• 对数据分布进行可视化的方法


    绘制简单直方图

    问题


    怎样绘制直方图?


    方法

    执行geom_histogram() 函数并映射一个连续型变量到參数x(见图6-1):


    ggplot(faithful, aes(x=waiting)) + geom_histogram()


    讨论

    geom_histogram() 函数仅仅须要数据框的当中一列或者一个单独的数据向量作为參数。以faithful 数据集为例,该数据集包括了两列描写叙述老忠实喷泉的信息:第一列eruptions,描写叙述老忠实喷泉每次喷发的时长;第二列waiting,描写叙述两次喷发之间的间隔。以下仅以列waiting 为例:

    faithful

    eruptions waiting

    3.600 79

    1.800 54

    3.333 74

    ...

    假设想高速地看一下未包括在数据框中的数据的直方图,能够在执行上述命令时, 将数据框參数设定为NULL,同一时候,向ggplot() 函数传递一个向量作为參数。以下的代码与之前的执行结果同样:


    # 将变量值保存为一个基本向量

    w <-faithful$waiting

    ggplot(NULL, aes(x=w)) + geom_histogram()


    默认情况下,数据将被切分为30 组,这样分组可能太过精细,也可能太过粗糙,这取决于数据的实际情况。我们能够通过组距(binwidth)參数来调整数据的分组数目,或者将数据切分为指定的分组数目。直方图默认的填充色是黑色且没有边框线,这使得我们难以看清各个条形相应的变量值,因此,能够调整一下直方图的颜色设置,如图6-2 所看到的:

    # 设定组距为5

    ggplot(faithful, aes(x=waiting)) +

    geom_histogram(binwidth=5, fill="white", colour="black")

    # 将x 的取值切分为15 组

    binsize <- diff(range(faithful$waiting))/15

    ggplot(faithful, aes(x=waiting)) +

    geom_histogram(binwidth=binsize, fill="white", colour="black")


    有时,直方图的外观会很依赖于组距及组边界。图6-3 中,我们将组距设定为8。同一时候设定分组原点(origin)參数令左图的组边界分别位于31、39、47 等;右图中,对origin 參数添加4,令组边界分别位于35、43、51 等:

    h <- ggplot(faithful, aes(x=waiting)) # 将基本画图结果存为变量以便于反复使用


    h + geom_histogram(binwidth=8, fill="white", colour="black", origin=31)

    h + geom_histogram(binwidth=8, fill="white", colour="black", origin=35)

    两图相应的分组数目同样,但画图结果差异非常大。本例中的的faithful 数据集共包括272 个观測值,数据量并不算少;当数据量较小时,对分组边界的影响将会更大。因此,绘制图形时,最好尝试一下不同的分组数目和分组边界。


    当数据集包括离散型数据时,直方图的非对称性不可忽视。数据分组时,各分组区间左闭右开。比方,当分组边界为1、2、3 等时,相应的分组区间为[1,2)、[2,3)、[3,4)等。换言之,第一个分组区间包括1,但不包括2,第二个分组区间包括2,但不包括3。


    执行代码geom_bar(stat="bin") 也能得到同样的结果,只是,geom_histogram() 函

    数的操作过程更易于解释。


    另见

    绘制多个数据相应的分布时,频数多边形(frequency polygon)是一个更佳的方案,由于,它避免了各个条形之间相互干扰。相关内容參见6.5 节。


    基于分组数据绘制分组直方图

    问题

    怎样绘制多组数据的直方图?


    方法

    执行geom_histogram() 函数并使用分面画图就可以,如图6-4 所看到的:

    library(MASS) # 为了使用数据

    # 使用smoke 作为分面变量

    ggplot(birthwt, aes(x=bwt)) + geom_histogram(fill="white",colour="black")+

    facet_grid(smoke ~ .)



    讨论

    绘制上图时,要求全部用到的数据都包括在一个数据框里,且数据框当中一列是可用于分组的分类变量。


    这里以birthwt 数据集为例。该数据集包括的是关于婴儿出生体重及一系列导致出生体重过低的危急因子的数据:


    birthwt

    low age lwt race smoke ptl ht ui ftv bwt

    0 19 182 2 0 0 0 1 0 2523

    0 33 155 3 0 0 0 0 3 2551

    0 20 105 1 1 0 0 0 1 2557

    ...

