ggplot2（5） 工具箱

5.1 简介

ggplot2的图层化架构鼓励我们以一种结构化的方式来设计和构建图形。本章旨在概述可用的几何对象和统计变换，在文中逐个详述。每一节都解决一个特定的作图问题。

5.2 图层叠加的总体策略

图层有三种用途：

• 用以展现数据本身；
• 用以展示数据的统计摘要。进一步理解数据，对模型做出评价；
• 用以添加额外的元数据、上下文信息和注解。展现数据背景或为原始数据赋予现实意义的注解。

5.3 基本图形类型

以下几何对象是ggplot2图形的基本组成部分。每种几何对象自身即可独立构建图形，同时也可以组合起来构建更复杂的几何图形。这些几何对象基本上都关联了一种常见的图形，当谋幅图只使用了一种几何对象构建时，这幅图往往拥有一个特定的名称。

这些几何对象均是二维的，故x和y两种图形属性都是不可或缺的。同时，它们都可以接受colour和size图形属性，另外，填充类几何对象还可以接受fill图形属性。点使用shape接受图形属性，线和路径使用linetype接受图形属性。这些几何对象可用于展示原始数据，另行计算得到的数据摘要和元数据。

• geom_area()：用于绘制面积图，即在普通线图的基础上，依y轴方向填充了下方面积的图形。对于分组数据，各组将按照依次堆叠的方式绘制。
• geom_bar(stat = "identity")：绘制条形图。
• geom_line()：绘制线条图。图形属性group决定了哪些观测是连接在一起的。
• geom_point()：绘制散点图。
• geom_polygon()：绘制多边形，即填充后的路径。
• geom_text()：可在指定点处添加标签。通过设置hjust和vjust可以控制文本的横纵位置，设置angle可以控制文本的旋转。
• geom_tile()：绘制色深图或者水平图。所有的瓦片（tile）构成了对平面的一个规则切分，且往往将fill图形属性映射至另一个变量。

df <- data.frame(
  x = c(3, 1, 5),
  y = c(2, 4, 6),
  label = c("a","b","c")
)
p <- ggplot(df, aes(x, y)) + xlab(NULL) + ylab(NULL)
p + geom_point() + labs(title = "geom_point")
p + geom_bar(stat="identity") +
    labs(title = "geom_bar(stat="identity")")
p + geom_line() + labs(title = "geom_line")
p + geom_area() + labs(title = "geom_area")
p + geom_path() + labs(title = "geom_path")
p + geom_text(aes(label = label)) + labs(title = "geom_text")
p + geom_tile() + labs(title = "geom_tile")
p + geom_polygon() + labs(title = "geom_polygon")

散点图、条形图、线条图、面积图、路径图、标签（散点）图、色深图/水平图、多边形图。

由于条形图、面积图和色深图占据了数据本身范围以外的空间，因此坐标轴被自动拉伸了。

5.4 展示数据分布

有一些几何对象可以用于展示数据的分布，具体使用那种取决于分布的维度、分布是连续型还是离散型，以及我们感兴趣的是条件分布还是联合分布。

直方图

对于一维连续型分布，最重要的几何对象是直方图。

depth_dist <- ggplot(diamonds, aes(depth)) + xlim(58, 68)
depth_dist + geom_histogram(aes(y = ..density..), binwidth = 0.1) + facet_grid(cut ~ .)
depth_dist + geom_histogram(aes(fill = cut), binwidth = 0.1, position = "fill")
depth_dist + geom_freqpoly(aes(colour = cut), binwidth = 0.1)

分面直方图、条件密度图、频率多边形图。

它们都显示了出一个有趣的模式：随着钻石质量的提高，分布逐渐向左偏移且愈发对称。

箱线图

箱线图可以用于观察一个类别性或连续型变量取条件时，另一个连续型变量的分布情况。对于连续型变量，必须设置group图形属性以切分得到多个箱线图。

library(plyr)
qplot(cut, depth, data = diamonds, geom = "boxplot")
qplot(carat, depth, data = diamonds, geom = "boxplot", 
    group = round_any(carat, 0.1, floor), xlim = c(0, 3))

密度图

density是基于核平滑方法进行平滑后的频率多边形，仅在已知潜在的密度分布为平滑、连续且无界的时候使用这种密度图。使用参数adjust可以调整所得的密度曲线的平滑程度。

qplot(depth, data = diamonds, geom = "density", xlim = c(54, 70))
qplot(depth, data = diamonds, geom = "density", xlim = c(54, 70), 
    fill = cut, alpha = I(0.2))

