引言
在进行数据分析时，免不了对结果进行可视化。那么，什么样的图形才最适合自己的数据呢？一个有效的图形应具备以下特点：
- 能正确传递信息，而不会产生歧义；
- 样式简单，但是易于理解；
- 添加的图形美学应辅助理解信息；
- 图形上不应出现冗余无用的信息。
本系列推文，小编将汇总可视化中常用 7 大类型图形，供读者参考。每类制作成一篇推文，主要参考资料为：Top 50 ggplot2 Visualizations[1]。其他类似功能网站，资料包括：
- 庄闪闪的可视化笔记——常用图形[2]
- R Graph Gallery[3]
- 《R 语言教程》——ggplot 的各种图形[4]
系列目录
本文主要介绍第四部分：分布相关图形。前几部分可见：
这一部分也是小编最常使用的图形。写过的相关推文如：
加载数据集
使用 ggplot2 包中自带数据集作为示例数据集。
library(ggplot2) library(plotrix) data("midwest", package = "ggplot2") #加载数据集
midwest 数据集
全局主题设置
全局配色、主题设置。注意，本文使用离散色阶，如果需要使用连续色阶，则需要重写。
options(scipen=999) # 关掉像 1e+48 这样的科学符号 # 颜色设置（灰色系列） cbp1 <- c("#999999", "#E69F00", "#56B4E9", "#009E73", "#F0E442", "#0072B2", "#D55E00", "#CC79A7") # 颜色设置（黑色系列） cbp2 <- c("#000000", "#E69F00", "#56B4E9", "#009E73", "#F0E442", "#0072B2", "#D55E00", "#CC79A7") ggplot <- function(...) ggplot2::ggplot(...) + scale_color_manual(values = cbp1) + scale_fill_manual(values = cbp1) + # 注意: 使用连续色阶时需要重写 theme_bw()
4 分布
4.1 直方图
4.4.1 连续变量的直方图
连续变量的直方图可以使用 geom_bar() 或 geom_histogram() 来完成。当使用 geom_histogram() 时，可以使用 bins 参数来控制分箱的数量。也可以使用 binwidth 设置每个分箱覆盖的范围。binwidth 的值与建立直方图的连续变量在同一个尺度上。
# 连续（数值）变量的直方图 g <- ggplot(mpg, aes(displ)) + scale_fill_brewer(palette = "Spectral") g + geom_histogram(aes(fill=class), binwidth = .1, col="black", size=.1) + # change binwidth labs(title="Histogram with Auto Binning", subtitle="Engine Displacement across Vehicle Classes")
连续变量的直方图
g + geom_histogram(aes(fill=class), bins=5, col="black", size=.1) + # change number of bins labs(title="Histogram with Fixed Bins", subtitle="Engine Displacement across Vehicle Classes")
连续变量的直方图
4.1.2 分类变量的直方图
分类变量的直方图实际上是根据每个类别的频率绘制的条形图。
library(ggplot2) theme_set(theme_classic()) # Histogram on a Categorical variable g <- ggplot(mpg, aes(manufacturer)) g + geom_bar(aes(fill=class), width = 0.5) + theme(axis.text.x = element_text(angle=65, vjust=0.6)) + labs(title="Histogram on Categorical Variable", subtitle="Manufacturer across Vehicle Classes")
分类变量的直方图
4.2 密度图
g <- ggplot(mpg, aes(cty)) g + geom_density(aes(fill=factor(cyl)), alpha=0.8) + labs(title="Density plot", subtitle="City Mileage Grouped by Number of cylinders", caption="Source: mpg", x="City Mileage", fill="# Cylinders")
密度图
4.3 箱线图
箱形图是研究数据分布的一个有用工具。它还可以显示多个组内的分布，以及中值、范围和异常值。箱子内的黑线表示中位数。箱顶是 75% 分位数，箱底是 25% 分位数。线的端点（又称晶须）距离为1.5*IQR，其中 IQR （四分位差）是 25% 到 75% 分位数之间距离。须外的点通常被认为是极值点。设置 varwidth=T将调整盒子的宽度，使其与观察的数量成比例。
g <- ggplot(mpg, aes(class, cty)) g + geom_boxplot(varwidth=T, fill="plum") + labs(title="Box plot", subtitle="City Mileage grouped by Class of vehicle", caption="Source: mpg", x="Class of Vehicle", y="City Mileage")
箱线图 1
g <- ggplot(mpg, aes(class, cty)) g + geom_boxplot(aes(fill=factor(cyl))) + theme(axis.text.x = element_text(angle=65, vjust=0.6)) + labs(title="Box plot", subtitle="City Mileage grouped by Class of vehicle", caption="Source: mpg", x="Class of Vehicle", y="City Mileage")
