各分面y轴的自定义范围设置

ggplot2中的分面类型
- 绘制单独的面板 -- facet_null ()
- facet_wrap 单一变量：var ~ .
- facet_wrap 多变量：var(var1 , var2) 或者 var1~var2
- facet_grid 一行多列或者是多行一列：. ~ var 或 var ~ .
- facet_grid 多行多列：. ~ var 或 var ~ .
方法一：利用geom_blank()解决facet分面的y轴刻度
- 构建数据集
- 将构建数据绘制成图
- 调整图形坐标轴(y轴)的比例
- 关于geom_blank()中数据集的几点考虑
- - geom_blank() 使用的常见问题及注意事项
  - - 问题一
    - 问题二
    - 问题三
    - 问题四
    - 问题五
    - 问题六
方法二：利用ggh4x包的facetted_pos_scales( ) 函数

ggplot2包是R语言中最强大的绘图包之一，具有各种各样的功能，能够模仿甚至超越目前99%的绘图软件。它的 底层逻辑类似ps的图层逻辑，通过一层又一层的函数，不断地覆盖并完善图形。而 facet( 分面)是ggplot2包中一个常用的函数，当绘制的变量分类较多时，可以利用 facet相关函数完成各子图的绘制，使数据展现得更美观和协调。由于不同指标数据可能存在数量级差异，因此今天主要与大家分享如何使用 geom_blank 函数在各个分面获得更好的 y轴自定义范围。同时，在使用geom_blank()的时候容易出现出现问题，例如，绘制的图是以x轴变量为数值型的都容易解决，特别是当 x轴变量为字符型数据时容易出现问题。除此之外，再给大家推荐一个 ggh4x包中 facetted_pos_scales( ) 函数，可以理解为是geom_blank()函数的升级版。希望今天的分享能给大家带来帮助~

ggplot2中的分面类型

大家可能好奇为什么要做分面？分面作用是什么？

这里可以大声告诉你，在做报告、发表专业期刊甚至是顶级期刊（Nature、Science、Cell、PNAS）时很多图形中都用到了分面。它就好比九宫格甚至可以设置更多图像，先将数据划分成多个子集，并将每个子数据集填充到各页面的子图中。通常绘图时用到的分面有两种类型：

1) facet_wrap – 封装类型

生成一个 1 维的多宫格，然后按行或按列顺序添加子图。具体如下图：

2) facet_grid – 网格类型

生成一个 2 维的多网格，通过行列对应不同因子型的变量。具体如下图：

特别提醒 ：这两张图具体区别为一个是生成1维的，另一个是生成2维的。换句话是，如果想要分别用两个变量来表征多个子数据集时可以优先考虑用facet_grid函数来绘图。当然，如果想用facet_wrap函数来绘制2维也可以，但是绘图的效果可能不好。

接下来，与大家简单分享下分面示例：

绘制单独的面板 – facet_null ()

使用R语言中自带的数据集"mpg"
# 加载R包
library(ggplot2)
# 绘制散点图
ggplot(mpg, aes(cty, hwy)) +
geom_point() +
facet_null() # 绘制单一面板

facet_wrap 单一变量：var ~ .

ggplot(mpg, aes(cty, hwy)) +
geom_point() +
facet_wrap(cyl ~ .)

facet_wrap 多变量：var(var1 , var2) 或者 var1~var2

ggplot(mpg, aes(cty, hwy)) +
geom_point() +
#facet_wrap( cyl ~ drv)
facet_wrap(vars(cyl, drv))

facet_grid 一行多列或者是多行一列：. ~ var 或 var ~ .

ggplot(mpg, aes(cty, hwy)) +
geom_point() +
# facet_grid( . ~ cyl)
facet_grid(cyl ~ .)

facet_grid 多行多列：. ~ var 或 var ~ .

ggplot(mpg, aes(cty, hwy)) +
geom_point() +
facet_grid(drv ~ cyl)

