本系列为R语言进阶版学习，包含《R数据科学》的代码笔记及课后习题，已收录至“R数据科学”专栏，空余时间会持续更新。

第一部分 探索

第1章 使用ggplot2进行数据可视化

准备工作：安装并加载tidyverse包

install.packages("tidyverse")
library("tidyverse") #ggplot2是tidyverse的核心R包，使用ggplot2前可以先加载tidyverse包

使用ggplot做个简单的散点图：

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

• 练习：

1. 运行ggplot(data = mpg)

ggplot(data = mpg)

1. 数据集mpg有几行几列

view(mpg) #查看完整数据框
head(mpg) #查看前6行数据
tail(mpg) #查看后6行数据
nrow(mpg) #查看mpg行数
ncol(mpg) #查看mpg列数
dim(mpg) #查看mpg行列数
glimpse(mpg) #查看数据框信息，其中包含行列数

1. 变量drv的意义是什么？使用?mpg命令阅读帮助文件以找出答案

help(mpg)
#drv:the type of drive train, where f = front-wheel drive, r = rear wheel drive, 4 = 4wd

1. 使用hwy和cyl绘制一张散点图

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

1. 如果使用class和drv绘制散点图，会发生什么情况？为什么这张图没什么用处？

ggplot(data = mpg)+geom_point(mapping = aes(x = class,y = drv)) #class和drv为分类变量，并存在重复，不适合用散点图展示
ggplot(mpg,aes(x = class,y = drv))+geom_point()#散点图不显示观测值数量，因此当所有x，y为唯一值时，最适合绘制简单散点图

count(mpg, drv, class) #快速查看变量类型和数量
# 结果：
# A tibble: 12 × 3drv   class          n<chr> <chr>      <int>1 4     compact       122 4     midsize        33 4     pickup        334 4     subcompact     45 4     suv           516 f     compact       357 f     midsize       388 f     minivan       119 f     subcompact    22
10 r     2seater        5
11 r     subcompact     9
12 r     suv           11

• 扩展：

① 使用count可绘制带有观测值大小的散点图

ggplot(mpg,aes(x = class,y = drv))+geom_count()

② 使用色标显示观测值

mpg %>%count(class, drv) %>%ggplot(aes(x = class, y = drv))+geom_tile(mapping = aes(fill = n))

③ 补全空白区域

mpg %>%count(class, drv) %>%complete(class, drv, fill = list(n = 0)) %>% #使用n=0的色标填补空白区域ggplot(aes(x = class,y = drv))+geom_tile(mapping = aes(fill = n))

1.3 图形属性映射

ggplot(data = mpg)+geom_point(mapping = aes(x = displ, y = hwy, color = class)) #以class颜色分类

ggplot(data = mpg)+geom_point(mapping = aes(x = displ, y = hwy, size = class)) #以class尺寸分类

ggplot(data = mpg)+geom_point(mapping = aes(x = displ, y = hwy, alpha = class)) #以class透明度分类

ggplot(data = mpg)+geom_point(mapping = aes(x = displ, y = hwy, shape = class)) #以class形状分类

注意：ggplot2只能同时使用6种形状，当超过6种时候，多出的变量将不会显示在图中

aes() #可以将图层中每个图形属性映射集合在一起，然后传递给该图层的映射参数。

ggplot(data = mpg)+geom_point(mapping = aes(x = displ,y = hwy), color = "blue") #手动设计图形属性，让图中所有点为蓝色

形状用数值表示，如下图所示：有些形状相同，比如0、15和22都是正方形。区别在于color和fill这两个图形属性。空心形状（0-14）的边界颜色由color决定；实心形状（15-20）的填充颜色由color决定；填充形状（21~24）的边界颜色由color决定，填充颜色由fill决定

• 练习：

1. 以下这段代码有什么错误？为什么点不是蓝色的？

ggplot(data = mpg) +geom_point(mapping = aes(x = displ, y = hwy, color = "blue"))
#此处color是包含在aes映射参数中，没有把blue当作颜色，而是把blue当作分类变量了，只取了一个blue值

ggplot(data = mpg) +geom_point(mapping = aes(x = displ, y = hwy, color = 1))

ggplot(data = mpg) +geom_point(mapping = aes(x = displ, y = hwy, color = 1:234))
#将color取值为1，1：234效果同上

