详解《R数据科学》--第一章ggplot2

1.mpg数据框

数据框是变量（列）和观测（行）的矩形集合。mpg是ggplot2的内置数据框。
拿到一个数据首先就要观察它！忘了谁说的反正好有道理。
Fuel economy data from 1999 and 2008 for 38 popular models of car
234 行x 11列

1.manufacturer：生产商 15个
2.model：型号 38个
3.displ：引擎排量-L 35个，单位为升，小数
4.year：出厂年份
5.cly：汽缸数 4,5,6,8
6.trans：变速方式：10个
7.dry：驱动方式 f r 4
8.cty ：每加仑汽油能跑的公里数（城市）21个，整数
9.hwy：燃油效率：每加仑汽油能跑的公里数（高速路）单位英里/加仑，燃油效率高说明省油。 27个，整数。
10.fl：燃油类型，五个 p r e d c
11.class：车型七个 compact midsize suv 2seater minivan pickup subcompact

关于mpg：

（1）如何查看行列数和变量类型

mpg

（2）如何查看每列的含义

?mpg #查看帮助文档

（3）如何查看每列的非重复值及每个值的重复次数

#用dplyr包的distinct函数
p<-mpg
library(dplyr)
distinct(p,manufacturer) #manufacturer替换为其他列名。仅显示非重复值，不显示重复次数。
count(p,manufacturer) #显示出现次数

2.入门级绘图模板

ggplot(data = ) +
(mapping = aes())

3.图形映射属性

基础作图

ggplot(data = mpg) + 
       geom_point(mapping = aes(x = displ, y = hwy))

（1）颜色color

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy, color = class))

（2）大小size

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy, size = class))

警告信息：Warning: Using size for a discrete variable is not advised.
discrete variable--离散型变量（因子、字符、逻辑值）
变量按其数值表现是否连续，分为连续变量和离散变量。离散变量指变量值可以按一定顺序一一列举，通常以整数位取值的变量。如职工人数、工厂数、机器台数等。
--来自百度百科

（3）透明度和形状

# 将车型class映射给透明度
ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy, alpha = class))
# 将车型class映射给形状
ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy, shape = class))

警告信息

Warning messages: 1: The shape palette can deal with a maximum of 6 discrete values because more than 6 becomes difficult to discriminate; you have 7. Consider specifying shapes manually if you must have them. 2: Removed 62 rows containing missing values (geom_point).
自动分配形状只能显示6种，缺失62行是因为suv车型没有被分配到形状，未曾显示。用count（mpg,class）可以查看class为suv的确实是62个。

（4）手动设置图形属性

例：所有点设为蓝色
（注意：color="blue"在aes（）外）

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy), color = "blue")

手动设置需要设为有意义的值。

颜色：字符串，blue，red等

大小：单位mm

形状：数字编号表示

空心形状 0-14 color边框
实心形状 15-20 color填充
填充形状 21-24 color边框，和fill填充

（5）stroke-轮廓（笔者补充）

适用于散点图，21-24号形状

ggplot(data = mpg) + 
      geom_point(mapping = aes(x = displ, y = hwy, stroke = 3),shape=21)

5.分面

（1）依据单个变量分面 facet_wrap()

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy)) + 
  facet_wrap(~ class, nrow = 2) #分两行展示

nrow指定分面后显示几行
ncol指定分面后显示几列
注意~分面依据必须是离散型变量。

（2）依据两个变量分面 facet_grid()

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy)) + 
  facet_grid(drv ~ cyl)

不需要指定nrow和ncol。

(3)不想在行或列维度中分面，用.代替变量名

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy)) + 
  facet_grid(. ~ cyl)

6.几何对象

也就是图的不同类型，如点图、折线图、直方图等。

（1）理解分组

将一个图形属性映射为一个离散型变量，ggplot2就会自动对数据进行分组来绘制多个几何对象。这种形式是隐式分组，不需要添加图例和区分特征。

ggplot(data = mpg) +
  geom_smooth(mapping = aes(x = displ, y = hwy))

将线性映射为drv（驱动方式，d,f,4）就会自动变成三条线型不同的线。
将颜色映射为drv，就会自动变成三条颜色不用的线。

#分组
ggplot(data = mpg) +
  geom_smooth(mapping = aes(x = displ, y = hwy, group = drv))
#隐式分组-线型
ggplot(data = mpg) +
  geom_smooth(
    mapping = aes(x = displ, y = hwy, linetype = drv),
  )
#隐式分组-颜色
ggplot(data = mpg) +
  geom_smooth(
    mapping = aes(x = displ, y = hwy, color = drv),
    show.legend = FALSE  #不显示图例
  )