方法一：利用geom_blank()解决facet分面的y轴刻度

关于facet分面其他的一些细节，这里不再赘述了，网上也有很多相关介绍。今天主要想和大家分享facet分面中如何设定更好的坐标轴范围。该函数有一个参数–scales，它主要作用是可以根据不同子图（各分面的数据集范围）对x和y轴进行自动生成（但是自动生成的范围不一定是我们想要的，如导致图的比例不适合、不协调等等）。而平时我们使用的scale_y_continuous都是对一个图形背景所有的范围进行设置，不能很好的解决这个问题。这里，我们推荐使用geom_blank()函数执行该任务。

构建数据集

由于是随机构建的，可以设置种子保证每次结果复现一致

set.seed(20220219)
create_df <- rbind(data.frame(group="a", x = runif(100), y = rnorm(100, mean = 5)),
data.frame(group="b", x = runif(100), y = rnorm(100, mean = 5, sd = 3)+20),
data.frame(group="c", x = runif(100), y = rnorm(100, mean = 5, sd = 5)+30))
str(create_df)

将构建数据绘制成图

ggplot() +
geom_point(data = create_df, aes(x = x, y = y, colour = group), size = 3) +
facet_wrap( ~ group, scales = "free_y") + # 使用scale ="free_y"允许y轴在保持x轴不变的情况下变化
theme_bw()

这里可以利用?facet_wrap查看相关函数的介绍 , scales = “free” 对应的介绍也非常详细~可以看出来由于图形比例不当，导致的绘图并不美观。

调整图形坐标轴(y轴)的比例

如果使用单一面板或所有相同比例的数据时，通常使用 coord_cartesian 函数。但是当具有不同比例的面板时，这个效果并不好，它强制所有内容都处于相同的比例。结果如下：
ggplot() +
geom_point(data = create_df, aes(x = x, y = y, colour = group), size = 3) +
facet_wrap( ~ group, scales = "free_y") +
coord_cartesian(ylim = c(0, 75)) +
theme_bw()

从图来看，点确实是聚集起来了，但是各分面都有多余的空间。使得图看起来不协调。

另一种我们还可以选择使用 expand_limits() 强制各分面从原点开始。使用scale_y_continuous
(expand=c(0,0)) 删除 y 轴限制的缓冲区。其中expand的两个值是 c（乘数缓冲区，加法缓冲区）。通过包含 c(0,0)，我们不包含轴刻度上的任何缓冲区。结果如下：

ggplot() +
geom_point(data = create_df, aes(x = x, y = y, colour = group), size = 3) +
facet_wrap( ~ group, scales = "free_y") +
expand_limits(y = 0) +
scale_y_continuous(expand = c(0, 0)) +
theme_bw()

从图来看还是不能很好的解决不同比例的y轴范围。为了解决这些问题，可以使用 geom_blank(),它能够完美的解决各分面的坐标轴范围问题。首先创建一个数据集，其中包含我们数据集中每个组级别的 y 轴的最小值和最大值。然后使用 geom_blank 将其传递给 ggplot 就可以完美解决了。

blank_data <- data.frame(group = c("a", "a", "b", "b", "c", "c"),
x = 0, y = c(2, 8, 10, 40, 20, 50))
ggplot() +
geom_point(data = create_df, aes(x = x, y = y, colour = group), size = 3) +
geom_blank(data = blank_data, aes(x = x, y = y)) +
facet_wrap( ~ group, scales = "free_y") +
scale_y_continuous(expand = c(0, 0)) +
theme_bw()

关于geom_blank()中数据集的几点考虑

1)group分组的名称要一一对应

2)对应y轴的值要有两个点（最小值和最大值）

3)要考虑清楚各分面哪个范围的图看起来更加美观，比例更加协调

最后，我们可以看到，geom_blank() 完美呈图了，也满足了我们的需求。

geom_blank() 使用的常见问题及注意事项

背景介绍

这是一位公众号的粉丝，她使用geom_blank时所遇到的一些问题。她希望将各分面的y轴范围调整合适的比例，并且能够放置图例和误差棒以及显著性字母的标签。这里需要声明：数据的构建全是为了更好的展示这次粉丝所遇到的问题，并不是实际的数值，供大家参考和学习。