1. mpg中哪些变量是分类变量？哪些变量是连续变量？（提示：输入?mpg来阅读这个数据集的文档）当调用mpg时，如何才能看到这些信息？

mpg #<chr>为分类变量，<int>、<dbl>为连续型变量
glimpse(mpg) #使用glimpse()函数可以简洁的显示数据框每列的属性

1. 将一个连续变量映射为color、size 和shape。对分类变量和连续变量来说，这些图形属性的表现有什么不同？

ggplot(mpg, aes(x = displ, y = hwy, color = cty))+geom_point() #映射为color

ggplot(mpg, aes(x = displ, y = hwy, size = cty))+geom_point() #映射为size

ggplot(mpg, aes(x = displ, y = hwy, shape = cty)) +geom_point() #此时会报错，因为cty为连续型变量，将它映射到形状上时是无法区分不同形状对应的大小顺序的

1. 如果将同一个变量映射为多个图形属性，会发生什么情况？

ggplot(mpg, aes(x = displ, y = hwy, color = cty, size = displ))+geom_point()

将单个变量映射到多个变量是冗余信息，所以在大多数情况下尽量避免将单个变量映射到多个变量

1. stroke这个图形属性的作用是什么？它适用于哪些形状？（提示：使用?geom_point 命令。）

#作用是调整边框粗细
ggplot(mtcars, aes(wt, mpg))+geom_point(shape = 21, color = "black", fill = "white", size = 5, stroke = 5)

1. 如果将图形属性映射为非变量名对象，比如aes(color = displ < 5)，会发生什么情况？

ggplot(mpg, aes(x = displ, y = hwy, color = displ<5))+geom_point()

1.4 常见问题

注意：“+”必须放在一行代码的末尾，不可以放在开头

1.5 分面

绘制分面图形：

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

ggplot(data = mpg)+geom_point(mapping = aes(x = displ, y = hwy))+facet_grid(drv ~ cyl) #通过两个变量对图进行分面

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

• 练习：

1. 如果使用连续变量进行分面，会发生什么情况？

ggplot(mpg, aes(x = displ, y = hwy))+geom_point()+facet_grid(. ~ cty) #会在每一个观测值处展现一个分面

1. 在使用facet_grid(drv ~ cyl) 生成的图中，空白单元的意义是什么？它们和以下代码生成的图有什么关系？

ggplot(data = mpg) +geom_point(mapping = aes(x = drv, y = cyl)) #空白处表示drv和cyl没有观测值的部分

1. 以下代码会绘制出什么图？ . 的作用是什么？
   

ggplot(data = mpg) +geom_point(mapping = aes(x = displ, y = hwy)) +facet_grid(drv ~ .) #“.”表示分面时忽略该维度，在y轴上按照drv值分面

ggplot(data = mpg) +geom_point(mapping = aes(x = displ, y = hwy)) +facet_grid(. ~ cyl) #在x轴上按照cyl值分面

1. 查看本节的第一个分面图：

ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy)) +facet_wrap(~ class, nrow = 2)
#与使用图形属性相比，使用分面的优势和劣势分别是什么？如果有一个更大的数据集，你将如何权衡这两种方法的优劣？
#使用分面可以更清晰的展示各类别的主要信息，展示更多的类别，适合更大的数据集；缺点是比较各观测值时不够直观

1. 阅读?facet_wrap的帮助页面。nrow 和ncol 的功能分别是什么？还有哪些选项可以控制分面的布局？为什么函数facet_grid()没有变量nrow 和ncol ？

help(facet_wrap) #nrow, ncol Number of rows and columns.
#Nrow和ncol参数对于facet_grid()是不必要的，因为函数中指定的变量种类决定了行数和列数

1. 在使用函数facet_grid() 时，一般应该将具有更多唯一值的变量放在列上。为什么这么做呢？
   #会有更多的列空间

1.6 几何对象

ggplot(data = mpg) +geom_point(mapping = aes(x = displ, y = hwy)) #使用散点几何对象，可以设置点的形状

ggplot(mpg, aes(x = displ, y = hwy))+geom_smooth() #使用平滑曲线几何对象，可以设置线的线型

ggplot(data = mpg)+geom_smooth(mapping = aes(x = displ, y = hwy, linetype = drv)) #根据drv设置线型

ggplot2 提供了30多种几何对象，扩展包甚提供更多（https://www.ggplot2-exts.org 查看更多样例），想全面地了解这些对象，最好的方式是ggplot2 速查表（http://rstudio.com/cheatsheets）