（2）同一张图显示多个几何对象--局部映射和全局映射

--这里涉及到图层啦。

局部映射-映射只对改图层有效

有多个几何对象时，映射语句要重复多次，又丑又麻烦。

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy)) +
  geom_smooth(mapping = aes(x = displ, y = hwy))

全局映射--对所有图层生效

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) + 
  geom_point() + 
  geom_smooth()

局部映射与全局映射冲突时，服从局部映射。

例如:

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) + 
  geom_point(mapping = aes(color = class)) + 
  geom_smooth(data = filter(mpg, class == "subcompact"), se = FALSE)

如果出现报错，请library(dplyr) 或library(tidyverse)
Error in class == "subcompact" : comparison (1) is possible only for atomic and list types
这个报错是因为filter函数出自dplyr包，不加载就不能用~

ps：关于se=FALSE

se是standard error的缩写，se参数为拟合曲线添加标准误差带，也就是那个灰不啦叽的灰色背景带，默认是TRUE。

7.统计变换

（1）关于diamonds数据集（笔者补充）

ggplot2内置数据集，包含53940颗钻石的信息。
carat：克拉
cut：切割质量
color：颜色等级
clarity：纯净度等级
depth：深度比例
table：钻石顶部相对于最宽点的宽度
price：价格
"x" "y" "z" ：长宽深
↑以上来自帮助文档?diamonds

（2）统计变换函数和几何对象函数

统计变换：绘图时用来计算新数据的算法叫做统计变换stat
geom_bar做出的图纵坐标为count，是计算的新数据。
geom_bar的默认统计变换是stat_count，stat_count会计算出两个新变量-count（计数）和prop（proportions，比例）。
每个几何对象函数都有一个默认的统计变换，每个统计变换函数都又一个默认的几何对象。
用几何对象函数geom_bar作直方图，默认统计变换是stat_count，

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut))

用统计变换函数stat_count做计数统计图，默认几何对象是直方图。

ggplot(data = diamonds) + 
  stat_count(mapping = aes(x = cut))

这两个代码做出的图片结果是一致的。两种方法没有优劣之分。

（3）显示使用某种统计变换的原因

覆盖默认的统计变换
直方图默认的统计变换是stat_count,也就是统计计数。当需要直接用原表格的数据作图时就会需要覆盖默认的。

demo <- tribble(
  ~cut,         ~freq,
  "Fair",       1610,
  "Good",       4906,
  "Very Good",  12082,
  "Premium",    13791,
  "Ideal",      21551
) #新建表格并赋值给demo

ggplot(data = demo) +
  geom_bar(mapping = aes(x = cut, y = freq), stat = "identity") #覆盖默认的统计变换，使用identity。

覆盖从统计变换生成变量到图形属性的默认映射
直方图默认的y轴是x轴的计数。此例子中x轴是是五种cut（切割质量），直方图自动统计了这五种质量的钻石的统计计数，当你不想使用计数，而是想显示各质量等级所占比例的时候就需要用到prop。

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut, y = ..prop.., group = 1))

这里group=1的意思是把所有钻石作为一个整体，显示五种质量的钻石所占比例体现出来。如果不加这一句，就是每种质量的钻石各为一组来计算，那么比例就都是100%，显示五根大黑柱子，实在是丑出新高度。

在代码中强调统计变换
以stat_summary为例。

ggplot(data = diamonds) + 
  stat_summary(
    mapping = aes(x = cut, y = depth),
    fun.ymin = min,
    fun.ymax = max,
    fun.y = median
  )

（小洁碎碎念：stat_summary的默认几何图形是geom_pointrange,而这个geom_pointrange默认的统计变换却是identity，如果你不知道其中猫腻，就会发现他俩代码竟然不可逆。。。一夫多妻的节奏呀。）
因此要用几何对象函数重复这个图形，则需要指定stat_summary。

ggplot(data = diamonds) +
  geom_pointrange(
    mapping = aes(x = cut, y = depth),
    stat = "summary",
    fun.ymin = min,
    fun.ymax = max,
    fun.y = median
  )

8.位置调整-position

在直方图中，颜色映射是由color和fill之分的，表示边框和填充。如果要设置无填充（也就是透明），则fill=NA。NA在数据框里表示空值。

(1)直方图之堆叠式-fill

堆叠式就是在基础条形图上添加第三个变量，将这个变量映射给fill，就会在每个条形中分出不同颜色且不同比例的矩形。

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut,fill=clarity))

