2.ggplot2——入门（二）

2.6绘制几何图形

您可能会猜测，通过替换geom_point()其他的 geom 函数，您会得到不同类型的图形。这是一个很好的猜测！在以下部分中，您将了解 ggplot2 中提供的一些其他重要图形类型。这不是一个详尽的列表，但包含最常用的绘图类型。你想了解跟多individual-geoms和collective-geoms。

• geom_smooth() 拟合数据的平滑曲线并显示平滑曲线及其标准误差。
• geom_boxplot()生成箱线图来总结一组点的分布。
• geom_histogram()和geom_freqpoly()显示连续变量的分布。
• geom_bar()`显示了分类变量的分布。
• geom_path()和geom_line()在数据点之间画线。折线图从左到右行进行的连线，而路径图可以朝任何方向行进。折线图通常用于探索事物如何随时间变化。

2.6.1 在图形中添加平滑曲线

如果您的散点图包含大量噪声，则很难看到主要模式。在这种情况下，geom_smooth()向图中添加平滑线很有用：

ggplot(mpg, aes(displ, hwy)) + 
  geom_point() + 
  geom_smooth()
#> `geom_smooth()` using method = 'loess' and formula 'y ~ x'

image.png

这将用平滑曲线覆盖散点图，包括以灰色显示的各点置信区间的形式评估不确定性。如果您对置信区间不感兴趣，请使用geom_smooth(se = FALSE)将其关闭。

method是[geom_smooth()](https://ggplot2.tidyverse.org/reference/geom_smooth.html)的一个重要参数，它允许您选择使用哪种类型的模型来拟合平滑曲线：

• method = "loess"，n 较小时的默认值，使用平滑的局部回归（如?loess中所述）。线条的平滑程度由span参数控制，范围从 0（很不平滑）到 1（非常平滑）。

  ggplot(mpg, aes(displ, hwy)) + 
    geom_point() + 
    geom_smooth(span = 0.2)
  #> `geom_smooth()` using method = 'loess' and formula 'y ~ x'
  
  ggplot(mpg, aes(displ, hwy)) + 
    geom_point() + 
    geom_smooth(span = 1)
  #> `geom_smooth()` using method = 'loess' and formula 'y ~ x'
  

  image image

  Loess 不适用于大型数据集（内存消耗是O(n²)，因此在n超过1000是下使用另一种平滑算法。

• method = "gam"可以调用mgcv 包提供的广义可加模型。您需要先加载 mgcv，然后使用类似formula = y ~ s(x)或y ~ s(x, bs = "cs")（对于大数据）的公式 。这就是 ggplot2 在超过 1000 个数据时使用。

  library(mgcv)
  ggplot(mpg, aes(displ, hwy)) + 
    geom_point() + 
    geom_smooth(method = "gam", formula = y ~ s(x))
  

image.png

• method = "lm" 拟合线性模型，默认进行线性拟合。

  ggplot(mpg, aes(displ, hwy)) + 
    geom_point() + 
    geom_smooth(method = "lm")
  #> `geom_smooth()` using formula 'y ~ x'
  

  image

• method = "rlm"工作原理类似于lm()，但使用了强大的拟合算法，因此异常值不会对拟合产生太大影响。它是MASS 包的一部分，所以记得先加载它。

2.6.2 箱线图和扰动点图

当一组数据包含分类变量和多个连续变量时，您可能需要了解连续变量的值如何随分类变量而变化。假设我们想了解具有相同动力传动系统的汽车的耗油量如何变化。我们可以从这样的散点图开始：

ggplot(mpg, aes(drv, hwy)) + 
  geom_point()

image

因为drv和hwy的取值很少，所以有很多过度绘制。许多点绘制在同一位置，很难看到分布。有三种有用的技术可以解决这个问题：

• 扰动点图，geom_jitter()，为数据添加了一些随机噪声，这有助于避免过度重复。

• 箱线图，geom_boxplot()用若干统计量概括数据分布情况。

• 小提琴图，geom_violin()显示了分布“密度”，突出数据分布密集的区域。

这些如下图所示：

ggplot(mpg, aes(drv, hwy)) + geom_jitter()
ggplot(mpg, aes(drv, hwy)) + geom_boxplot()
ggplot(mpg, aes(drv, hwy)) + geom_violin()

image image image

每种方法都有其优点和缺点。箱线图仅用五个数字对分布进行概括，而扰动点图显示了每个点，但仅适用于相对较小的数据集。小提琴图提供了最丰富的信息，但依赖于密度估计的计算，这可能难以解释。