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

ggplot(data = mpg)+geom_smooth(mapping = aes(x = displ, y = hwy, group = drv)) #以用drv分组

ggplot(data = mpg)+geom_smooth(mapping = aes(x = displ, y = hwy, color = drv), show.legend = FALSE) #以drv为颜色分组，不要图例

#在同一张图中显示多个几何对象
ggplot(data = mpg)+geom_point(mapping = aes(x = displ, y = hwy))+geom_smooth(mapping = aes(x = displ, y = hwy))

#也可以这样简单的表达结果同上，避免代码重复：
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+geom_point()+geom_smooth()

#可以任意增加各几何对象的展示，如此处散点图增加class用颜色分类
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+geom_point(mapping = aes(color = class))+ geom_smooth()

#也可以为不同的图层指定不同的数据
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+geom_point(mapping = aes(color = class))+geom_smooth(data = filter(mpg, class == "subcompact"), se = FALSE) #只画出subcompact类车曲线

• 练习：

1. 在绘制折线图、箱线图、直方图和分区图时，应该分别使用哪种几何对象？

geom_line()#折线图
geom_boxplot()#箱线图
geom_histogram()#直方图
geom_area()#分区图

1. 在脑海中运行以下代码，并预测会有何种输出。接着在R中运行代码，并检查你的预测是否正确。

ggplot(data = mpg,mapping = aes(x = displ, y = hwy, color = drv)) +geom_point() +geom_smooth(se = FALSE)
#是一个x轴displ、y轴hwy，并按drv颜色分类的散点图,叠加一层以drv颜色分类，且不含标准误阴影区间的线图

1. show.legend = FALSE的作用是什么？删除它会发生什么情况？你觉得我为什么要在本章前面的示例中使用这句代码？
   #show.legend = FALSE 用于删除图例，可以保持整体统一美观

2. geom_smooth() 函数中的se参数的作用是什么？
   se参数代表去除标准误差区间阴影，使得展示更加简洁

3. 以下代码生成的两张图有什么区别吗？为什么？

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) +geom_point() +geom_smooth()
ggplot() +geom_point(data = mpg,mapping = aes(x = displ, y = hwy)) +geom_smooth(data = mpg,mapping = aes(x = displ, y = hwy))
#没有区别，因为下面代码表达的内容和上方表的意思重复了

1. 自己编写R代码来生成以下各图。

#图1 使用2种几何对象展示
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+geom_point()+geom_smooth(se = FALSE)

#图2 使用2种几何对象，其中一种线型几何对象用drv分类,并去除阴影
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+geom_point()+geom_smooth(mapping = aes(class = drv), se = FALSE)

#图3 使用2种几何对象，且都用drv颜色分类,并去除阴影
ggplot(data = mpg, mapping = aes(x = displ, y = hwy, color = drv))+geom_point()+geom_smooth(se = FALSE)

#图4 使用2种几何对象，散点图用drv颜色分类，线图不用drv颜色分类
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+geom_point(mapping = aes(color = drv))+geom_smooth(se = FALSE)

#图5 使用2种几何对象，散点图用drv颜色分类，线图用drv线型分类
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+geom_point(mapping = aes(color = drv))+geom_smooth(mapping = aes(linetype = drv),se = FALSE)

#图6 看不清，貌似外框为白色点图
ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+geom_point(size = 4, color = "white")+geom_point(aes(color = drv))

1.7 统计变换

绘图时用来计算新数据的算法称为stat（statistical transformation，即统计变换）
可以使用stat_count()来替换geom_bar()

ggplot(data = diamonds)+geom_bar(mapping = aes(x = cut)) #注意这里输出的y轴并非是diamonds数据集中的变量，而是通过cut变量计算（统计变换）生成的