经过调整，我们构建了一份新的数据进行描绘，并逐一解决以x轴为字符型变量所遇到的相关问题。
library(ggplot2)
str(create_dat)

首先，我们先绘制使用geom_blank（）前的结果：

Total <- ggplot(data = create_dat, aes(x = variable, y = value, fill = content))+
geom_bar(color = "black", size=.5,position = position_dodge(0.9), stat = "identity")+
# geom_boxplot(outlier.size = 2,position=position_dodge(0.8),size=0.5,width=0.5)+
geom_errorbar(aes(ymax = value + sd, ymin = value),
position = position_dodge(0.9), width = 0.25)+
facet_wrap(type ~ ., scales = "free_y")+
# geom_blank(data = blank_data, aes(x = x, y = y)) +
scale_fill_manual(values = c('white',"grey","#3B3838")) + #'#999999',"#6495ED","#00B050"
# scale_color_manual(values = c('black',"black","black"))+
geom_text(aes(label = label1 , y=value+sd+0.5), position = position_dodge(0.9), size=4.925)+#添加误差棒及显著性差异字母
# geom_text(aes(label = label2 , y=value+sd+1.0), position = position_dodge(0.9), size=4.925)+#添加误差棒及星号label(**)
# theme_classic()+
theme_test()+
# theme(legend.position = "none")+
theme(legend.title = element_blank(),legend.background=element_blank(),legend.position = c(.9,0.92),legend.direction="vertical")+#图例位置vertical,horizontal
labs(x = "", y = "")+ #不添加x y轴标签 &emsp;&emsp;&emsp;&emsp; theme(axis.title.x =element_text(size=14), axis.title.y=element_text(size=14),axis.text.x =element_text(size=14), axis.text.y =element_text(size=14),legend.text =element_text(size=14))+#标签字体大小
theme(axis.text.x = element_text(size = 14,hjust = 0.5,vjust = 0.5,angle =0,color = "black"), axis.text.y = element_text(size = 14,hjust = 0.5,vjust = 0.5,color = "black"), strip.text = element_text(size = 14))+
scale_y_continuous(expand = c(0,0),limits = c(0, 12),breaks=seq(0,12, 4))+# 剔除y轴0点处4%的缓冲区
guides(fill = guide_legend(reverse = FALSE, keywidth = 1.5, keyheight = 0.5))#图例矩形宽度，图例边框粗细调节
Total

从这张图来看，就是针对各自分面中每个处理情况的显著性比较。能发现BF这个面板中的数值偏低，导致留白处偏多，但是我们如果就用scale_y_continuous是统一修改y轴的，并不能好的解决这个问题。

我们先构建一个blankdata，首先明确我对应需要分面的变量名和具体的字符向量。经过查看，我们对type进行了分面。变量名为type，而具体的字符向量为"AF",“BF”,“CF”,“DF”。

blank_data <- data.frame(type = c("AF","AF","BF","BF","CF","CF","DF","DF"),
x=0, y = c(0, 8, 0,4,0,10,0,15))

为什么要对各字符构建两次，因为y轴范围是两个点。

如果需要调整顺序，应该对blankdata中对应要展示的因子型变量做个level，设定顺序。例如：blank_data $ type = factor(blank_data$type, levels = c(“AF”,“BF”,“CF”,“DF”))。由于ABCD本身就是按照字母顺序排列的，因此在本例中不需要额外对其设定顺序。

