手把手教你使用ggplot2绘制散点图

散点图可以用来描述两个连续变量之间的关系，一般在做数据探索分析时会使用到，通过散点图发现变量之间的相关性强度、是否线性关系等。

绘制简单的散点图

ggplot包中的geom_point()函数可以非常方便绘制出所需的散点图。

library(ggplot2)

set.seed(1234)

x <- rnorm(100,mean = 2, sd = 3)

y <- -1.5 + 2*x + rnorm(100)

df <- data.frame(x = x, y = y)

ggplot(data = df, mapping = aes(x = x, y = y)) + geom_point()

绘制分组的散点图

可将分组变量(因子或字符变量)赋值给颜色或形状属性，实现分组散点图的绘制

set.seed(1234)

x <- rnorm(100,mean = 2, sd = 3)

y <- -1.5 + 2*x + rnorm(100)

z <- sample(c(0,1), size = 100, replace = TRUE)

df <- data.frame(x = x, y = y, z = z)

#将数值型变量转换为因子型变量

df$z <- factor(df$z)

#分组变量赋值给颜色属性

ggplot(data = df, mapping = aes(x = x, y = y, colour = z)) + geom_point(size = 3)

#分组变量赋值给形状属性

ggplot(data = df, mapping = aes(x = x, y = y, shape = z)) + geom_point(size = 3)

用户可能对默认的颜色或形状不满意，可以通过scale_colour_brewer()或scale_colour_manual()函数自定义点的颜色；通过scale_shape_manual()函数实现自定义点的形状。为了说明问题，这里将分组变量同时赋值给颜色属性和形状属性。

ggplot(data = df, mapping = aes(x = x, y = y, colour = z, shape = z)) + geom_point(size = 3) + scale_color_brewer(palette = 'Accent') + scale_shape_manual(values = c(2,16))

有关可选的点的形状可参考下图：

这里需要提醒的是，21-25之间的点形状，既可以赋值边框颜色，又可以赋值填充色，当数据点颜色较浅时，带边框线的点就显得尤为重要，这样可以将数据点与背景色区分开来，而0-20之间的点形状，只能赋值边框颜色。

以上几种图形是将离散变量或因子映射给颜色属性或形状属性，下面介绍如何将连续变量映射给颜色属性或大小属性。

x <- c(10,13,11,15,18,20,21,22,24,26)

y <- c(76,60,70,58,55,48,44,40,26,18)

z <- c(100,120,300,180,80,210,30,95,145,420)

df <- data.frame(x = x, y = y, z = z)

#将连续变量映射给颜色属性

ggplot(data = df, mapping = aes(x = x, y = y, colour = z)) + geom_point(size = 3)

但这里发现一个问题，颜色越深而对应的值越小，如何将值的大小与颜色的深浅保持一致呢？很简单，只需人为的设置色阶，从低到高设置不同的颜色即可。

ggplot(data = df, mapping = aes(x = x, y = y, colour = z)) + geom_point(size = 3) + scale_colour_gradient(low = 'lightblue', high = 'darkblue')

#将连续变量映射给大小属性

ggplot(data = df, mapping = aes(x = x, y = y, size = z)) + geom_point()

上面将连续变量赋值给颜色属性或大小属性，我们还可以人为的设置色阶间隔或大小间隔。

#自定义色阶间隔

ggplot(data = df, mapping = aes(x = x, y = y, fill = z)) + geom_point(shape = 21, size = 3) + scale_fill_continuous(low = 'lightblue', high = 'darkblue', breaks = c(100,150,200,300,350,400))

#自定义球大小的间隔

ggplot(data = df, mapping = aes(x = x, y = y, size = z)) + geom_point() + scale_size_continuous(breaks = c(100,150,200,300,350,400), guide = guide_legend())

#将连续变量值的大小与球的大小成比例

ggplot(data = df, mapping = aes(x = x, y = y, size = z)) + geom_point() + scale_size_area(max_size = 10)