View(diamonds)
glimpse(diamonds) #快速浏览下数据集diamonds的框架
#Rows: 53,940
#Columns: 10
#$ carat   <dbl> 0.23, 0.21, 0.23, 0.29, 0.31, 0.24, 0.24, 0.26, 0.22, 0.23, 0.30, 0.23,…
#$ cut     <ord> Ideal, Premium, Good, Premium, Good, Very Good, Very Good, Very Good, F…
#$ color   <ord> E, E, E, I, J, J, I, H, E, H, J, J, F, J, E, E, I, J, J, J, I, E, H, J,…
#$ clarity <ord> SI2, SI1, VS1, VS2, SI2, VVS2, VVS1, SI1, VS2, VS1, SI1, VS1, SI1, SI2,…
#$ depth   <dbl> 61.5, 59.8, 56.9, 62.4, 63.3, 62.8, 62.3, 61.9, 65.1, 59.4, 64.0, 62.8,…
#$ table   <dbl> 55, 61, 65, 58, 58, 57, 57, 55, 61, 61, 55, 56, 61, 54, 62, 58, 54, 54,…
#$ price   <int> 326, 326, 327, 334, 335, 336, 336, 337, 337, 338, 339, 340, 342, 344, 3…
#$ x       <dbl> 3.95, 3.89, 4.05, 4.20, 4.34, 3.94, 3.95, 4.07, 3.87, 4.00, 4.25, 3.93,…
#$ y       <dbl> 3.98, 3.84, 4.07, 4.23, 4.35, 3.96, 3.98, 4.11, 3.78, 4.05, 4.28, 3.90,…
#$ z       <dbl> 2.43, 2.31, 2.31, 2.63, 2.75, 2.48, 2.47, 2.53, 2.49, 2.39, 2.73, 2.46,…

demo <- tribble(~a, ~b, "bar_1", 20, "bar_2", 30, "bar_3", 40)
ggplot(demo)+geom_bar(aes(x = a, y = b), stat = "identity")

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

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

help(stat_bin) #查看全部统计变换

• 练习：

1. stat_summary() 函数的默认几何对象是什么？不使用统计变换函数的话，如何使用几何对象函数重新生成以上的图？

#默认几何对象是geom_pointrange()
ggplot(data = diamonds)+geom_pointrange(mapping = aes(x = cut, y = depth),stat = "summary", #到这步为止是使用均值和标准差计算中间点和起止线,所以后面要定义一下fun.min = min,fun.max = max,fun = median)  #定义一下起止线

1. geom_col() 函数的功能是什么？它和geom_bar() 函数有何不同？

ggplot(diamonds)+geom_col(mapping = aes(x = cut, y = price)) #geom_col的默认属性是stat_identity,geom_bar默认属性是stat_count

1. 多数几何对象和统计变换都是成对出现的，总是配合使用。仔细阅读文档，列出所有成对的几何对象和统计变换。它们有什么共同之处？

"
#①成对出现的几何和变换
geom_bar()  stat_count()
geom_bin2d()    stat_bin_2d()
geom_boxplot()  stat_boxplot()
geom_contour_filled()   stat_contour_filled()
geom_contour()  stat_contour()
geom_count()    stat_sum()
geom_density_2d()   stat_density_2d()
geom_density()  stat_density()
geom_dotplot()  stat_bindot()
geom_function() stat_function()
geom_sf()   stat_sf()
geom_sf()   stat_sf()
geom_smooth()   stat_smooth()
geom_violin()   stat_ydensity()
geom_hex()  stat_bin_hex()
geom_qq_line()  stat_qq_line()
geom_qq()   stat_qq()
geom_quantile() stat_quantile()

#②几何的默认变换
geom_abline()   stat_identity()
geom_area() stat_identity()
geom_bar()  stat_count()    x
geom_bin2d()    stat_bin_2d()   x
geom_blank()    None
geom_boxplot()  stat_boxplot()  x
geom_col()  stat_identity()
geom_count()    stat_sum()  x
geom_countour_filled()  stat_countour_filled()  x
geom_countour() stat_countour() x
geom_crossbar() stat_identity()
geom_curve()    stat_identity()
geom_density_2d_filled()    stat_density_2d_filled()    x
geom_density_2d()   stat_density_2d()   x
geom_density()  stat_density()  x
geom_dotplot()  stat_bindot()   x
geom_errorbar() stat_identity()
geom_errorbarh()    stat_identity()
geom_freqpoly() stat_bin()  x
geom_function() stat_function() x
geom_hex()  stat_bin_hex()  x
geom_histogram()    stat_bin()  x
geom_hline()    stat_identity()
geom_jitter()   stat_identity()
geom_label()    stat_identity()
geom_line() stat_identity()
geom_linerange()    stat_identity()
geom_map()  stat_identity()
geom_path() stat_identity()
geom_point()    stat_identity()
geom_pointrange()   stat_identity()
geom_polygon()  stat_identity()
geom_qq_line()  stat_qq_line()  x
geom_qq()   stat_qq()   x
geom_quantile() stat_quantile() x
geom_raster()   stat_identity()
geom_rect() stat_identity()
geom_ribbon()   stat_identity()
geom_rug()  stat_identity()
geom_segment()  stat_identity()
geom_sf_label() stat_sf_coordinates()   x
geom_sf_text()  stat_sf_coordinates()   x
geom_sf()   stat_sf()   x
geom_smooth()   stat_smooth()   x
geom_spoke()    stat_identity()
geom_step() stat_identity()
geom_text() stat_identity()
geom_tile() stat_identity()
geom_violin()   stat_ydensity() x
geom_vline()    stat_identity()