5.5 处理数据遮盖问题

• 小规模的遮盖问题可以通过绘制更小的点或者使用中空的符号缓解。

## 从左至右分别为：默认的 shape、shape = 1(中空的点)，以及 shape= '.'(像素大小的点)。
df <- data.frame(x = rnorm(2000), y = rnorm(2000))
norm <- ggplot(df, aes(x, y))
norm + geom_point()
norm + geom_point(shape = 1)
norm + geom_point(shape = ".")  # 点的大小为像素级

• 对于更大的数据集可以使用降低不透明度的方法，R中可用的最小alpha值为1/256。
• 如果数据存在一定的离散型，可以通过在点上增加扰动来减轻重叠。特别是与不透明度一起使用时，比较有效。

## 从左至右为：不加任何处理的点，使用默认扰动参数打散后的点，
## 横向扰动参数为 0.5 (横轴单位距离的一半)时打散后的点，alpha 值 1/50。
td <- ggplot(diamonds, aes(table, depth)) + xlim(50, 70) + ylim(50, 70)
td + geom_point()
td + geom_jitter()
jit <- position_jitter(width = 0.5)
td + geom_jitter(position = jit)
td + geom_jitter(position = jit, colour = "black", alpha = 1/50)

• 也可以认为遮盖绘制问题是一种二维核密度估计问题，可将点分箱并统计每个箱中点的个数，然后通过某种方式可视化这个数量（直方图的二维推广）。

library(hexbin)
d <- ggplot(diamonds, aes(carat, price))
d + stat_bin2d(bins = 50)
d + stat_bin2d(binwidth = c(0.02, 200))
d + stat_binhex(bins = 50)
d + stat_binhex(binwidth = c(0.02, 200))

正方形/六边形分箱。

• 使用stat_density2d进行二维密度估计。

d <- ggplot(mtcars, aes(wt, mpg))
d + geom_point() + geom_density2d()
d + stat_density2d(aes(colour=..level..))
d + stat_density2d(geom = "tile", aes(fill = ..density..), contour = F)
last_plot() + scale_fill_gradient(limits = c(0.01, 0.05))

等高线图，使用scale_fill_gradient以限制密度范围。

5.6 曲面图

ggplot2暂不支持真正的三维曲面图，但具有在二维平面上展现三维曲面的常见工具：等高线图，着色瓦片，气泡图等。

5.7 绘制地图

ggplot2提供了一些工具，让使用maps包绘制的地图与其他ggplot2图形的结合十分方便。下表中列出了可用的地图数据名称。我们使用地图数据可能有两种主要原因：一是为空间数据图形添加参考轮廓线，二是通过在不同的区域填充颜色以构建等值线图。

library(maps)
data(us.cities)
big_cities <- subset(us.cities, pop > 5e+05)
qplot(long, lat, data = big_cities) + borders("state", size = 0.5)
tx_cities <- subset(us.cities, country.etc == "TX")
ggplot(tx_cities, aes(long, lat)) + borders("county", "texas", colour = "grey70") + 
    geom_point(colour = "black", alpha = 0.5)

使用borders()添加地图边界，前两个参数指定了要绘制的地图名map以及其中的具体区域region，其余的参数用于控制边界的外观：如边界的颜色colour和线条粗细size。

展示了美国五十万人口以上的城市，德克萨斯州的城市区划。

使用fill绘制等值线图。

library(maps)
states <- map_data("state")
arrests <- USArrests
names(arrests) <- tolower(names(arrests))
arrests$region <- tolower(rownames(USArrests))

choro <- merge(states, arrests, by = "region")
# 由于绘制多边形时涉及顺序问题 且merge破坏了原始排序 故将行重新排序
choro <- choro[order(choro$order), ]
qplot(long, lat, data = choro, group = group, fill = assault, geom = "polygon")
qplot(long, lat, data = choro, group = group, fill = murder, geom = "polygon")

各州人身伤害案件的数量，各州谋杀类案件的数量。

使用map_data()将数据从maps包转换到适合用ggplot2绘图的数据。

library(plyr)
ia <- map_data("county", "iowa")
mid_range <- function(x) mean(range(x, na.rm = TRUE))
centres <- ddply(ia, .(subregion), colwise(mid_range, .(lat, long)))
ggplot(ia, aes(long, lat)) + geom_polygon(aes(group = group), fill = NA, colour = "grey60") + 
    geom_text(aes(label = subregion), data = centres, size = 2, angle = 45)

5.8 揭示不确定性

不论是从模型所得或是从对分布的假设而得，如果我们已经知道了一些关于数据中不确定性的信息，那么对这些信息加以展示通常是很重要的。ggplot2中的4类用以完成此项工作的几何对象被列于下表中，它们均假设我们对给定x时y的条件分布感兴趣，并且都使用ymin和ymax来确定y的值域。