很明显，使用第二种球大小的图看起来更舒服，也更明显。

重叠点的处理

当数据点非常多时，可能会导致数据点重叠非常严重，该如何处理这样的问题呢？一般有以下几种方法：

1）使用半透明的点

2）数据分箱，并用矩形表示

3）数据分箱，并用六边形表示

4）使用二维密度估计，并将等高线添加到散点图中

5）向散点图中添加边际地毯

set.seed(1234)

x <- rnorm(10000)

y <- rnorm(10000,0,2)

df <- data.frame(x = x, y = y)

#不作任何处理

ggplot(data = df, mapping = aes(x = x, y = y)) + geom_point()

#使用透明度处理点的重叠问题

ggplot(data = df, mapping = aes(x = x, y = y)) + geom_point(alpha = 0.1)

#分箱，并用矩阵表示

ggplot(data = df, mapping = aes(x = x, y = y)) + stat_bin2d()

默认情况下，stat_bin_2d()函数将x轴和y轴的数据点各分为30个段，即参数900个箱子，用户还可以自定义分段个数,以及箱子在垂直和水平方向上的宽度。

#设置bins为50

ggplot(data = df, mapping = aes(x = x, y = y)) + stat_bin2d(bins = 50) + scale_fill_gradient(low = 'steelblue', high = 'darkred', limits = c(0,100), breaks = c(0,25,50,100))

将图形划分为小的正方形箱可能会产生分散注意力的视觉假象，一般建议使用六边形代之。

#分箱，并用六边形表示

ggplot(data = df, mapping = aes(x = x, y = y)) + stat_binhex(binwidth = c(0.2,0.3)) + scale_fill_gradient(low = 'lightgreen', high = 'darkred', limits = c(0,100), breaks = c(0,25,50,100))

#使用stat_density2d作二维密度估计，并将等高线添加到散点图中

ggplot(data = df, mapping = aes(x = x, y = y)) + geom_point() + stat_density2d()

#使用大小与分布密度成正比例的点

ggplot(data = df, mapping = aes(x = x, y = y)) + stat_density2d(geom = 'point', aes(size = ..density..), contour = FALSE) + scale_size_area()

#使用热图展示数据分布密度情况

ggplot(data = df, mapping = aes(x = x, y = y)) + stat_density2d(geom = 'tile', aes(fill = ..density..), contour = FALSE)

#向散点图中添加边际地毯

ggplot(data = faithful, mapping = aes(x = eruptions, y = waiting)) + geom_point() + geom_rug()

通过边际地毯，可以快速查看每个坐标轴上数据的分布密疏情况。还可以通过向边际地毯线的位置坐标添加扰动并设定size减少线宽，从而减轻边际地毯线的重叠程度。

ggplot(data = faithful, mapping = aes(x = eruptions, y = waiting)) + geom_point() + geom_rug(position = 'jitter', size = 0.1)

如果一个变量为离散变量，另一个变量为连续变量时，如何绘制散点图？

set.seed(1234)

x <- rep(1:5, each = 1000)

y <- c(rnorm(1000),rnorm(1000,1,2),rnorm(1000,3,4),rt(1000,2),rt(1000,4))

df <- data.frame(x = x, y = y)

df$x <- factor(df$x)

#不作任何处理的散点图

ggplot(data = df, mapping = aes(x = x, y = y)) + geom_point()

对于这样的图，似乎没有什么意义，为了避免过度重叠，有以下两种处理方法：

1）使用扰动图

2）使用箱线图(适用于一个或两个变量为离散变量)

#给数据点添加随机扰动

ggplot(data = df, mapping = aes(x = x, y = y)) + geom_point(position = 'jitter')

默认情况下，扰动函数在每个方向（水平和垂直）上添加的扰动值为数据点最小精度的40%，当然也可以通过width和height参数自定义扰动量。

ggplot(data = df, mapping = aes(x = x, y = y)) + geom_point(position = position_jitter(width = 0.5, height = 0))

上图只在水平方向上添加50%的扰动量。

#绘制箱线图

ggplot(data = df, mapping = aes(x = x, y = y)) + geom_boxplot(mapping = aes(group = x), fill = 'steelblue')

