ggplot2 入门 — 数据科学中的 R 语言

为什么要可视化

我们先从一个故事开始，1854年伦敦爆发严重霍乱，当时流行的观点是霍乱是通过空气传播的，而John Snow医生（不是《权力的游戏》里的 Jon Snow）研究发现，霍乱是通过饮用水传播的。研究过程中，John Snow医生统计每户病亡人数，每死亡一人标注一条横线，分析发现，大多数病例的住所都围绕在Broad Street水泵附近，结合其他证据得出饮用水传播的结论，于是移掉了Broad Street水泵的把手，霍乱最终得到控制。

另一个有趣的例子就是辛普森悖论（Simpson's Paradox）。比如我们想研究下，学习时间和考试成绩的关联。结果发现两者呈负相关性，即补课时间越长，考试成绩反而越差（下图横坐标是学习时间，纵坐标是考试成绩），很明显这个结果有违生活常识。

事实上，当我们把学生按照不同年级分成五组，再来观察学习时间和考试成绩之间的关联，发现相关性完全逆转了! 我们可以看到学习时间和考试成绩强烈正相关。

辛普森悖论在日常生活中层出不穷。那么如何避免辛普森悖论呢？我们能做的，就是仔细地研究分析各种影响因素，不要笼统概括地、浅尝辄止地看问题。其中，可视化分析为我们提供了一个好的方法。

什么是数据可视化

图形属性(视觉元素)

我们在图中画一个点，那么这个点就有（形状，大小，颜色，位置，透明度）等属性，这些属性就是图形属性（有时也称之为图形元素或者视觉元素），下图列出了常用的图形属性。

点和线常用的图形属性

geom	x	y	size	color	shape	linetype	alpha	fill	group
point	√	√	√	√	√	√	√	√	√
line	√	√	√	√	√	√	√

宏包ggplot2

ggplot2是RStudio首席科学家Hadley Wickham在2005年读博士期间的作品。很多人学习R语言，就是因为ggplot2宏包。目前， ggplot2已经发展成为最受欢迎的R宏包，没有之一。我们可以看看它2024年cran的下载量

R

library(cranlogs)

d <- cran_downloads(package = "ggplot2", from = "2024-01-01", to = "2024-08-31")

sum(d$count)

ggplot2 的图形语法

ggplot2有一套优雅的绘图语法，包名中“gg”是grammar of graphics的简称。 Hadley Wickham将这套可视化语法诠释为:

💡

一张统计图形就是从数据到几何形状(geometric object，缩写geom)所包含的图形属性(aesthetic attribute，缩写aes)的一种映射。

通俗解释：就是我们的数据通过图形的视觉元素表示出来。比如点的位置，如果坐标x值越大，水平方向离原点的位置就越远，数值越小，水平方向离原点的位置就越近。 数值的大小变成了视觉能感知的东西。

同理，我们希望用点的大小代表这个位置上的某个变量（比如，降雨量，产品销量等等），那么变量的数值越小，点的半径就小一点，数值越大，点就可以大一点；或者变量的数值大，点的颜色就深一点，数值小，点的颜色就浅一点。即，数值到图形属性的映射过程。映射是一个数学词汇，这里您可以理解为一一对应。

怎么写代码

ggplot()函数包括9个部件：

数据 (data) （数据框）
映射 (mapping)
几何形状 (geom)
统计变换 (stats)
标度 (scale)
坐标系 (coord)
分面 (facet)
主题 (theme)
存储和输出 (output)

其中前三个是必需的。语法模板

R

ggplot(data = &lt;DATA&gt;) + 
   &lt;GEOM_FUNCTION&gt;(mapping = aes(&lt;MAPPINGS&gt;))

此外，图形中还可能包含数据的统计变换(statistical transformation，缩写stats)，最后绘制在某个特定的坐标系(coordinate system，缩写coord)中，而分面(facet)则可以用来生成数据不同子集的图形。

先来点小菜。先看一个简单的案例（1880-2014年温度变化和二氧化碳排放量）

R

library(tidyverse)
d <- read_csv(here::here("demo_data", "temp_carbon.csv"))
d %>% head(5)

R

library(ggplot2)
ggplot(___) + 
  geom_point(
    mapping = aes(x = ___, y = ___)
  )

我们只需要在相应位置填入数据框，和数据框的变量，就可以画图

R

ggplot(data = d) +
  geom_point(mapping = aes(x = year, y = carbon_emissions)) +
  xlab("Year") +
  ylab("Carbon emissions (metric tons)") +
  ggtitle("Annual global carbon emissions, 1880-2014")

是不是很简单?