    分面画图有一个问题,即分面标签仅仅有0 和1,且没有指明这个标签是变量smoke 的取值。想要改动标签,我们须要改动因子水平的名称。首先列出现有的因子水平,然后,按照同样的顺序向它们赋予新的名字:


    birthwt1 <- birthwt # 复制一个数据副本

    # 将smoke 转化为因子

    birthwt1$smoke <- factor(birthwt1$smoke)

    levels(birthwt1$smoke)


    "0""1"


    library(plyr) # 为了使用revalue() 函数

    birthwt1$smoke <- revalue(birthwt1$smoke, c("0"="No Smoke", "1"="Smoke")


    又一次画图,图形中为新的分面标签(见图6-4 右图)。

    ggplot(birthwt1, aes(x=bwt)) + geom_histogram(fill="white", colour="black") +

    facet_grid(smoke ~ .)


    分面画图时,各分面相应的y 轴标度是同样的。当各组数据包括的样本数目不同一时候,可能会难以比較各组数据的分布形状。我们能够看看依照race 对出生体重进行分组并分面画图的结果(见图6-5 左图):


    ggplot(birthwt, aes(x=bwt)) + geom_histogram(fill="white", colour="black") +

    facet_grid(race ~ .)



    设置參数scales="free" 能够单独设定各个分面的y 轴标度。注意:这样的设置仅仅适用于y 轴标度,x 轴的标度仍是固定的,由于各个分面的直方图是按照x 轴进行对齐的。


    ggplot(birthwt, aes(x=bwt)) + geom_histogram(fill="white", colour="black") +

    facet_grid(race ~ ., scales="free")


    分组画图的还有一种做法是把分组变量映射给fill,如图6-6 所看到的。此处的分组变量必须是因子型或者字符型的向量。对于birthwt 数据集,变量smoke 是合适的分组变量,因为其被存储为数值型,所以,我们使用前面创建的birthwt1 数据集,该数据集中的smoke 变量是因子型变量:

    # 把smoke 转化为因子

    birthwt1$smoke <- factor(birthwt1$smoke)


    # 把smoke 映射给fill,取消条形堆叠,并使图形半透明


    ggplot(birthwt1, aes(x=bwt, fill=smoke)) +

    geom_histogram(position="identity", alpha=0.4 )


    语句position="identity" 非常重要。没有它,ggplot() 函数会将直方图的条形进行垂直堆积,这种话更难以看清每组数据的分布信息。



    绘制密度曲线


    问题

    怎样绘制核密度曲线?


    方法

    执行geom_density() 函数,并映射一个连续型变量到x(见图6-7):


    ggplot(faithful, aes(x=waiting)) + geom_density()

    假设不想绘制图形两側和底部的线段,能够使用geom_line(stat="density") 函数(见图6-7 右图):


    # 使用expand_limits() 函数扩大y 轴范围以包括0 点

    ggplot(faithful, aes(x=waiting)) + geom_line(stat="density") +

    expand_limits(y=0)



    讨论

    与geom_histogram() 函数类似,geom_density() 函数仅仅须要数据框中的一列作为參数。以faithful 数据集为例,该数据包括了两列关于老忠实喷泉的数据:一列是eruptions,表示喷泉喷发的时长;第二列是waiting,表示两次喷发之间的时间间隔。以下仅以waiting列为例:

    faithful

    eruptions waiting

    3.600 79

    1.800 54

    3.333 74

    ...


    上面提到的另外一种方法是使用geom_line() 函数,并告诉其使用density 统计变换。这样的方法与第一种使用geom_density() 函数的方法在本质上是同样的,仅仅只是前者绘制的是封闭的多边形。


    与使用geom_histogram() 函数类似,假设想高速地绘制未在数据框中的数据的直方图,能够在执行上述命令时,将数据框设定为NULL,同一时候,向ggplot() 函数传递一个包括所需数据的向量作为參数。这与第一种解决方式的结果同样:


    # 将变量值保存在一个简单向量里

    w <- faithful$waiting


    ggplot(NULL, aes(x=w)) + geom_density()

    核密度曲线是基于样本数据对整体分布做出的一个预计。曲线的光滑程度取决于核函数的带宽:带宽越大,曲线越光滑。带宽能够通过adjust 參数进行设置,其默认值为1。图6-8 演示了当adjust 更大或者更小时图形的展示效果:


    ggplot(faithful, aes(x=waiting)) +

    geom_line(stat="density", adjust=.25, colour="red") +

    geom_line(stat="density") +

    geom_line(stat="density", adjust=2, colour="blue")