添加blankdata后，记得将scale_y_continous的limits范围删除。

Total <- ggplot(data = create_dat, aes(x = variable, y = value, fill = content))+
geom_bar(color = "black", size=.5,position = position_dodge(0.9), stat = "identity")+
# geom_boxplot(outlier.size = 2,position=position_dodge(0.8),size=0.5,width=0.5)+
geom_errorbar(aes(ymax = value + sd, ymin = value),
position = position_dodge(0.9), width = 0.25)+
facet_wrap(type ~ ., scales = "free_y")+
geom_blank(data = blank_data, aes(x = x, y = y)) +
scale_fill_manual(values = c('white',"grey","#3B3838")) + #'#999999',"#6495ED","#00B050"
# scale_color_manual(values = c('black',"black","black"))+
geom_text(aes(label = label1 , y=value+sd+0.5), position = position_dodge(0.9), size=4.925)+#添加误差棒及显著性差异字母
# geom_text(aes(label = label2 , y=value+sd+1.0), position = position_dodge(0.9), size=4.925)+#添加误差棒及星号label(**)
# theme_classic()+
theme_test()+
# theme(legend.position = "none")+
theme(legend.title = element_blank(),legend.background=element_blank(),legend.position = c(.9,0.92),legend.direction="vertical")+#图例位置vertical,horizontal
labs(x = "", y = "")+ #不添加x y轴标签
theme(axis.title.x =element_text(size=14), axis.title.y=element_text(size=14),axis.text.x =element_text(size=14), axis.text.y =element_text(size=14),legend.text =element_text(size=14))+#标签字体大小
theme(axis.text.x = element_text(size = 14,hjust = 0.5,vjust = 0.5,angle =0,color = "black"), axis.text.y = element_text(size = 14,hjust = 0.5,vjust = 0.5,color = "black"), strip.text = element_text(size = 14))+
scale_y_continuous(expand = c(0,0))+# 剔除y轴0点处4%的缓冲区
guides(fill = guide_legend(reverse = FALSE, keywidth = 1.5, keyheight = 0.5))#图例矩形宽度，图例边框粗细调节
Total

问题一

在绘图时，大多数情况都直接在底层ggplot()就设定好data。但是由于blankdata是新构建的数据，与底图描绘所用数据不同。如果提前在ggplot()加载好数据，这样会出现Error in unique.default(x, nmax = nmax) : unique() applies only to vectors 或者其他报错，例如Error in FUN(X[[i]], …) : object ‘xx’ not found等等，这里的解决方法为：将ggplot()函数底层铺好，但是在具体所需绘制图形上再添加数据，这样代码识别的时候就不会认为从头到尾都是用的同一份数据。

#只需要修改这几行代码即可
Total <- ggplot()+
geom_bar(data = create_dat, aes(x = variable, y = value, fill = content), color = "black", size=.5,position = position_dodge(0.9), stat = "identity")+
geom_errorbar(data = create_dat, aes(ymax = value + sd, ymin = value), position = position_dodge(0.9), width = 0.25)+
geom_blank(data = blank_data, aes(x = x, y = y)) +
geom_text(data = create_dat, aes(label = label1 , y=value+sd+0.5), position = position_dodge(0.9), size=4.925)+#添加误差棒及显著性差异字母
Total
但是我们发现还是会报错，那么需要继续解决问题。

问题二

由于我们现在是对应需要描绘的函数直接添加data和aes(映射),因此需要写清楚x 和 y，否则就会出现 Error in check_required_aesthetics(): ! geom_errorbar requires the following missing aesthetics: x or y, xmin and xmax 等类似报错。最开始的时候在上一版的代码，并不需要在各描绘函数中添加x的对象，是因为我们在底层ggplot()中已经告知了，因此可以省略。一旦具体到每个描绘函数，则需要注意，添加上x对象。

# 对这几行代码中aes()映射部分添加x对象
geom_errorbar(data = create_dat, aes(ymax = value + sd, ymin = value, x = variable), position = position_dodge(0.9), width = 0.25)+
geom_text(data = create_dat, aes(label = label1 , y=value+sd+0.5, x = variable), position = position_dodge(0.9), size=4.925)+#添加误差棒及显著性差异字母