#③变换的默认几何
stat_bin_2d()   geom_tile()
stat_bin_hex()  geom_hex()  x
stat_bin()  geom_bar()  x
stat_boxplot()  geom_boxplot()  x
stat_count()    geom_bar()  x
stat_countour_filled()  geom_contour_filled()   x
stat_countour() geom_contour()  x
stat_density_2d_filled()    geom_density_2d()   x
stat_density_2d()   geom_density_2d()   x
stat_density()  geom_area()
stat_ecdf() geom_step()
stat_ellipse()  geom_path()
stat_function() geom_function() x
stat_function() geom_path()
stat_identity() geom_point()
stat_qq_line()  geom_path()
stat_qq()   geom_point()
stat_quantile() geom_quantile() x
stat_sf_coordinates()   geom_point()
stat_sf()   geom_rect()
stat_smooth()   geom_smooth()   x
stat_sum()  geom_point()
stat_summary_2d()   geom_tile()
stat_summary_bin()  geom_pointrange()
stat_summary_hex()  geom_hex()
stat_summary()  geom_pointrange()
stat_unique()   geom_point()
stat_ydensity() geom_violin()   x
"

1. stat_smooth() 函数会计算出什么变量？哪些参数可以控制它的行为？
   y：预测值 ； ymin：置信区间下限 ； ymax：置信区间上限 ； se：标准误差

2. 在比例条形图中，我们需要设定group = 1，这是为什么呢？换句话说，以下两张图会有什么问题？

ggplot(data = diamonds) +geom_bar(mapping = aes(x = cut, y = ..prop..))
ggplot(data = diamonds) +geom_bar(mapping = aes(x = cut, fill = color, y = ..prop..))
#如果不设定group = 1，图中所有的图形将具有相同的高度

#设定group = 1
ggplot(data = diamonds) +geom_bar(mapping = aes(x = cut, y = ..prop.., group = 1))
ggplot(data = diamonds) + geom_bar(aes(x = cut, y = ..count.. / sum(..count..), fill = color))

1.8 位置调整

使用color或fill来为条形图上色

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

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

ggplot(data = diamonds)+geom_bar(mapping = aes(x = cut, fill = clarity)) #以clarify标色堆叠

这种堆叠是由position参数设定的位置调整功能自动完成的，如果不想生成堆叠式条形
图，还可以使用以下3 种之一：“identity”、“fill” 和"dodge"

• position = "identity"将每个对象直接显示在图中，不太适合条形图；所以设置alpha参数为一个较小的数，从而使得条形略微透明

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

#或者设定fill = NA，让条形完全透明
ggplot(data = diamonds, mapping = aes(x = cut, color = clarity))+geom_bar(fill = NA, position = "identity")

• position = “fill” 的效果与堆叠相似，但每组堆叠条形具有同样的高度，因此这种条形图可以非常轻松地比较各组间的比例

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

• position = “dodge” 将每组中的条形依次并列放置，这样可以非常轻松地比较每个条形表示的具体数值

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

• position = “jitter” 为每个数据点添加一个很小的随机扰动，这样可以将重叠的点分散开，因为不可能有两个点会收到同样的随机扰动

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

• 练习：

1. 以下图形有什么问题？应该如何改善？

ggplot(data = mpg, mapping = aes(x = cty, y = hwy))+geom_point() #散点图的点有重叠

ggplot(data = mpg, mapping = aes(x = cty, y = hwy))+geom_point(position = "jitter") #添加随机扰动，将重叠的点分开

