前言

ggplot2是R語言最流行的第三方擴展包，是RStudio首席科學(xué)家Hadley Wickham讀博期間的作品，是R相比其他語言一個獨領(lǐng)風(fēng)騷的特點。包名中“gg”是grammar of graphics的簡稱，是一套優(yōu)雅的繪圖語法。Wickham Hadley將這套語法詮釋如下：

一張統(tǒng)計圖形就是從數(shù)據(jù)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(shù)據(jù)的統(tǒng)計變換（statistical transformation，縮寫stats），最后繪制在某個特定的坐標系（coordinate system，縮寫coord）中，而分面（facet）則可以用來生成數(shù)據(jù)不同子集的圖形。

這個解釋讀起來還是有點抽象。我們舉個具體的例子來解讀這個概念。假設(shè)現(xiàn)在我們要對一批連續(xù)取值的數(shù)據(jù)繪制直方圖。首先，要定義清楚需要幾個分組或者每個分組的區(qū)間，根據(jù)分組定義統(tǒng)計落在這個分組里的個數(shù)，這個步驟就是把data變?yōu)?strong>stats。然后，需要選定表達數(shù)據(jù)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有一堆屬性需要設(shè)定，比如x、y、顏色等，稱為aes，哪個aes由哪個stats指定，需要指定一個映射關(guān)系mapping，即指定誰對誰。知道誰對誰后，還需要知道怎么個對法，需要由scale決定，比如stats的color字段取值為1應(yīng)該對到什么顏色上，取值為2應(yīng)該對到什么顏色上。這些完成了以后，統(tǒng)計圖形的主體部分就成形了，但是假如我們希望在直方圖上，再畫一個概率密度曲線圖，怎么辦？ggplot2的思想非常精妙，把上面的主體部分稱為一個圖層layer，一個統(tǒng)計圖形可以擁有多個圖層，每個圖層疊加起來形成我們要的效果。接下來，再選定一個坐標系統(tǒng)coord，一張統(tǒng)計圖形plot就做好了。假如我們有多組數(shù)據(jù)，每組數(shù)據(jù)都要按照相同的方法畫一張圖，每張圖重復(fù)敲代碼很繁瑣，就可以使用分面facet快速繪制多張統(tǒng)計圖形。這個過程用圖形總結(jié)如下：

我們可以看到ggplot2相比其他繪圖系統(tǒng)的幾個特性：

• 標準化：任何一個統(tǒng)計圖形遵循相同的繪圖流程，所以語法高度統(tǒng)一；

• 面向數(shù)據(jù)：上面的繪圖流程只與數(shù)據(jù)有關(guān)，與數(shù)據(jù)無關(guān)的繪圖細節(jié)封裝在單獨的theme()方法里，數(shù)據(jù)相關(guān)繪圖與數(shù)據(jù)無關(guān)繪圖分離；

這兩大特性解放了數(shù)據(jù)分析師的思維，做到繪圖時所思即所見，非常優(yōu)雅高效。下面我們來逐步剖析每個元素的內(nèi)容。

數(shù)據(jù)

ggplot2接受的輸入數(shù)據(jù)一般是data.frame，這是一個表格型結(jié)構(gòu)，每一行是一個觀測（observation），每一列是一個變量（variable）。R語言內(nèi)置了許多著名的數(shù)據(jù)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），以及一個類別標簽Species。我在網(wǎng)上找了一個圖片，做個標注，方便朋友理解。

我們可以使用str()查看數(shù)據(jù)集的結(jié)構(gòu)，用summary()對每一個變量進行統(tǒng)計。

str(iris)

summary(iris)

Hadley對data.frame提出了一個是否tidy的概念，抽象來講就是一個變量必須有自己獨立的一列，一個觀測必須有自己獨立的一行，每個取值必須有自己獨立的一個單元格。為了便于理解，我們從R for Data Science這本書截取出這個圖進行解釋：

左邊的數(shù)據(jù)是tidy的，右邊的數(shù)據(jù)是不tidy的，通過另一個包tidyr可以輕松完成二者的轉(zhuǎn)換。ggplot2的數(shù)據(jù)要求是tidy的。

