R语言数据可视化ggplot2-检验变量相关性图形汇总

可视化用于检验变量相关性

本文介绍的图主要有助于检查两个变量的相关程度。共涉及图形包括：

• 1.散点图 Scatterplot
• 2.带环绕的散点图 Scatterplot with Encircling
• 3.抖动图 Jitter Plot
• 4.计数图 Counts Chart
• 5.气泡图 Bubble Plot
• 6.边际直方图/箱线图 Marginal Histogram / Boxplot
• 7.相关图 Correlogram

1.散点图 Scatterplot

数据分析最常用的图无疑是散点图。每当你想了解两个变量之间关系的性质时，第一选择总是散点图。它可以使用 geom_point() 绘制。此外，默认情况下绘制平滑线的 geom_smooth 可以通过设置 method='lm' 调整以绘制最佳拟合线。

# 导入所需包和数据
options(scipen=999)  # 关闭科学记数法，如 1e+48
library(ggplot2)
theme_set(theme_bw())  # 设置 theme_bw()为默认主题.
data("midwest", package = "ggplot2") # 导入数据
# midwest <- read.csv("http://goo.gl/G1K41K")  # 数据源

# Scatterplot
gg <- ggplot(midwest, aes(x=area, y=poptotal)) + 
  geom_point(aes(col=state, size=popdensity)) + 
  geom_smooth(method="loess", se=F) + 
  xlim(c(0, 0.1)) + 
  ylim(c(0, 500000)) + 
  labs(subtitle="Area Vs Population", 
       y="Population", 
       x="Area", 
       title="Scatterplot", 
       caption = "Source: midwest")

plot(gg)

2.带环绕的散点图 Scatterplot With Encircling

在展示结果时，有时我会在图表中圈出某些特殊的点或区域，以引起人们对那些特殊情况的注意。这可以使用 ggalt 包中的 geom_encircle() 方便地完成。

在 geom_encircle() 中，将数据设置为仅包含点（行）或兴趣的新数据框。此外，可以使用曲线以便刚好包围想要强调的点。曲线的颜色和大小（粗细）也可以修改。见下面的例子。

# install 'ggalt' pkg
# devtools::install_github("hrbrmstr/ggalt")
options(scipen = 999)
library(ggplot2)
library(ggalt)

# 希望强调的区域
midwest_select <- midwest[midwest$poptotal > 350000 & 
                            midwest$poptotal <= 500000 & 
                            midwest$area > 0.01 & 
                            midwest$area < 0.1, ]

# Plot
ggplot(midwest, aes(x=area, y=poptotal)) + 
  geom_point(aes(col=state, size=popdensity)) +   # draw points
  geom_smooth(method="loess", se=F) + 
  xlim(c(0, 0.1)) + 
  ylim(c(0, 500000)) +   # draw smoothing line
  geom_encircle(aes(x=area, y=poptotal), 
                data=midwest_select, 
                color="red", 
                size=2, 
                expand=0.08) +   # encircle
  labs(subtitle="Area Vs Population", 
       y="Population", 
       x="Area", 
       title="Scatterplot + Encircle", 
       caption="Source: midwest")

3.抖动图 Jitter Plot

让我们看一个新的数据来绘制散点图。这一次，我将使用 mpg 数据集绘制城市里程 (cty) 与高速公路里程 (hwy)。

# load package and data
library(ggplot2)
data(mpg, package="ggplot2") # alternate source: "http://goo.gl/uEeRGu")
theme_set(theme_bw())  # pre-set the bw theme.

g <- ggplot(mpg, aes(cty, hwy))

# Scatterplot
g + geom_point() + 
  geom_smooth(method="lm", se=F) +
  labs(subtitle="mpg: city vs highway mileage", 
       y="hwy", 
       x="cty", 
       title="Scatterplot with overlapping points", 
       caption="Source: midwest")

我们这里有一个 mpg 数据集中城市和高速公路里程的散点图。我们已经看到了一个类似的散点图，它看起来很整洁，并且清楚地说明了城市里程 (cty) 和高速公路里程 (hwy) 之间的相关性。

但是，这个看似合理的描述却隐藏了什么内容。你可以找到嘛？

dim(mpg)

## [1] 234  11

原始数据有 234 个数据点，但图表显示的点似乎更少。发生了什么？这是因为有许多重叠点显示为单个点。 cty 和 hwy 在源数据集中都是整数这一事实使得隐藏这个细节更加方便。因此，下次使用整数制作散点图时要格外小心。

