot2 允许您使用单个主题函数重新设置整个图表的样式。该软件包自带八个完整的主题：

• theme_bw（）
• theme_light（）
• theme_classic()
• 主题_线条绘制()
• 主题暗（）
• 主题最小()
• 主题灰色()
• theme_void（）

my_graph +
    theme_dark() +
    labs(
        x = "Drat definition, in log",
        y = "Mile per hours, in log",
        color = "Gear",
        title = "Relation between Mile per hours and drat",
        subtitle = "Relationship break down by gear class",
        caption = "Authors own computation"
    )

输出：

保存地块

完成以上步骤后，就可以保存并分享你的图表了。绘图完成后立即调用 `ggsave(“文件名.png”)`，图像就会写入磁盘。

图表保存在工作目录中。要检查工作目录，可以运行以下代码：

directory <- getwd()
directory

绘制完成的图表，保存，然后检查结果：

my_graph +
    theme_dark() +
    labs(
        x = "Drat definition, in log",
        y = "Mile per hours, in log",
        color = "Gear",
        title = "Relation between Mile per hours and drat",
        subtitle = "Relationship break down by gear class",
        caption = "Authors own computation"
    )

输出：

ggsave("my_fantastic_plot.png")

输出：

## Saving 5 x 4 in image

注意：：仅出于教学目的，我们创建了一个名为 open_folder() 的函数来为您打开目录文件夹。您只需运行下面的代码并查看图片存储的位置。您应该看到一个名为 my_fantastic_plot.png 的文件。

# Run this code to create the function
open_folder <- function(dir) {
    if (.Platform['OS.type'] == "windows") {
        shell.exec(dir)
    } else {
        system(paste(Sys.getenv("R_BROWSER"), dir))
    }
}

# Call the function to open the folder
open_folder(directory)

如何在 R 中使用 facet_wrap() 创建分面散点图

分面是前面列出的八个 ggplot2 组件之一，也是解决图表拥挤问题的最简洁方案。ggplot2 不会将所有分组挤进一个面板，而是为每个变量的每个级别绘制多个小面板，所有面板都使用相同的比例尺，从而保证各个面板之间的可比性。

# One panel per gear count
ggplot(mtcars, aes(x = drat, y = mpg)) +
    geom_point() +
    facet_wrap(~ gear) +
    theme_classic()

三个论点就能说明大部分问题。

• 恩科尔 or 行:强制面板采用给定的布局，例如 facet_wrap(~ gear, ncol = 2)。
• 秤默认情况下为“固定”，因此所有面板共享一个坐标轴范围。当各组数值差异很大时，请使用“free_y”或“free”，但请注意，自由标度会使面板之间的视觉比较产生误导。
• 贴标机：替换每个条带中的原始因子水平，例如 labeller = label_both 以打印“gear: 4”而不是“4”。

两组ping 变量。 使用 facet_grid() 函数构建面板矩阵，第一个变量按行排列，第二个变量按列排列：

ggplot(mtcars, aes(x = drat, y = mpg)) +
    geom_point(aes(color = factor(cyl))) +
    facet_grid(am ~ gear) +
    theme_classic()

切面还是颜色？ 在图表上，颜色标记适用于最多四个重叠区域。超过四个区域，或者区域重叠严重时，分面更易于阅读，因为每个面板只包含自身的数据点。您可以将两者结合使用：使用一个变量进行分面，使用另一个变量进行颜色标记，如上面的 `facet_grid()` 示例所示。

如何处理 R 散点图中的重叠绘图问题

几十个观测点就能让每个点都清晰可见。成千上万个观测点叠加在一起时，标记点会密密麻麻地堆积起来，最密集的区域看起来就像一个实心的斑点。就是这样。 过度绘制ggplot2 提供了四种标准解决方法。

1. 降低不透明度。 最便宜的解决方法。重叠ping 斑点会自然变暗，因此密度会变得可见：

ggplot(diamonds, aes(x = carat, y = price)) +
    geom_point(alpha = 0.05) +
    theme_classic()

2. 抖动离散值。 当一个变量只取少数几个值时，点会落在相同的坐标上。它们之间会存在一个很小的随机位移：

ggplot(mtcars, aes(x = factor(cyl), y = mpg)) +
    geom_jitter(width = 0.15, height = 0) +
    theme_classic()

将高度设置为 0，这样承载真实信息的 y 值就不会被改变。

3. 把飞机扔进垃圾堆。 对于大型数据集，统计每个单元格中的观测值数量，并将计数映射到颜色。六边形单元格可以避免正方形单元格产生的视觉瑕疵：

ggplot(diamonds, aes(x = carat, y = price)) +
    geom_hex(bins = 40) +
    theme_classic()

4. 绘制密度等值线。 等高线勾勒出观测点集中的区域，并整齐地覆盖在模糊的点上：

ggplot(diamonds, aes(x = carat, y = price)) +
    geom_point(alpha = 0.05) +
    geom_density_2d(color = "#C42126") +
    theme_classic()

一般来说，alpha 可以处理几千个点，六边形分箱可以处理几万个点，而对于更大的点，使用 dplyr::slice_sample() 对数据进行采样是务实的选择。

R语言中的散点图： Code 参考法案

下表列出了上述每种选项对应的 ggplot2 调用：

ggplot(df, aes(x = x1, y = y)) + geom_point()

ggplot(df, aes(x = x1, y = y)) + geom_point(aes(color = factor(x2)))

ggplot(df, aes(x = x1, y = y)) + geom_point() + stat_smooth(method = "lm")

ggplot(df, aes(x = x1, y = y)) + geom_point() + labs(title = paste("Hello Guru99"))

ggplot(df, aes(x = x1, y = y)) + geom_point() + labs(subtitle = paste("Hello Guru99"))

ggplot(df, aes(x = x1, y = y)) + geom_point() + labs(x = "X1")

ggplot(df, aes(x = x1, y = y)) + geom_point() + labs(y = "y1")

ggplot(df, aes(x = x1, y = y)) + geom_point() + scale_y_continuous(breaks = seq(10, 35, by = 10)) + scale_x_continuous(breaks = seq(2, 5, by = 1))

ggplot(df, aes(x = log(x1), y = log(y))) + geom_point()

ggplot(df, aes(x = x1, y = y)) + geom_point() + theme_classic()

ggplot(df, aes(x = x1, y = y)) + geom_point() + facet_wrap(~ x2)

ggplot(df, aes(x = x1, y = y)) + geom_point(alpha = 0.3)

ggsave("my_fantastic_plot.png")

常见问题