除了映射的方式以外，position参数设置位置调整功能。position="fill"也可以设置，但这样设置的每组堆叠条形具有相同的高度。

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut, fill = clarity), position = "fill")

笔者补充:感觉这种堆叠方式并不如设置fill映射，因为他突出的是比例，每组之间数值的差异被忽略了。

（2）直方图之对象直接显示-identity

ggplot(data = diamonds, mapping = aes(x = cut, fill = clarity)) + 
  geom_bar(alpha = 1/5, position = "identity")
ggplot(data = diamonds, mapping = aes(x = cut, colour = clarity)) + 
  geom_bar(fill = NA, position = "identity")

书中23页identity设置透明度和无填充的图是错的！
正确的是这样

（3）直方图之并列式-dodge

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut, fill = clarity), position = "dodge")

（4）散点图之扰动-jitter

书中翻译为抖动，我认为扰动更精确。
以mpg的displ和hwy散点图为例

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy))

在这个例子中，数据有234行，图中却只有126个点。这就是因为有些点是重叠的，图上虽然显示一个点，但其实是好几个点重叠成了一个。
jitter可以为点添加随机扰动，使重叠的点分散开。
position参数设为jitter的快速实现：geom_jitter()
除了geom_jitter外，geom_point也可以展示重叠点，会根据重叠点的个数调整大小。

（5）stack-堆叠

ggplot(series, aes(time, value, group = type)) +
  geom_line(aes(colour = type), position = "stack") +
  geom_point(aes(colour = type), position = "stack")

 ggplot(series, aes(time, value, group = type)) +
  geom_line(aes(colour = type)) +
  geom_point(aes(colour = type))

设置position_stack（上）和不设置（下）的区别：

9.坐标系

（1）coord_flip翻转坐标系

ggplot(data = mpg, mapping = aes(x = class, y = hwy)) + 
  geom_boxplot() +
  coord_flip()

（2）coord_quickmap

为地图设置长宽比
此处需要加载maps包，否则会报错。

library(maps)
#如果报错则：install.packages("maps")
#library(maps)
nz <- map_data("nz")

ggplot(nz, aes(long, lat, group = group)) +
  geom_polygon(fill = "white", colour = "black")

ggplot(nz, aes(long, lat, group = group)) +
  geom_polygon(fill = "white", colour = "black") +
  coord_quickmap()

geom_polygon 是多边形图

（3）coord_polar 极坐标系

bar <- ggplot(data = diamonds) + 
  geom_bar(
    mapping = aes(x = cut, fill = cut), 
    show.legend = FALSE,
    width = 1
  ) + 
  theme(aspect.ratio = 1) +
  labs(x = NULL, y = NULL)
bar + coord_flip()
bar + coord_polar()

ps：习题中涉及的

(1)关于饼图/牛眼图/圆圈图

ggplot(mpg, aes(x = factor(1), fill = drv)) +
  geom_bar()
ggplot(mpg, aes(x = factor(1), fill = drv)) +
  geom_bar(width = 1) +
  coord_polar(theta = "y")

要点：

不分组，只有一个因子型变量drv。
如果作图不设置width，饼图中间会出现一个白色圈圈。经测试发现width等于几在图上并没有区别，但是不设置却不行。
theta是角度的意思。如果不设置这个参数就会得到牛眼图哈哈哈哈哈哈。

作者取名叫牛眼图

多圆圈图

ggplot(data = diamonds) +
  geom_bar(mapping = aes(x = cut, fill = clarity), position = "fill") +
  coord_polar(theta = "y")

(2)第三题

geom_abline:添加线条
coord_fixed:保证横纵坐标的标尺一致，线条呈45°角

10.完整的绘图模板

ggplot(data = ) + 
  (
    mapping = aes(),
    stat = , 
    position = 
  ) +
   +

图形构建的过程

（1）数据集
（2）统计变换
（3）几何对象
（4）映射fill
（5）放置
（6）映射x/y

微信公众号生信星球同步更新我的文章

友情链接：
生信技能树公益视频合辑：学习顺序是linux，r，软件安装，geo，小技巧，ngs组学！
B站链接：https://m.bilibili.com/space/338686099
YouTube链接：https://m.youtube.com/channel/UC67sImqK7V8tSWHMG8azIVA/playlists
生信工程师入门最佳指南：https://mp.weixin.qq.com/s/vaX4ttaLIa19MefD86WfUA
学徒培养：https://mp.weixin.qq.com/s/3jw3_PgZXYd7FomxEMxFmw
资料大全：https://mp.weixin.qq.com/s/QcES9u1vYh-l6LMXPgJIlA