統(tǒng)計圖形基本要素

幾何對象geom

幾何對象，說的直觀一些，就是你選擇什么幾何圖形來表示這組數(shù)據(jù)。ggplot2提供了眾多幾何對象geom_xyz()供大家選擇。舉兩個常見的例子，geom_point()用于表示兩個連續(xù)變量之間的關(guān)系，幾何形狀是點；geom_bar()用于表示x軸為離散變量，y軸為連續(xù)連續(xù)變量之間的關(guān)系，幾何形狀是條塊。完整的幾何對象請下載RStudio公司總結(jié)的ggplot2 cheetsheet。

幾何對象需要解決一個問題，即相同數(shù)據(jù)的幾何對象位置相同，是放在一個位置相互覆蓋還是用別的排列方式。ggplot2的幾何對象有一個position選項，用于指定如何在空間內(nèi)布置相同取值的集合對象。dodge為并排模式；fill為堆疊模式，并歸一化為相同的高度；stack為純粹的堆疊模式；jitter會在X和Y兩個方向增加隨機的擾動來防止對象之間的覆蓋。

統(tǒng)計變換stats

在ggplot2里，幾何對象與統(tǒng)計變換往往是一一對應(yīng)的。每個統(tǒng)計變換需要通過一個幾何對象來展現(xiàn)；每個幾何對象的展現(xiàn)依賴統(tǒng)計變換的結(jié)果。舉個簡單例子，以下兩行代碼的效果是一樣的：

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

每個幾何對象都有自己的屬性，這些屬性的取值需要通過數(shù)據(jù)提供。數(shù)據(jù)與圖形屬性之間的映射關(guān)系稱為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都可以用數(shù)據(jù)的某一個變量來表示。

標尺scale

前面提到aes()設(shè)定了數(shù)據(jù)與圖形屬性的映射關(guān)系，但是數(shù)據(jù)怎么映射為屬性，這就是標尺（Scales）的功能。對于任何一個圖形屬性，如x，y，alpha，color，fill，linetype，shape，size，ggplot2都提供以下四種標尺：

• scale_*_continuous()：將數(shù)據(jù)的連續(xù)取值映射為圖形屬性的取值

• scale_*_discrete()：將數(shù)據(jù)的離散取值映射為圖形屬性的取值

• scale_*_identity()：使用數(shù)據(jù)的值作為圖形屬性的取值

• scale_*_mannual()：將數(shù)據(jù)的離散取值作為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范圍
  limits = c("setosa", "versicolor", "virginica"), # 數(shù)據(jù)的取值范圍
  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")  # 圖例使用的標簽
)

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。對于x和y類圖形屬性，有如下幾種特殊的標尺：

• 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()

對于color和fill類的圖形屬性，有如下幾類特殊標尺：

• scale_fill_brewer(palette="Blues")：根據(jù)調(diào)色盤生成顏色標尺，可用的調(diào)色盤可以通過RColorBrewer::display.brewer.all()命令查看；對于具體的一個調(diào)色盤，可以通過RColorBrewer::brewer.pal(n=4, name="Blues")查看具體某個名字調(diào)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，其他的調(diào)色盤有rainbow()，heat.colors()，topo.colors()，cm.colors()以及RColorBrewer包的調(diào)色盤。

對于shape類的圖形屬性，我們可以手工指定形狀：scale_shape_manual(values=c(3:7)。每個形狀用數(shù)字表示，根據(jù)下圖可以選擇自己需要的形狀。

圖層layer

ggplot2的繪圖過程有點像Photoshop，有一個圖層的理念，每個圖層可以有自己的圖形對象和圖形屬性，通過+將不同圖層疊加起來生成最后的統(tǒng)計圖形。如果將數(shù)據(jù)定義在ggplot()中，那么所有圖層都可以共用這個數(shù)據(jù)；如果將數(shù)據(jù)定義在geom_xyz()中，那么這個數(shù)據(jù)就只供這個幾何對象使用。

坐標系coord

ggplot2默認的坐標系是笛卡爾坐標系，可以用如下方法指定取值范圍：coord_cartesian(xlim=c(0,5), ylim=c(0,3))。如果想要讓x軸和y軸換位置，比如將柱形圖換成條形圖，可以使用coord_flip()函數(shù)。coord_polar(theta="x", direction=1)是角度坐標系,theta指定角度對應(yīng)的變量，start指定起點離12點鐘方向的偏離值，direction若為1表示順時針方向，若為-1表示逆時針方向。