映射

我们这里用科考人员收集的企鹅体征数据来演示。

R

library(tidyverse)
penguins <- read_csv(here::here("demo_data", "penguins.csv")) %>%
  janitor::clean_names() %>% 
  drop_na()

penguins %>%
  head()

变量含义

variable	class	description
species	character	企鹅种类 (Adelie, Gentoo, Chinstrap)
island	character	所在岛屿 (Biscoe, Dream, Torgersen)
bill_length_mm	double	嘴峰长度 (单位毫米)
bill_depth_mm	double	嘴峰深度 (单位毫米)
flipper_length_mm	integer	鰭肢长度 (单位毫米)
body_mass_g	integer	体重 (单位克)
sex	character	性别
year	integer	记录年份

我们会用到penguins数据集其中的四个变量

R

penguins %>%
  select(species, sex, bill_length_mm, bill_depth_mm) %>%
  head(4)

嘴巴越长，嘴巴也会越厚？

这里提出一个问题，嘴巴越长，嘴巴也会越厚？

为考察嘴峰长度(bill_length_mm)与嘴峰深度(bill_depth_mm)之间的关联，先绘制这两个变量的散点图，

ggplot() 初始化绘图，相当于打开了一张纸，准备画画。
ggplot(data = penguins) 表示使用penguins这个数据框来画图。
+表示添加图层。
geom_point()表示绘制散点图。
aes()表示数值和视觉属性之间的映射。

aes(x = bill_length_mm, y = bill_depth_mm)，意思是变量bill_length_mm作为（映射为）x轴方向的位置，变量bill_depth_mm作为（映射为）y轴方向的位置。

aes()除了位置上映射，还可以实现色彩、形状或透明度等视觉属性的映射。

运行脚本后生成图片：

刚才看到的是位置上的映射，ggplot()还包含了颜色、形状以及透明度等图形属性的映射，

比如我们在aes()里增加一个颜色映射 color = species, 这样做就是希望，不同的企鹅类型, 用不同的颜色来表现。这里，企鹅类型有三组，那么就用三种不同的颜色来表示

R

ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm, color = species))

此图绘制不同类型的企鹅，嘴峰长度与嘴峰深度散点图，并用颜色来实现了分组。

大家试试下面代码呢，

R

ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm, size = species))

R

ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm, shape = species))

R

ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm, alpha = species))

也可更多映射

R

ggplot(penguins) +
  geom_point(
    aes(x = bill_length_mm, y = bill_depth_mm, color = species, alpha = sex)
  )

为什么图中是这样的颜色呢？那是因为ggplot()内部有一套默认的设置

不喜欢默认的颜色，可以自己定义喔。请往下看

映射 vs.设置

想把图中的点指定为某一种颜色，可以使用设置语句，比如

R

ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm), color = "blue")

大家也可以试试下面

R

ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm), size = 5)

R

ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm), shape = 2)

R

ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm), alpha = 0.5)

提问

思考下左图中aes(color = "blue")为什么会变成了红色的点？

几何形状

geom_point() 可以画散点图，也可以使用geom_smooth()绘制平滑曲线，

R

ggplot(penguins) +
  geom_smooth(aes(x = bill_length_mm, y = bill_depth_mm))

R

ggplot(penguins) +
  geom_smooth(
    aes(x = bill_length_mm, y = bill_depth_mm),
    method = "lm"
   )

图层叠加

R

ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm)) +
  geom_smooth(aes(x = bill_length_mm, y = bill_depth_mm))

很强大，但相同的代码让我写两遍，我不高兴。要在偷懒的路上追求简约

R

ggplot(penguins, aes(x = bill_length_mm, y = bill_depth_mm)) +
  geom_point() +
  geom_smooth()

以上两段代码出来的图为什么是一样？背后的含义有什么不同？接着往下看

Global vs. Local

R

ggplot(penguins, aes(x = bill_length_mm, y = bill_depth_mm, color = species)) +
  geom_point()

R

ggplot(penguins) +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm, color = species))