变量X类型	仅展示区间	同时展示区间和中间值
连续型	geom_ribbon	geom_smooth(stat = "identity")
离散型	geom_errorbar	geom_crossbar
	geom_linerange	geom_pointrange

d <- subset(diamonds, carat < 2.5 & rbinom(nrow(diamonds), 1, 0.2) == 1)
d$lcarat <- log10(d$carat)
d$lprice <- log10(d$price)

# 剔除整体的线性趋势
detrend <- lm(lprice ~ lcarat, data = d)
d$lprice2 <- resid(detrend)

mod <- lm(lprice2 ~ lcarat * color, data = d)

library(effects)
effectdf <- function(...) {
    suppressWarnings(as.data.frame(effect(...)))
}
color <- effectdf("color", mod)
both1 <- effectdf("lcarat:color", mod)

carat <- effectdf("lcarat", mod, default.levels = 50)
both2 <- effectdf("lcarat:color", mod, default.levels = 3)

qplot(lcarat, lprice, data = d, colour = color)
qplot(lcarat, lprice2, data = d, colour = color)

对x轴和y轴的数据均取以10为底的对数，剔除了主要的线性趋势。

fplot <- ggplot(mapping = aes(y = fit, ymin = lower, ymax = upper)) + ylim(range(both2$lower, 
    both2$upper))
fplot %+% color + aes(x = color) + geom_point() + geom_errorbar()
fplot %+% both2 + aes(x = color, colour = lcarat, group = interaction(color, 
    lcarat)) + geom_errorbar() + geom_line(aes(group = lcarat)) + scale_colour_gradient()

展示模型估计结果中变量color的不确定性：color的边际效应，针对变量caret的不同水平(level)，变量color的条件效应。（95%置信区间）

fplot %+% carat + aes(x = lcarat) + geom_smooth(stat = "identity")

ends <- subset(both1, lcarat == max(lcarat))
fplot %+% both1 + aes(x = lcarat, colour = color) + geom_smooth(stat = "identity") + 
    scale_colour_hue() + theme(legend.position = "none") + geom_text(aes(label = color, 
    x = lcarat + 0.02), ends)

5.9 统计摘要

m <- ggplot(diamonds, aes(as.integer(clarity), price))
m + stat_summary(fun.y = "median", geom = "line")
m + stat_summary(fun.y = "mean", geom = "line")

中位数，均值。

m2 <- ggplot(diamonds, aes(as.integer(clarity), price, colour = color))
m2 + stat_summary(fun.y = "median", geom = "line")
m2 + stat_summary(fun.y = "mean", geom = "line")

分组呈现。

midm <- function(x) mean(x, trim = 0.5)
m + stat_summary(aes(colour = "trimmed"), fun.y = midm, geom = "point") + 
    stat_summary(aes(colour = "raw"), fun.y = mean, geom = "point")

trim：在计算平均值之前，从x的每一端要裁剪的观测值的分数(0到0.5)。修剪范围以外的值作为最近的端点。

iqr <- function(x, ...) {
    qs <- quantile(as.numeric(x), c(0.4, 0.6), na.rm = T)
    names(qs) <- c("ymin", "ymax")
    qs
}
m + stat_summary(fun.data = "iqr", geom = "ribbon")

下表给出了来自Hmisc包中的摘要计算函数，这些函数拥有专门的封装，以使它们能够与stat_summary()更轻松地共同使用。

函数名	Hmisc包中原名	中间值类型	所计算区间
mean_cl_normal	mean.cl.normal()	均值	正态渐进所得标准误
mean_cl_boot	mean.cl.boot()	均值	Bootstrap所得标准误
mean_sdl	mean.sdl()	均值	标准差的倍数
median_hilow	median.hilow()	中位数	尾部面积相同的外分为点对

以下为补充：

因为之前没有找到movies数据集，所以没有画出下面的图形。movies数据集已不在包含于ggplot2中，而是在ggplot2movies包中，需要单独加载。

movies数据集包含了5万多（58788）部电影的数据，24个变量。

• title：电影名称；
• year：上映年份；
• budget：总预算（如果已知，美元）；
• lenght：时长（分钟）；
• rating：平均IMDB用户评级；
• votes：给这部电影评分的IMD用户数目；
• r1~r10：对这部电影的评价是1的用户百分比；
• mpaa：美国电影协会评级；
• action, animation, comedy, drama, documentary, romance, short：动作、动画、喜剧、戏剧、纪录片、爱情片、短片。表示电影是否属于这一类型的二元变量。