    本例中,x 轴的坐标范围是自己主动设定的,以使其能包括对应的数据,但这会导致曲线的边缘被裁剪。想要展示曲线的很多其它部分,能够手动设定x 轴的范围(见图6-9)。同一时候,设置alpha=.2 使填充色的透明度为80%。


    ggplot(faithful, aes(x=waiting)) +

    geom_density(fill="blue", alpha=.2) +

    xlim(35, 105)


    # 这段代码将使用geom_density() 函数绘制一个蓝色多边形,并在顶端加入一条实线


    ggplot(faithful, aes(x=waiting)) +

    geom_density(fill="blue", colour=NA, alpha=.2) +

    geom_line(stat="density") +

    xlim(35, 105)


    假设数据集在画图时发生了曲线边缘被裁剪的情况,那可能是由于对应的核密度曲线过于平滑——假设核密度曲线的宽度超过对应的数据集的范围,则其可能并不是最好的模型。当然,也可能是由于数据集太小了。


    将密度曲线叠加到直方图上,能够对观測值的理论分布和实际分布进行比較。因为密度曲线相应的y 轴坐标较小(曲线下的面积总是1),假设将其叠加到未做不论什么变换的直方图上,曲线可能会非常难看清楚。通过设置y=..density.. 能够减小直方图的标度以使其与密度曲线的标度相匹配。这里,我们先执行geom_histogram() 函数绘制直方图,之后,执行geom_density() 函数将密度曲线绘制到更上一层的图层上(见图6-10):


    ggplot(faithful, aes(x=waiting, y=..density..)) +

    geom_histogram(fill="cornsilk", colour="grey60", size=.2) +

    geom_density() +

    xlim(35, 105)


    另见

    6.9 节介绍了小提琴图的相关内容,小提琴图是还有一种表示密度曲线的方法,其适合用来对多个分布进行比較。


    基于分组数据绘制分组密度曲线


    问题

    怎样基于分组数据绘制分组密度曲线?


    方法

    使用geom_density() 函数,将分组变量映射给colour 或fill 等图形属性就可以,如图6-11 所看到的。分组变量必须是因子型或者字符串向量。数据集birthwt 相应的最佳分组变量smoke 被存储为数值型,所以,我们必须先将其转化为因子:


    library(MASS) # 为了使用数据

    # 复制数据的副本

    birthwt1 <- birthwt

    # 把变量smoke 转化为因子

    birthwt1$smoke <- factor(birthwt1$smoke)

    # 把变量smoke 映射给colour

    ggplot(birthwt1, aes(x=bwt, colour=smoke)) + geom_density()

    # 把变量smoke 映射给fill,设置alpha 使填充色半透明

    ggplot(birthwt1, aes(x=bwt, fill=smoke)) + geom_density(alpha=.3)


    讨论

    绘制上图时,要求全部用到的数据都包括在一个数据框里,且数据框的当中一列是可用于分组的分类变量。这里以birthwt 数据集为例。该数据集包括的是关于婴儿出生体重及一系列导致出生体重过低的危急因子的数据:


    birthwt

    low age lwt race smoke ptl ht ui ftv bwt

    0 19 182 2 0 0 0 1 0 2523

    0 33 155 3 0 0 0 0 3 2551

    0 20 105 1 1 0 0 0 1 2557

    ...


    观察一下变量smoke(抽烟与否)与变量bwt(出生体重,单位是克)的关系。变量smoke 相应的取值是0 和1,但因为其被存储为数值型向量,因而ggplot() 函数不知道应当将其作为分类变量来处理。这时有两种方法能够选择,一是将数据框中相应的

    列转化为因子,二是通过在aes() 函数内部使用命令factor(smoke) 来告诉ggplot()函数把smoke 当作因子来处理。本例中,我们将其转化为因子。


    还有一种对分组数据分布进行可视化的方法是使用分面(facet),如图6-12 所看到的。能够令各个分面竖直对齐或者水平对齐。以下,我们将各分面竖直对齐来对分面中的两个分布进行比較:


    ggplot(birthwt1, aes(x=bwt)) + geom_density() + facet_grid(smoke ~ .)


    分面画图有一个问题,即分面标签仅仅有0 和1,且没有指明这个标签是变量smoke 的取值。想要改动标签,我们须要改动因子水平的名称。首先列出现有的因子水平,然后,按照同样的顺序向它们赋予新的名字:


    levels(birthwt1$smoke)

    "0" "1"

    library(plyr) # 为了使用revalue 函数

    birthwt1$smoke <- revalue(birthwt1$smoke, c("0"="No Smoke", "1"="Smoke"))


    又一次画图,图形中为新的分面标签(见图6-12 右图)。


    ggplot(birthwt1, aes(x=bwt)) + geom_density() + facet_grid(smoke ~ .)