箱线图 2
这个部分小编在科技论文中常常会使用，具体推文可见：R问题｜数值模拟流程记录和分享
4.4 点图+箱线图
在箱线图的基础上，添加点图可以提供更清晰的信息。这些点交错排列，每个点代表一次观测。
g <- ggplot(mpg, aes(manufacturer, cty)) g + geom_boxplot() + geom_dotplot(binaxis='y', stackdir='center', dotsize = .5, fill="red") + theme(axis.text.x = element_text(angle=65, vjust=0.6)) + labs(title="Box plot + Dot plot", subtitle="City Mileage vs Class: Each dot represents 1 row in source data", caption="Source: mpg", x="Class of Vehicle", y="City Mileage")
4.5 塔夫特箱线图
这是一个简化版的箱线图。
library(ggthemes) library(ggplot2) theme_set(theme_tufte()) # from ggthemes # plot g <- ggplot(mpg, aes(manufacturer, cty)) g + geom_tufteboxplot() + theme(axis.text.x = element_text(angle=65, vjust=0.6)) + labs(title="Tufte Styled Boxplot", subtitle="City Mileage grouped by Class of vehicle", caption="Source: mpg", x="Class of Vehicle", y="City Mileage")
塔夫特箱线图
4.6 小提琴图
小提琴图类似于箱线图，但显示了组内的密度。
g <- ggplot(mpg, aes(class, cty)) g + geom_violin() + labs(title="Violin plot", subtitle="City Mileage vs Class of vehicle", caption="Source: mpg", x="Class of Vehicle", y="City Mileage")
绘制箱线图及小提琴图也可以参考ggstance[5]和ggpubr[6]，或者去网站[7]搜索相关 ggplot 拓展的 R 包：与 ggplot2 包相关的 109 种拓展包。我写过的相关类型可见推文：用ggpubr包制图。
4.7 金字塔图
金字塔图提供了一种独特的方式来可视化每个类别包含的样本比例。下面的金字塔是一个很好的例子，说明了在一个营销活动中每个阶段的用户留存率。
library(ggplot2) library(ggthemes) options(scipen = 999) # turns of scientific notations like 1e+40 # Read data email_campaign_funnel <- read.csv("https://raw.githubusercontent.com/selva86/datasets/master/email_campaign_funnel.csv") # X Axis Breaks and Labels brks <- seq(-15000000, 15000000, 5000000) lbls = paste0(as.character(c(seq(15, 0, -5), seq(5, 15, 5))), "m") # Plot ggplot(email_campaign_funnel, aes(x = Stage, y = Users, fill = Gender)) + # Fill column geom_bar(stat = "identity", width = .6) + # draw the bars scale_y_continuous(breaks = brks, # Breaks labels = lbls) + # Labels coord_flip() + # Flip axes labs(title="Email Campaign Funnel") + theme_tufte() + # Tufte theme from ggfortify theme(plot.title = element_text(hjust = .5), axis.ticks = element_blank()) + # Centre plot title scale_fill_brewer(palette = "Dark2") # Color palette
金字塔图
这个图经常有人在群里问，很多是横向的（只需要去除
coord_flip()），如果需要添加误差限，可以使用geom_errorbar()。
参考资料
[1]
Top 50 ggplot2 Visualizations: http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html
[2]
庄闪闪的可视化笔记——常用图形: https://liangliangzhuang.github.io/R-tutorial/main-diagram-types.html
[3]
R Graph Gallery: https://www.r-graph-gallery.com/ggplot2-package.html
[4]
R 语言教程——ggplot 的各种图形: https://www.math.pku.edu.cn/teachers/lidf/docs/Rbook/html/_Rbook/ggplotvis.html
[5]
ggstance: https://github.com/lionel-/ggstance
[6]
ggpubr: https://rpkgs.datanovia.com/ggpubr/
[7]