这里需要提醒的是，横坐标为数值型变量时，必须要将其转换为因子，并在geom_boxplot()函数的属性中将因子映射给group，否则产生的效果图将是错误的。

上文中提到，通过绘制两个变量的散点图可以查看变量将的关系，可以是线性的也可以是非线性的，如何在散点图的基础上再添加拟合曲线呢？下文将逐一介绍几种拟合线。

#不添加任何拟合线

ggplot(data = iris, mapping = aes(x = Petal.Length, y = Petal.Width, colour = Species)) + geom_point()

#添加线性拟合线

ggplot(data = iris, mapping = aes(x = Petal.Length, y = Petal.Width, colour = Species)) + geom_point() + stat_smooth(method = 'lm')

#添加局部加权多项式曲线

ggplot(data = iris, mapping = aes(x = Petal.Length, y = Petal.Width, colour = Species)) + geom_point() + stat_smooth(method = 'loess')

#添加Logistic曲线

library(MASS)

b <- biopsy

#绘制Logistic曲线必须将因变量强制转换为0-1

b <- transform(b, class_trans = ifelse(class == 'benign', 0, 1))

ggplot(data = b, mapping = aes(x = V1, y = class_trans)) + geom_point(position = position_jitter(width = 0.3, height = 0.06), alpha = 0.4, shape = 21, size = 2) + stat_smooth(method = glm, method.args = list(family = "binomial"))

如果不需要为拟合线绘制置信区间的话，置信将stat_smooth()函数中的参数se设为FALSE即可。

如果两个变量均是离散变量，该如何绘制散点图？实质上，这样的散点图我们称作气泡图。一般可以将这种图应用到价值转移中。

value1 <- rep(c('高价值','中价值','低价值'), each = 3)

value2 <- rep(c('高价值','中价值','低价值'), times = 3)

nums <- c(500,287,123,156,720,390,80,468,1200)

df <- data.frame(value1 = value1, value2 = value2, nums = nums)

df$value1 <- factor(df$value1, levels = c('高价值','中价值','低价值'), order = TRUE)

df$value2 <- factor(df$value2, levels = c('低价值','中价值','高价值'), order = TRUE)

ggplot(data = df, mapping = aes(x = value1, y = value2, size = nums)) + geom_point(colour = 'steelblue') + scale_size_area(max_size = 30, guide = FALSE) + geom_text(aes(label = nums), vjust = 0, colour = 'black', size = 5)

从图中可知，高价值用户中有80个流向了低价值，而低价值用户中又有128个流向高价值。

最后再介绍两种比较常用的种散点图，即Cleveland点图和散点图矩阵。

在《手把手教你使用ggplot2绘制条形图》我们向大家介绍了然后绘制各种各样的条形图，这里介绍另一种替代条形图的Cleveland点图。通过Cleveland点图可以减少图形造成的视觉混乱，同时图形更具可读性。

set.seed(1234)

names <- letters

Score <- runif(26, min = 55, max = 90)

df <- data.frame(names = names, Score = Score)

#条形图

ggplot(data = df, mapping = aes(x = reorder(names,Score), y = Score)) + geom_bar(stat = 'identity', fill = 'steelblue', colour = 'black') + xlab('Name') + geom_text(aes(label = round(Score)), vjust = 1)

#Cleveland点图

ggplot(data = df, mapping = aes(x = reorder(names,Score), y = Score)) + geom_point(size = 5, shape = 21, fill = 'steelblue', colour = 'black') + xlab('Name')

散点图矩阵是一种对多个变量两两之间关系进行可视化的有效方法，R中pairs()函数可以实现这样的需求。

#使用pairs()函数绘制散点图矩阵

data(tips, package = "reshape")

pairs(tips[,1:3])

#使用car包中的scatterplot.matrix()函数

library(car)

scatterplot.matrix(tips[,1:3])

#使用GGally包中的ggpairs()函数绘制散点图矩阵

library(GGally)

ggpairs(tips[, 1:3])

通过GGally包中的ggpairs()函数绘制散点图矩阵还是非常引入入目的，将连续变量和离散变量非常完美的结合在一起。

参考资料：

R语言_ggplot2：数据分析与图形艺术

R数据可视化手册