28 ggplot的各种图形

ggplot2包提供了许多种图形， 其作用可以大致地分为：

下面按照其作用分别进行介绍。

主要参考：

设有若干个类， 每个类有一个数量属性值。 经常用条形图表现数量。

例如， 有25个共同基金， 分为三个类别， 各类别的频数为：

可以用forcats包的fct_reorder()函数或者用stats包的reorder()函数， 将因子水平按照某种有意义的次序排列。 下例用fct_reorder()函数将各个水平按照频数大小排序：

现在数据中有两个分类变量， 频数是交叉分类的结果， 这样的数据称为“列联表”。 这时， 将两个分类变量中一个作为大类， 映射到x维度， 另一个作为小类， 映射到fill维度， 频数映射到y维度。 使用geom_col()或者geom_bar(stat = "identity")。 如：

结果为堆叠的条形图， 每个大类画一个分段的条形， 条形的程度等于各段长度之和。 这需要各段长度之和相当于每个大类的某种总计， 对于频数，这当然是合理的， 每段长度每个交叉小类的频数， 而一个条形的总长度是一个大类的频数。 当y轴映射到其它指标时堆叠条形图不一定合适， 比如， 如果y映射到每个交叉小类的某个指标的标准差， 因为标准差的和并不是标准差， 所以就不能用堆叠条形图表示。

下面将社区作为大类，性别作为小类：

在geom_col()和geom_bar()中加选项position = "dodge"可以将小类并列放置：

这样得到并列的条形图。 并列条形图就不需要像堆叠条形图那样要求各个小类的y轴变量和有意义。 堆叠条形图相当于在geom_col()中加position = "stack"。

也可以将不同的大类放置到不同的切片， 用facet_wrap()或者facet_grid()函数：

注意各切片默认使用相同的坐标范围。

对于只有一个分类变量的条形图， 如果y轴代表频数， 为了转换成比例或者百分比， 修改输入数据增加相应的变量， 如：

对于有两个分类变量的列联表， 如果希望y轴表现总百分数， 只要修改输入数据集增加分母为总数的百分数，如：

如果y轴希望表现每个大类内的百分数， 首先增加大类内的百分数， 比如下面的程序将社区居民调查数据按社区分为大类， 每个社区内计算不同性别的百分数：

这样，与对频数作图类似就可以做堆叠条形图， 每个社区为一个大类， 每个大类总计100%：

在geom_col()中加position = "dodge"可以变成并列条形图， 每个社区为一个大类， 每个大类中总计100%：

与前一章27.5.1中类似问题相比， 对表格数据做比例或者百分数条形图， 比基于原始数据直接用geom_bar()做图要简单而且不易出错。

比较简单的条形图， 可以不使用y坐标轴而是对每个条形或者堆叠的每个段标出数字。 用geom_text()函数标数字。 如：

上述程序中， 用了scale_y_continuous()的breaks = NULL选项使得y轴（经过对换后画在了x轴）不画刻度和刻度值。

堆叠的条形图用数字而非坐标轴的例子如下：

上述程序中预先计算了每段的纵坐标值， 保存在变量ylabel中。 注意计算过程中的排序与分组操作。

条形图的y轴一般都代表数量， 最小值从0开始， 一般不画y轴最小值大于0的条形图。

对于不会取0的量， 可以取y轴的范围为某个区间而不必总是从0开始。 这时， 可以用散点位置表示y坐标。

考虑gapminder包的gapminder数据集中各国的平均期望寿命， 先求出每个大洲的期望寿命最大值：

用点图表现各大洲的最大期望寿命：

上面的程序中将各大洲的次序调整为最后一年的中位期望寿命。 作热力图：

函数scale_fill_viridis_c()提供了连续变量到颜色的一种映射， 在黑白显示时仍适用，且使用色盲的读者。

热力图中不易读出每个交叉组的数量的具体数值， 但是比较容易进行组间比较以及展示发展趋势。

对于离散变量， 可以用频数、比例、百分数的条形图表现单个离散变量分布， 可以用热力图表现两个离散变量的分布。

对于连续型变量， 可以用直方图、密度估计图表现单个变量分布， 可以对多个变量同时做密度估计图。 可以用正态QQ图、盒形图、经验分布函数图等表现一元分布。

ggdist包提供了多种显示一维分布与分布比较的函数。

直方图是最常用的表现一元连续变量分布的方法。 geom_histogram()作直方图， 可以自动选取合适的分组个数， 也可以人为指定分组个数。 直方图的结果受分组个数与分组的开始位置的影响较大， 所以使用直方图时应该尝试选用不同的分组数， 选择较适当的分组个数。

ggplot2包中的midwest数据集包含了美国中西部的一些县的统计数据， 如面积（单位：平方英里）。 下面的程序对连续取值的数值型变量area作频数直方图， 自动确定分组个数：

可以看出， IN州的县面积偏小， IL州的县面积较大。 这样的条形分段的直方图的缺点是， 下面的段的直方图形状是清楚的， 但是上面一段（上图中为IL州）的直方图则看不出形状。

如果将数据中所有的5个州都包含并在直方图中分段， 图形就变得更难认读：

mosaic包还支持更多分类变量的频数统计图示。

与马赛克图类似的一种方法是在大类中再细分小类， 而且细分小类的办法不是单向划分的。 treemapify包的geom_treemap()函数可以做树状分类图。 如：

还可以用平行集（parallel sets）方法表现多个分类之间的关系， 以一个分类为主分类染色， 可以看出每个主分类与其他子类的关系。 ggforce包的geom_paralles_sets()函数作这种图。 参见https://serialmentor.com/dataviz/nested-proportions.html。

当数据集中有多个变量中， 我们除了关心每一个变量的类型、取值集合、分布情况， 还关心变量之间的关系， 观测的分组情况等。

为表现两个变量之间的关系， 最常用的是散点图。 多个变量之间可以用散点图矩阵、相关图， 可以在散点图中用符号大小、符号颜色、符号形状表示更多维数。 对于高维数据， 经常需要利用降维方法， 如主成分分析(PCA)对数据降维， 对降维数据作图。

R软件自带的iris数据集中包含了三种鸢尾花的150个样品的测量数据， 每种各50个样品， 每个样品测量了花瓣、花萼的长、宽。 下面画50个setosa样品的花瓣长、宽的散点图， 可以看出， 两种有明显的线性相关关系：