这时候已经不再报错，出图了。但是可以发现图是有很多细节问题的。我们继续针对问题完善。

问题三

在构建blankdata的时候，我使用的是data.frame()函数来构建一个数据框，对应里面的变量名及其字符型向量要与底层所绘数据的变量名，保持完全一致，否侧就会出错。例如，我们先尝试第一种错误，改动变量名称。将type改成typ，结果可以看到图中各分面的y轴范围并没有改变。我们将typ改成type(这里是与底图数据一致的)再看看，从图中来看是成功了。

blank_data <- data.frame(typ = c("AF","AF","BF","BF","CF","CF","DF","DF"), x=0, y = c(0, 8, 0,4,0,10,0,15)) # type写少一个e

问题四

如果我们对应变量名中的字符向量写错了又是什么结果？我们会发现出现一个空白框，这意味着构建的blankdata出现了问题，有些分面的y轴成功修改了，有的并没有。

blank_data <- data.frame(type = c("GF","GF","BF","BF","CF","CF","DF","DF"), x=0, y = c(0, 8, 0,4,0,10,0,15)) # AF改成GF

问题五

我们会发现如果x轴的变量为字符型数据时，x轴0点到第一个变量的留白处比较多。经过反复尝试，我们发现当x轴的变量不是数值型时，即本例中的字符型数据，x轴并不是从0点开始的，可能从零点几或者是1开始的。于是，根据这样的推断，我将x=0，调整成x=1，发现可以看到x轴左右俩边的留白处基本一致了，这也证实了我们前面的猜测。

blank_data <- data.frame(type = c("AF","AF","BF","BF","CF","CF","DF","DF"), x=1, y = c(0, 8, 0,4,0,10,0,15)) # x=0改成x=1

问题六

图目前都在往好的方向完善，但是我们发现我们的误差棒和label都重叠了，即使添加了position=
position_dodge(0.9)也没有将误差棒和标签对应，按理A或者B中三个处理 C0 C100 C200对应分开。这里，我们可以添加color的对象，分别为C0 C100 C200，应该就可以分开(记得添加color的自定颜色,因为这里是A下的三个处理，应该有三种颜色)。那么，误差棒的颜色应该是一样的，所以我们在绘制误差棒和标签的时候添加即可，Bingo!!!

# 主要修改以下代码
geom_errorbar(data = create_dat, aes(ymax = value + sd, ymin = value, x = variable, color = content), position = position_dodge(0.9), width = 0.25)+ # color参数的添加
scale_color_manual(values = c('black',"black","black"))+
geom_text(data = create_dat, aes(label = label1 , y=value+sd+0.5, x = variable, color = content), position = position_dodge(0.9), size=4.925)+#添加误差棒及显著性差异字母
基本解决了所有的问题，最后可以将图例删除，然后在AI或者PPT中重新绘制。也可以选择以PPT格式导出当前plot区域的图，然后删除图例中不需要的部分即可。关于PPT的导出可以使用一下code:

library(export)
graph2ppt(file="aa.ppt", width=5, height=5)

关于geom_blank()的使用还是因人而异，根据大家实际情况来选择最佳的方案就可以了~

方法二：利用ggh4x包的facetted_pos_scales( ) 函数

除此之外，还可以使用ggh4x自带的facetted_pos_scales( ) 来自定义分面图形的y轴刻度。

#利用自带的数据集airquality
#将数据集中前4个变量转化成长数据，方便会
library(tidyverse)
air <- airquality %>%
pivot_longer(cols = 1:4,names_to = "Air_Env_vars",
values_to = "Changes_by_time")
head(air)

p1 <- ggplot(air, aes(x = Day,y = Changes_by_time, color = as.factor(Month),group = Month)) +
geom_point(size=3.5) +
geom_line() +
scale_color_brewer(palette = "Set2", labels = c("May","June","July","August","September")) +
theme_bw()+
facet_wrap(~ Air_Env_vars, nrow = 2, scales = "free_y",#strip.position = "left", labeller = as_labeller(c(Temp = "Temperature (°C)", Solar.R = "Solar radiance (W/m2)", Wind = "Wind (m/s)", Ozone = "Ozone (ppb)"))) +
theme(#strip.background = element_blank(), #strip.placement = "outside", legend.position = "top", legend.title = element_blank(), panel.grid.major = element_blank(), panel.grid.minor = element_blank())+
labs(x = "Day of month", y = "Climate Changes")
p1