那么如何处理呢？有几个选项。我们可以使用 jitter_geom() 制作抖动图。顾名思义，重叠点根据宽度参数(width)控制的阈值在其原始位置周围随机抖动。

# load package and data
library(ggplot2)
data(mpg, package="ggplot2")
# mpg <- read.csv("http://goo.gl/uEeRGu")

# Scatterplot
theme_set(theme_bw())  # pre-set the bw theme.
g <- ggplot(mpg, aes(cty, hwy))
g + geom_jitter(width = .5, size=1) +
  labs(subtitle="mpg: city vs highway mileage", 
       y="hwy", 
       x="cty", 
       title="Jittered Points")

现在揭示更多点。宽度越大，点从其原始位置移动得越多。

4.计数图 Counts Chart

克服数据点重叠问题的第二种选择是使用计数图。哪里有更多的点重叠，圆圈的大小就会变大。

# load package and data
library(ggplot2)
data(mpg, package="ggplot2")
# mpg <- read.csv("http://goo.gl/uEeRGu")

# Scatterplot
theme_set(theme_bw())  # pre-set the bw theme.

g <- ggplot(mpg, aes(cty, hwy))
g + geom_count(col="tomato3", show.legend=F) +
  labs(subtitle="mpg: city vs highway mileage", 
       y="hwy", 
       x="cty", 
       title="Counts Plot")

5.气泡图 Bubble plot

虽然散点图可以比较2个连续变量之间的关系，但如果您想基于以下基础了解基础组内的关系，则气泡图非常有用：

• 一个分类变量（通过改变颜色）
• 另一个连续变量（通过改变点的大小）。

简而言之，如果您有 4 维数据，其中两个是数字（X 和 Y），另一个是分类变量（颜色）和另一个数字变量（大小），则气泡图更合适。

气泡图清楚地区分了displ之间的差异范围以及最佳拟合线(lines-of-best-fit varies)的斜率如何变化，从而提供了更好的组间视觉比较。

# load package and data
library(ggplot2)
data(mpg, package="ggplot2")
# mpg <- read.csv("http://goo.gl/uEeRGu")

mpg_select <- mpg[mpg$manufacturer %in% c("audi", "ford", "honda", "hyundai"), ]

# Scatterplot
theme_set(theme_bw())  # pre-set the bw theme.
g <- ggplot(mpg_select, aes(displ, cty)) + 
  labs(subtitle="mpg: Displacement vs City Mileage",
       title="Bubble chart")

g + geom_jitter(aes(col=manufacturer, size=hwy)) + 
  geom_smooth(aes(col=manufacturer), method="lm", se=F)

6.边际直方图/箱线图

如果要在同一图表中显示关系和分布，请使用边际直方图。它在散点图的边缘有一个 X 和 Y 变量的直方图。

这可以使用ggExtra包中的 ggMarginal() 函数来实现。除了直方图，您还可以通过设置相应的类型选项来选择绘制边际箱线图或密度图。

# load package and data
library(ggplot2)
library(ggExtra)
data(mpg, package="ggplot2")
# mpg <- read.csv("http://goo.gl/uEeRGu")

# Scatterplot
theme_set(theme_bw())  # pre-set the bw theme.
mpg_select <- mpg[mpg$hwy >= 35 & mpg$cty > 27, ]
g <- ggplot(mpg, aes(cty, hwy)) + 
  geom_count() + 
  geom_smooth(method="lm", se=F)

ggMarginal(g, type = "histogram", fill="transparent")
ggMarginal(g, type = "boxplot", fill="transparent")

# ggMarginal(g, type = "density", fill="transparent")

7.相关图 Correlogram

相关图让您检查同一数据帧中存在的多个连续变量的相关性。这可以使用 corrplot 包方便地实现。

# devtools::install_github("kassambara/ggcorrplot")
library(ggplot2)
library(ggcorrplot)

# Correlation matrix
data(mtcars)
corr <- round(cor(mtcars), 1)

# Plot
ggcorrplot(corr, hc.order = TRUE, 
           type = "lower", 
           lab = TRUE, 
           lab_size = 3, 
           method="circle", 
           colors = c("tomato2", "white", "springgreen3"), 
           title="Correlogram of mtcars", 
           ggtheme=theme_bw)

文章首发于WX公众号：R语言vs科研