library(ggplot2movies)
m <- ggplot(movies, aes(year, rating))
m + stat_summary(fun.y = "median", geom = "line")
m + stat_summary(fun.data = "median_hilow", geom = "smooth")
m + stat_summary(fun.y = "mean", geom = "line")
m + stat_summary(fun.data = "mean_cl_boot", geom = "smooth")
m2 <- ggplot(movies, aes(factor(round(rating)), log10(votes)))
m2 + stat_summary(fun.y = "mean", geom = "point")
m2 + stat_summary(fun.data = "mean_cl_normal", geom = "errorbar")
m2 + stat_summary(fun.data = "median_hilow", geom = "pointrange")
m2 + stat_summary(fun.data = "median_hilow", geom = "crossbar")

midm <- function(x) mean(x, trim = 0.5)
m2 + stat_summary(aes(colour = "trimmed"), fun.y = midm, geom = "point") + 
    stat_summary(aes(colour = "raw"), fun.y = mean, geom = "point") + scale_colour_hue("Mean")

iqr <- function(x, ...) {
    qs <- quantile(as.numeric(x), c(0.25, 0.75), na.rm = T)
    names(qs) <- c("ymin", "ymax")
    qs
}
m + stat_summary(fun.data = "iqr", geom = "ribbon")

5.10 添加图形注解

添加图形注解的方式有两种：逐个添加和批量添加。

• geom_text：可添加文字描述或为点添加标签。对于多数图形，为所有观测添加标签是无益的，然而，使用抽取子集的方式为部分观测添加标签可能会非常有用——我们往往希望标出离群点或者其他重要的点。
• geom_vline,geom_hline：向图形添加垂直线或水平线。
• geom_abline：向图形添加任意斜率和截距的直线。
• geom_rect：可强调图形中感兴趣的矩形区域，拥有xmin、xmax、ymin、ymax几种图形属性。
• geom_line,geom_path,geom_segment：都可以添加直线。

以上这些几何对象都有一个arrow参数，可以用来在线上放置箭头。

• arrow：绘制箭头，拥有angle、length、ends、type等参数。

(unemp <- qplot(date, unemploy, data = economics, geom = "line", xlab = "", 
    ylab = "No. unemployed (1000s)"))

presidential <- presidential[-(1:3), ]

yrng <- range(economics$unemploy)
xrng <- range(economics$date)
unemp + geom_vline(aes(xintercept = as.numeric(start)), data = presidential)

library(scales)
unemp + geom_rect(aes(NULL, NULL, xmin = start, xmax = end, fill = party), 
    ymin = yrng[1], ymax = yrng[2], data = presidential) + 
    scale_fill_manual(values = alpha(c("blue", "red"), 0.2))

添加民主党和共和党分界。

last_plot() + geom_text(aes(x = start, y = yrng[1], label = name), data = presidential, 
    size = 3, hjust = 0, vjust = 0)

添加总统信息。

caption <- paste(strwrap("Unemployment rates in the US have
varied a lot over the years", 
    40), collapse = "
")
unemp + geom_text(aes(x, y, label = caption), data = data.frame(x = mean(xrng), 
    y = yrng[2]), hjust = 0.5, vjust = 1, size = 4)

highest <- subset(economics, unemploy == max(unemploy))
unemp + geom_point(data = highest, size = 3, colour = alpha("red", 0.5))

5.11 含权数据

在处理整合后的数据时，数据集的每一行可能代表了多种观测值，此时我们需要以某种方式把权重考虑进去。

## 使用点的大小来展示权重
qplot(percwhite, percbelowpoverty, data = midwest)
qplot(percwhite, percbelowpoverty, data = midwest, size = poptotal/1e+06) + 
    scale_size_area("Population
(millions)", breaks = c(0.5, 1, 2, 4))
qplot(percwhite, percbelowpoverty, data = midwest, size = area, alpha = I(1/10)) + scale_size_area()

无权重，以人口数量为权重，以面积为权重。

lm_smooth <- geom_smooth(method = lm, size = 1)
qplot(percwhite, percbelowpoverty, data = midwest) + lm_smooth
qplot(percwhite, percbelowpoverty, data = midwest, weight = popdensity, size = popdensity) + lm_smooth

未考虑权重的最优拟合曲线和以人口数量作为权重的最优拟合曲线。

qplot(percbelowpoverty, data = midwest, binwidth = 1)
qplot(percbelowpoverty, data = midwest, weight = poptotal, binwidth = 1) + 
    ylab("population") 

不含权重信息以及含权重信息的直方图。不含权重信息的直方图展示了郡的数量，而含权重信息的直方图展示了人口数量。权重的加入的确极大地改变了对图形的解读！

总结