1. geom_jitter() 使用哪些参数来控制抖动的程度？

help("geom_jitter")
#geom_jitter(mapping = NULL, data = NULL, stat = "identity", position = "jitter", ..., width = NULL, height = NULL, na.rm = FALSE, show.legend = NA, inherit.aes = TRUE)

#width控制水平位移，height控制垂直位移。默认情况下两个方向都引入噪声
ggplot(data = mpg, mapping = aes(x = cty, y = hwy))+geom_jitter()

#width，height都设为0的情况
ggplot(data = mpg, mapping = aes(x = cty, y = hwy))+geom_jitter(width = 0, height = 0)

1. 对比geom_jitter() 与geom_count()。

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

ggplot(data = mpg, mapping = aes(x = cty, y = hwy, color = class))+geom_jitter()

ggplot(data = mpg, mapping = aes(x = cty, y = hwy, color = class))+geom_count()

ggplot(data = mpg, mapping = aes(x = cty, y = hwy, color = class))+geom_count(position = "jitter")

1. geom_boxplot() 函数的默认位置调整方式是什么？创建mpg 数据集的可视化表示来演示一下。

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

ggplot(data = mpg, mapping = aes(x = drv, y = hwy, color = class))+geom_boxplot(position = "identity")

1.9 坐标系

• ggplot中默认的坐标系是笛卡尔坐标系,也可以切换极坐标系
• coord_flip()函数可以交换x轴和y轴

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

ggplot(data = mpg, mapping = aes(x= class, y = hwy))+geom_boxplot()+coord_flip() #此时交换了x轴和y轴

• coord_quickmap()函数可以为地图设置合适的纵横比

nz <- map_data("nz")
ggplot(nz, aes(long, lat, group = group))+geom_polygon(fill = "white", color = "black")

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

• 扩展
  如果想要绘制世界地图，只需将 nz 改为 world

world <- map_data("world")
ggplot(world, aes(long, lat, group = group))+geom_polygon(fill = "white", color = "black")+coord_quickmap()

== 同理，还可以换成 county、france、italy、state、usa、world2 ==

• coord_polar()函数可以切换极坐标

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

• 练习：

1. 使用coord_polar() 函数将堆叠式条形图转换为饼图。

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

ggplot(mpg, aes(x = factor(1), fill = drv)) +geom_bar(width = 1) +coord_polar() #生成靶心图

1. labs() 函数的功能是什么？阅读一下文档。

help(labs)

ggplot(data = mpg, mapping = aes(x = class, y = hwy)) +geom_boxplot() +coord_flip() +labs(y = "Highway MPG",x = "Class",title = "Highway MPG by car class",subtitle = "1999-2008",caption = "Source: http://fueleconomy.gov")

ggplot(data = mpg, mapping = aes(x = class, y = hwy)) +geom_boxplot() +coord_flip() +labs(y = "Highway MPG",x = "Year",title = "Highway MPG by car class")

1. coord_quickmap() 函数和coord_map() 函数的区别是什么？

• coord_map () 使用mapproj软件包定义的任何投影，将地球的一部分（近似球形）投影到二维平面上。地图投影一般不会保留直线，因此这需要大量的计算。
• coord_quickmap () 是一种快速近似，可以保留直线。它最适用于靠近赤道的较小区域。这意味着对coord_quickmap () 的绘制不满意时，可以尝试一下coord_map ()

1. 下图表明城市和公路燃油效率之间有什么关系？为什么coord_fixed() 函数很重要？
   geom_abline() 函数的作用是什么？

#一加仑油行驶的距离越远，则燃油效率越高
ggplot(data = mpg, mapping = aes(x = cty, y = hwy)) + geom_point() +geom_abline() + #geom_abline()添加回归曲线coord_fixed() #coord_fixed()坐标系纵横比可以设置固定，固定纵横比后，无论什么图形，其比例都是一样的

R语言ggplot2数据可视化相关推荐

1. R语言ggplot2地理信息可视化（下）

   很荣幸,能来北京参加2018年第十一届中国R会议,并在中国人民大学-R语言数据可视化会场作报告. 本次演讲题目:<R语言ggplot2之地理信息可视化>,本次演讲重点讲解R语言基于ggpl ...