然后利用ggh4x包中的facetted_pos_scales( ) 函数，可以一步到位，而且方便改其他类型的变量（不限于数值型label）。如下图：
library(ggh4x)
p1 + facetted_pos_scales( y = list(Air_Env_vars == "Ozone" ~ scale_y_continuous(limits=c(0,170),breaks=seq(0,170,40)), Air_Env_vars == "Solar.R" ~ scale_y_continuous(limits=c(0, 350),breaks=seq(0,350,50)), Air_Env_vars == "Temp" ~ scale_y_continuous(limits=c(50, 110),breaks=seq(50,110,20)), Air_Env_vars == "Wind" ~ scale_y_continuous(limits=c(0,25),breaks=seq(0,25,5), labels = letters[1:6])))

从代码的简洁度来看，方法二确实优势。需要注意的是：在自定义y轴范围的时候要保证对应的变量名称一直，另外是以一个list打包的。

R语言ggplot2 | 如何自定义facet分面的坐标轴范围相关推荐

R语言ggplot2可视化删除所有分面图（facet_wrap可视化的facet结果）的标签实战(Remove facet_wrap labels)
R语言ggplot2可视化删除所有分面图(facet_wrap可视化的facet结果)的标签实战(Remove facet_wrap labels) 目录
R语言ggplot2可视化自定义多个图例（legend）标签之间的距离实战（例如，改变数据点颜色和数据点大小图例之间的距离）
R语言ggplot2可视化自定义多个图例(legend)标签之间的距离实战(例如,改变数据点颜色和数据点大小图例之间的距离) 目录
R语言ggplot2可视化自定义图例（legend）方框（box）：所有图例没有方框、每个图例分别在不同的方框中、多个图例放置在同一个方框中
R语言ggplot2可视化自定义图例(legend)方框(box):所有图例没有方框.每个图例分别在不同的方框中.多个图例放置在同一个方框中目录
R语言ggplot2可视化自定义图例实战：添加自定义的图例、添加填充色的图例
R语言ggplot2可视化自定义图例实战:添加自定义的图例.添加填充色的图例目录
R语言ggplot2可视化自定义可视化结果的背景色（background color）实战：改变整个画板（panel）的背景色、改变图像（plot）区域的背景色
R语言ggplot2可视化自定义可视化结果的背景色(background color)实战:改变整个画板(panel)的背景色.改变图像(plot)区域的背景色目录
R语言ggplot2可视化自定义图例标签间距实战：自定义图例标签间距、自定义图例与图像之间的间距
R语言ggplot2可视化自定义图例标签间距实战:自定义图例标签间距.自定义图例与图像之间的间距目录
R语言ggplot2可视化（facet图）使得第一个子图的坐标轴范围一致
R语言ggplot2可视化(facet图)使得第一个子图的坐标轴范围一致目录 R语言ggplot2可视化(facet图)使得第一个子图的坐标轴范围一致
R语言ggplot2可视化自定义图例（legend）示例点的大小实战
R语言ggplot2可视化自定义图例(legend)示例点的大小实战目录 R语言ggplot2可视化自定义图例(legend)示例点的大小实战
R语言ggplot2可视化：指定标题的坐标轴位置（X轴坐标和Y轴坐标），将图像的标题（title）放置在图像内部的指定位置（customize title positon in plot）
R语言ggplot2可视化:指定标题的坐标轴位置(X轴坐标和Y轴坐标),将图像的标题(title)放置在图像内部的指定位置(customize title positon in plot) 目录
R语言ggplot2可视化分面图（facet，facet_wrap）: 不同分面配置不同的数据范围、自定义每个分面的轴数据格式化形式及数据范围
R语言ggplot2可视化分面图(facet,facet_wrap): 不同分面配置不同的数据范围.自定义每个分面的轴数据格式化形式及数据范围目录

R语言ggplot2 | 如何自定义facet分面的坐标轴范围