掌握了數(shù)據(jù)、幾何對象、圖形屬性、圖層和坐標系的概念后，我們就可以開始繪制常見的統(tǒng)計圖形了。

練習(xí)

Kaggle數(shù)據(jù)挖掘競賽里有一個經(jīng)典的探索性分析例子，對iris數(shù)據(jù)集進行了各種形式的可視化，幫助人通過直觀的圖形更深地理解特征與label的關(guān)系。Kaggle官網(wǎng)給出了Python版本的實現(xiàn)。本節(jié)用R對該notebook的代碼進行重現(xiàn)。

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(jù)定義的規(guī)則，將數(shù)據(jù)分為多個子集，每個子集按照統(tǒng)一的規(guī)則單獨制圖，排布在一個頁面上。ggplot2提供兩種分面模式：facet_grid()和facet_wrap()。

我們先來看一下facet_grid()的效果。

library(tidyr)
library(dplyr)
# 將數(shù)據(jù)變?yōu)閠idy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

可以看到facet_grid()是一個二維的矩形布局，每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一個Species的取值作為一行，每一個feature_name的取值作為一列。

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(tài)調(diào)整的一維布局，根據(jù)~位置變量1+位置變量2+...來確定每個子集的位置，先逐行排列，放不下了移動到下一行。scales="free"讓每個子圖的坐標系適合自己的數(shù)據(jù)，便于在有限的空間里充分展示子圖的細節(jié)，但也失去了不同子圖之間比較的作用，需要謹慎使用。

題外話：復(fù)雜布局

分面的特點是可以快速生成多個子圖，每個子圖的生成方式是一樣的，因此只需要指定分組的規(guī)則即可。但是有時候我們希望繪制多個子圖，每個子圖的生成方法卻不一樣，這個時候分面就不起作用了，需要使用grid包提供的布局功能。下面我們用ggplot2和grid的布局實現(xiàn)一個較為復(fù)雜的統(tǒng)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))

在做數(shù)據(jù)分析時，我們經(jīng)常需要觀察變量自身與變量之間的兩兩關(guān)系。這個過程中需要繪制大量的圖表，且每個業(yè)務(wù)的數(shù)據(jù)分析都需要這么做，因此算是一種重復(fù)性比較大的工作。我們可以使用GGally包來快速完成這個探索性分析的任務(wù)。

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：其他練習(xí)

Kaggle數(shù)據(jù)挖掘競賽剩下的例子是繪制Parallel coordinate graph、Andrews Curve、radviz，前兩個的實現(xiàn)參考如下，最后一個暫時沒找到對應(yīng)的方法。

# Parallel coordinate graph & Andrews Curve
# 修改自：http:///2009/03/parallel-coordinates-and-andrews-curve/
# 輪廓圖的思想非常簡單、直觀，它是在橫坐標上取n個點，依次表示各個指標(即變量)；橫坐標上則對應(yīng)各個指標的值(或者經(jīng)過標準化變換后的值)，然后將每一組數(shù)據(jù)對應(yīng)的點依次連接即可
# 調(diào)和曲線圖的思想和傅立葉變換十分相似：
# 根據(jù)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取值范圍為[-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(xiàn)

其他元素

主題

所有與數(shù)據(jù)不相關(guān)的圖形控制細節(jié)都放在theme()這個函數(shù)里。ggplot2內(nèi)置了一些常見的主題：theme_bw()，theme_classic()，theme_grey()，theme_minimal()。如果需要更多的主題可以安裝ggthemes包，也可以自定義主題。

圖例

ggplot2可以設(shè)定圖例的位置：theme(legend.position="bottom")，其他選項有top、left和right。

每個圖形屬性都會有一個圖例，圖例的類型共有三種：colorbar為顏色條，適合連續(xù)變量；legend為鍵值對，適合有限取值的變量；none，將一個圖形屬性的圖例設(shè)置為none，則不顯示這個圖形屬性的圖例。

標簽

常用的繪圖標簽有：

• ggtitle("New Plot Title")：指定圖形名稱

• xlab("New X label")：指定x軸標簽

• ylab("New Y label")：指定y軸標簽

• 圖例標簽需要使用scale_*()的name和labels選項進行指定

關(guān)于作者：丹追兵，數(shù)據(jù)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(zhuǎn)載請注明作者與出處：https://segmentfault.com/blog...