对于扰动点图，geom_jitter()和geom_point()提供了图形属性作为控制：size，colour，和shape。对于geom_boxplot()和geom_violin()，您可以通过colour或fill控制轮廓和内部颜色。

2.6.3 直方图和频率多边形

直方图和频数多边图显示单个数值变量的分布。与箱线图相比，它们提供了更多关于单个组分布的信息，但占用内存更大。

ggplot(mpg, aes(hwy)) + geom_histogram()
#> `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
ggplot(mpg, aes(hwy)) + geom_freqpoly()
#> `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

image image

直方图和频数多边图的工作方式相同：它们对数据进行分箱，然后计算每个分箱中的观察次数。唯一的区别是：直方图使用条形显示，频率多边形使用线条显示。

您可以使用binwidth参数控制箱的宽度（如果您不想要均匀间隔的箱，您可以使用该breaks参数）。分箱宽度是非常重要的。默认值只是将您的数据分成 30 个箱，这可能不是最佳选择。您应该尝试多个 bin 宽度，并且您可能会发现需要多个 bin 宽度来展示数据。

ggplot(mpg, aes(hwy)) + 
  geom_freqpoly(binwidth = 2.5)
ggplot(mpg, aes(hwy)) + 
  geom_freqpoly(binwidth = 1)

image image

频数多边形的替代方法是密度图，geom_density()。我不喜欢密度图，因为它们更难解释，因为底层计算更复杂。密度图的前提是要求基础分布是连续的、无界的和平滑的。

要比较不同子组的分布，您可以将分类变量 (geom_histogram()) 或 (geom_freqpoly())映射到填充颜色。使用频数多边形比较分布更容易，因为基础感知任务更容易。您也可以使用分面：这会使比较更困难一些，但更容易查看每个组的分布。

ggplot(mpg, aes(displ, colour = drv)) + 
  geom_freqpoly(binwidth = 0.5)
ggplot(mpg, aes(displ, fill = drv)) + 
  geom_histogram(binwidth = 0.5) + 
  facet_wrap(~drv, ncol = 1)

image image

2.6.4 条形图

离散变量情形下，条形图与直方图类似，使用geom_bar()：

ggplot(mpg, aes(manufacturer)) + 
  geom_bar()

image

（修复标签链接中学习如何修复标签）。

条形图可能会令人困惑，因为把两种截然不同的图像通常都称为条形图。上面的表格是未经过处理的数据，每个观察值对应每个条的高度。另一种形式的条形图用于预先处理的数据。例如，您有三种具有平均效果的药物：

drugs <- data.frame(
  drug = c("a", "b", "c"),
  effect = c(4.2, 9.7, 6.1)
)

要显示此类数据，您需要修改geom_bar()默认设置（ 不让stat 对数据进行分类和计数）。但是，使用geom_point()会更好，因为点比条占用的空间更少，并且不需要 y 轴包含 0。

ggplot(drugs, aes(drug, effect)) + geom_bar(stat = "identity")
ggplot(drugs, aes(drug, effect)) + geom_point()

image image

2.6.5 时间序列中的折线图和路径图

折线图和路径图通常用于时间序列数据。折线图从左到右连接点，而路径图按照它们在数据集中出现的顺序连接它们（换句话说，折线图是按 x 值排序的数据的路径图）。折线图通常在 x 轴上有时间，显示单个变量如何随时间变化。路径图显示两个变量如何随时间同时变化，时间以观测值的连接方式进行编码。

由于mpg数据集中的年份变量只有两个值，我们将使用economics数据集显示一些时间序列图，其中包含过去 40 年测量的美国经济数据。下图显示了随时间变化的两个失业图，均使用geom_line(). 第一个显示失业率，而第二个显示失业周数的中位数。我们已经可以看到这两个变量的一些差异，特别是在最后一个高峰期，失业率低于之前的高峰期，但失业的持续时间很长。

ggplot(economics, aes(date, unemploy / pop)) +
  geom_line()
ggplot(economics, aes(date, uempmed)) +
  geom_line()

image image

为了更详细地研究这种关系，我们想在同一个图上绘制两个时间序列。我们可以绘制失业率与失业持续时间的散点图，但是我们无法再看到随时间的演变。解决方案是将时间上相邻的点与线段连接起来，形成路径图。