大家可以看到，以上两段代码出来的图是一样。但背后的含义却不同。

映射关系aes(x = bill_length_mm, y = bill_depth_mm) 写在ggplot()里, 为全局声明。那么，当geom_point()画图时，发现缺少图形所需要的映射关系（点的位置、点的大小、点的颜色等等），就会从ggplot()全局变量中继承映射关系。
如果映射关系aes(x = bill_length_mm, y = bill_depth_mm) 写在几何形状geom_point()里, 那么此处的映射关系就为局部声明, 那么geom_point()绘图时，发现所需要的映射关系已经存在，就不会继承全局变量的映射关系。

看下面这个例子，

R

ggplot(penguins, aes(x = bill_length_mm, y = bill_depth_mm)) +
  geom_point(aes(color = species)) +
  geom_smooth()

这里的 geom_point() 和 geom_smooth() 都会从全局变量中继承位置映射关系。

再看下面这个例子，

R

ggplot(penguins,aes(x = bill_length_mm, y = bill_depth_mm, color = species)) +
  geom_point(aes(color = sex))

局部变量中的映射关系 aes(color = )已经存在，因此不会从全局变量中继承，沿用当前的映射关系。

图层从全局声明中继承

体会下代码之间的区别

R

ggplot(penguins, aes(x = bill_length_mm, y = bill_depth_mm, color = species)) +
  geom_point()

R

ggplot(penguins, aes(x = bill_length_mm, y = bill_depth_mm)) +
  geom_point(aes(color = species))

R

ggplot(penguins, aes(x = bill_length_mm, y = bill_depth_mm, color = sex)) +
  geom_point(aes(color = species))

图层之间没有继承关系

再看下面这个例子

R

ggplot(penguins, aes(x = bill_length_mm, y = bill_depth_mm)) +
  geom_point() +
  geom_smooth(method = "lm")

R

ggplot(penguins, aes(x = bill_length_mm, y = bill_depth_mm)) +
  geom_point(aes(color = species)) +
  geom_smooth(method = "lm")

R

ggplot(penguins, aes(x = bill_length_mm, y = bill_depth_mm)) +
  geom_smooth(method = "lm") +
  geom_point(aes(color = species))

R

ggplot(penguins, aes(x = bill_length_mm, y = bill_depth_mm, color = species)) +
  geom_point() +
  geom_smooth(method = "lm")

R

ggplot(penguins, aes(x = bill_length_mm, y = bill_depth_mm, color = species)) +
  geom_point(aes(color = sex)) +
  geom_smooth(method = "lm")

R

ggplot(penguins, aes(x = bill_length_mm, y = bill_depth_mm, color = species)) +
  geom_point() +
  geom_smooth(method = "lm", aes(color = sex))

保存图片

可以使用ggsave()函数，将图片保存为所需要的格式，如".pdf", ".png"等，还可以指定图片的高度和宽度，默认units是英寸，也可以使用"cm", or "mm".

R

p1 <- penguins %>% 
  ggplot(aes(x = bill_length_mm, y = bill_depth_mm)) +
  geom_smooth(method = lm) +
  geom_point(aes(color = species)) +
  ggtitle("This is my first plot")

ggsave(
  plot = p1,
  filename = "my_plot.pdf",
  width = 8,
  height = 6,
  dpi = 300
)

如果想保存当前图形，ggplot() 也可以不用赋值，同时省略ggsave()中的 plot = p1，ggsave()会自动保存最近一次的绘图

R

penguins %>% 
  ggplot(aes(x = bill_length_mm, y = bill_depth_mm)) +
  geom_smooth(method = lm) +
  geom_point(aes(color = species)) +
  ggtitle("This is my first plot")

ggsave("my_last_plot.pdf", width = 8, height = 6, dpi = 300)

课堂作业

补充代码，要求在一张图中画出

企鹅嘴巴长度和嘴巴厚度的散点图
不同企鹅种类用不同的颜色
整体的线性拟合
不同种类分别线性拟合

R

ggplot(penguins, aes(x = ___, y = ___)) +
  geom_point() +
  geom_smooth() +
  geom_smooth()

小结

延伸阅读

在相关章节到相关章节会再讲ggplot2

一个点有位置、颜色、大小、形状外，还有哪些属性？如果画线条，应该有哪些视觉属性？
打开 <https://ggplot2tor.com/aesthetics>
输入 geom_point 或者 geom_line 试试
<https://osf.io/bj83f/>
<https://ggplot2.tidyverse.org/>

R

# remove the objects
# rm(list=ls())
rm(corrs, d, dat, data, means, penguins, N, p, p1, p2, p3, Sigma)

R

pacman::p_unload(pacman::p_loaded(), character.only = TRUE)