2. R语言ggplot2在可视化图像中添加横线并在横线中添加文本、为横线中添加的文本添加文本框、自定义文本框的填充色（background color for a text annotation）

   R语言ggplot2在可视化图像中添加横线并在横线中添加文本.为横线中添加的文本添加文本框.自定义文本框的填充色(background color for a text annotation) 目录

3. R语言ggplot2时间序列可视化并在特定日期处添加竖线实战

   R语言ggplot2时间序列可视化并在特定日期处添加竖线实战 目录 R语言ggplot2时间序列可视化并在特定日期处添加竖线实战 #仿真数据</

4. R语言时间序列数据可视化: 使用plot函数可视化单序列时间序列数据、多序列时间序列数据并指定不同时间序列的线条类型（lty）

   R语言时间序列数据可视化: 使用plot函数可视化单序列时间序列数据.多序列时间序列数据并指定不同时间序列的线条类型(lty) 目录

5. R语言ggplot2地理信息可视化（上）

   很荣幸,能来北京参加2018年第十一届中国R会议,并在中国人民大学-R语言数据可视化会场作报告. 本次演讲题目:<R语言ggplot2之地理信息可视化>,本次演讲重点讲解R语言基于ggpl ...

6. R语言 类别数据可视化（1）

   目录 一 条形图及其变种 1.简单条形图和帕累托图 (1)条形图 (2)帕累托图 2.并列条形图和堆叠条形图 3.不等宽条形图和脊形图 (1)不等宽条形图 (2)脊形图 二 树状图 1.条形树状图 2 ...

7. R语言 类别数据可视化（2）

    目录 一 气球图和热图 1.气球图 2.热图 二 南丁格尔玫瑰图 三 金字塔图 四 饼图及其变种 1.饼图 2.扇形图 3.环形图 一 气球图和热图 1.气球图 气球图是用气球大小表示数据的图形,它 ...

8. R语言ggplot2可视化：ggplot2可视化散点图并使用geom_mark_circle函数在数据簇或数据分组的数据点周围添加圆圈进行注释（自定义圆圈的大小）

   R语言ggplot2可视化:ggplot2可视化散点图并使用geom_mark_circle函数在数据簇或数据分组的数据点周围添加圆圈进行注释(自定义圆圈的大小) 目录

9. R语言ggplot2可视化：ggplot2可视化时间序列数据并在末尾数据点添加数值标签（number label）

   R语言ggplot2可视化:ggplot2可视化时间序列数据并在末尾数据点添加数值标签(number label) 目录

最新文章

1. [转] 微软SQL Server 2008故障转移集群概述（Windows Server Failover Clustering (WSFC)）
2. leetcode算法题--删除一次得到子数组最大和★
3. ViewPager页面切换效果
4. linux使jdk开机可用_JDK 11的一般可用性
5. Python的bool类型
6. 考下这个法律证书，轻松拿编制，年薪高达20W+！
7. ORACLE EXPLAIN PLAN的总结 (优化SQL语句）
8. 开源GIS（二十）——CAD数据添加属性转GIS数据
9. SQL优化的一些总结
10. MacOS 迅速上手 Makefile 编译 C / C++ 工程
11. XenCenter为虚拟机C盘扩容
12. 数学建模——数据分析方法
13. 手机连接adb操作步骤
14. 算法设计与分析（期末复习重点）更新中
15. linux网络操作系统项目教程课本,Linux网络操作系统项目式教程（CentOS7.6）-课后练习题.docx...
16. 韩立刚Linux基础入门,Linux入门基础笔记1（韩立刚课程）(示例代码)
17. android google 地图路线图,Android中如何调用google地图生成路线图
18. 百度地图android去除logo,百度地图 Android版 隐藏logo
19. bootloader介绍
20. 【荔枝派zero】usb虚拟串口实现

热门文章

1. 【前端布局篇】响应式布局 Bootstrap 移动端布局
2. 从文案小白到文案高手，你只需看完这十个模板
3. LeeCode 322. 零钱兑换
4. 北京注销公司需要什么材料？
5. Thinkphp周易八字起名网宝宝起名在线下单源码
6. 5000学软件测试买什么电脑好,大学学的软件工程，买什么电脑合适，预算不超过7000？...
7. 操作系统之银行家算法大题解题思路（含例题）
8. 阿伏法机器人_深圳自动捷克钻不良QC机器人操作
9. 手把手的操作——用java调用科大讯飞的离线语音识别dll实现离线识别（JNA实现）（二）
10. 混沌系统的控制[文献总结]（一）