下面我们绘制失业率与失业时间的关系，并将个人观察结果与一条路径结合起来。由于有许多线交叉，在第一个图中不容易看出时间流动的方向。在第二个图中，我们为点着色，以便更容易看到时间的方向。

ggplot(economics, aes(unemploy / pop, uempmed)) + 
  geom_path() +
  geom_point()

year <- function(x) as.POSIXlt(x)$year + 1900
ggplot(economics, aes(unemploy / pop, uempmed)) + 
  geom_path(colour = "grey50") +
  geom_point(aes(colour = year(date)))

image image

我们可以看到失业率和失业时间高度相关，但近年来失业时长相对于失业率一直在增加。

对于纵向数据，您通常希望在每个图上显示多个时间序列，每个序列代表一个人。为此，您需要将group图形属性映射到一个变量，该变量编码每个观察的组成员资格。

2.7 修改坐标轴

后续将学习所有可用的选项，但有两个有用的最常见选项。xlab()和ylab()修改 x 和 y 轴标签：

ggplot(mpg, aes(cty, hwy)) +
  geom_point(alpha = 1 / 3)

ggplot(mpg, aes(cty, hwy)) +
  geom_point(alpha = 1 / 3) + 
  xlab("city driving (mpg)") + 
  ylab("highway driving (mpg)")

# Remove the axis labels with NULL
ggplot(mpg, aes(cty, hwy)) +
  geom_point(alpha = 1 / 3) + 
  xlab(NULL) + 
  ylab(NULL)

image image image

xlim()和ylim()修改轴的限制：

ggplot(mpg, aes(drv, hwy)) +
  geom_jitter(width = 0.25)

ggplot(mpg, aes(drv, hwy)) +
  geom_jitter(width = 0.25) + 
  xlim("f", "r") + 
  ylim(20, 30)
#> Warning: Removed 139 rows containing missing values (geom_point).

# For continuous scales, use NA to set only one limit
ggplot(mpg, aes(drv, hwy)) +
  geom_jitter(width = 0.25, na.rm = TRUE) + 
  ylim(NA, 30)

image image image

更改坐标区范围，区间之外的值被设置为NA。您可以使用na.rm = TRUE抑制相关警告，但要小心。如果您的绘图计算汇总统计量（例如，样本均值），则此转换NA发生在计算汇总统计量之前，并且在某些情况下可能会导致不希望出现的结果。

2.8 输出

大多数情况下，您创建一个绘图对象并立即绘制它，但您也可以将绘图保存到变量中并对其进行操作：

p <- ggplot(mpg, aes(displ, hwy, colour = factor(cyl))) +
  geom_point()

一旦你有了一个绘图对象，你可以用它做一些事情：

• 显示在屏幕上print()。这在交互式运行时会自动发生，但在循环或函数中，您需要手动输入print()完成。

  print(p)
  

  image

• 使用ggsave()将其保存到磁盘。

  # Save png to disk
  ggsave("plot.png", p, width = 5, height = 5)
  

• 用summary() 查看图像结构。

  summary(p)
  #> data: manufacturer, model, displ, year, cyl, trans, drv, cty, hwy, fl,
  #>   class [234x11]
  #> mapping:  x = ~displ, y = ~hwy, colour = ~factor(cyl)
  #> faceting: <ggproto object: Class FacetNull, Facet, gg>
  #>     compute_layout: function
  #>     draw_back: function
  #>     draw_front: function
  #>     draw_labels: function
  #>     draw_panels: function
  #>     finish_data: function
  #>     init_scales: function
  #>     map_data: function
  #>     params: list
  #>     setup_data: function
  #>     setup_params: function
  #>     shrink: TRUE
  #>     train_scales: function
  #>     vars: function
  #>     super:  <ggproto object: Class FacetNull, Facet, gg>
  #> -----------------------------------
  #> geom_point: na.rm = FALSE
  #> stat_identity: na.rm = FALSE
  #> position_identity
  

• 使用saveRDS()， 将它的缓存副本保存到磁盘。 这将保存绘图对象的完整副本，因此您可以轻松地使用readRDS()访问.

  saveRDS(p, "plot.rds")
  q <- readRDS("plot.rds")