    假设要将直方图和密度曲线绘制在一张图上,最佳方案是利用分面,这是由于将两个直方图绘制在同一张图上的其它方法都不易于解释。操作时,需设定y=..density..,这样系统会将直方图的y 轴标度降到跟密度曲线同样。在本例中,通过改动直方图颜色使直方图的条形不那么突出(见图6-13):


    图6-13 叠加在直方图上的密度曲线


    ggplot(birthwt1, aes(x=bwt, y=..density..)) +

    geom_histogram(binwidth=200, fill="cornsilk", colour="grey60", size=.2) +

    geom_density() +

    facet_grid(smoke ~ .)


    绘制频数多边形


    问题

    怎样绘制频数多边形?


    方法

    使用geom_freqpoly() 函数就可以(见图6-14 左图):

    ggplot(faithful, aes(x=waiting)) + geom_freqpoly()


    讨论

    频数多边形看起来跟核密度预计曲线相似,但其传递的信息类似于直方图。它跟直方图都描写叙述了数据本身的信息,而核密度曲线仅仅是一个预计,且须要人为输入带宽參数。


    与直方图类似,能够通过binwidth 參数控制频数多边形的组距(见图6-14 右图):


    ggplot(faithful, aes(x=waiting)) + geom_freqpoly(binwidth=4)


    或者,通过直接设定每组组距将数据的x 轴范围切分为特定数目的组:


    # 将组数设定为15

    binsize <-diff(range(faithful$waiting))/15

    ggplot(faithful, aes(x=waiting)) + geom_freqpoly(binwidth=binsize)


    另见

    直方图与频数多边形传递的信息类似,仅仅只是其以条形取代了直线。相关内容可參见6.1 节。


    绘制基本箱线图


    问题

    怎样绘制箱线图(箱线胡须图)?


    方法

    使用geom_boxplot() 函数,分别映射一个连续型变量和一个离散型变量到y 和x 就可以(见图6-15):


    library(MASS) # 为了使用数据集

    ggplot(birthwt, aes(x=factor(race), y=bwt)) + geom_boxplot()

    # 使用factor() 函数将数值型变量转化为离散型



    讨论


    以下以MASS 库中的birthwt 数据集为例。该数据集包括的是关于婴儿出生体重及一系列导致出生体重过低的危急因子的数据:


    birthwt

    low age lwt race smoke ptl ht ui ftv bwt

    0 19 182 2 0 0 0 1 0 2523

    0 33 155 3 0 0 0 0 3 2551

    0 20 105 1 1 0 0 0 1 2557

    ...


    图6-15 中,系统按变量race 将数据分为三组,我们对每组数据相应的bwt 变量进行可视化。变量race 相应的值为1、2、3,然而,因为其被存储为数值型向量,ggplot() 不知道怎样将其当作分组变量来处理。为了使ggplot() 能将其作为分组变量来处理,我们能够调整数据框把变量race 转化为因子,或者通过在aes() 语句内部使用factor(race) 告诉ggplot() 函数把race 当作因子来处理。在前面的样例中,用的是factor(race)。


    箱线图由箱和“须”(whisker)两部分组成。箱的范围是从数据的下四分位数到上四分位数,也就是常说的四分位距(IQR)。箱的中间有一条表示中位数,或者说50%分位数的线。须则是从箱子的边缘出发延伸至1.5 倍四分位距内的最远的点。假设图中有超过须的数据点,则其被视为异常值,并以点来表示。图6-16 使用偏态的数据展示了直方图、密度曲线和箱线图之间的关系。



    设定參数width 能够改动箱线图的宽度(见图6-17 左图):


    ggplot(birthwt, aes(x=factor(race), y=bwt)) + geom_boxplot(width=.5)


    假设图中异常值较多且图形有重叠的话,能够通过设置outlier.size 和outlier.shape 參数改动异常点的大小和点形。异常点默认的大小是2,点形是16,即实心圆(见图6-17 右图)


    ggplot(birthwt, aes(x=factor(race), y=bwt)) +

    geom_boxplot(outlier.size=1.5, outlier.shape=21)

    绘制单组数据的箱线图时,必须给x 參数映射一个特定的取值,否则,ggplot() 函数不知道箱线图相应的x 轴坐标。本例中,我们将其设定为1,并移除x 轴的刻度标记



    (tick marker)和标签(见图6-18):

    ggplot(birthwt, aes(x=1, y=bwt)) + geom_boxplot() +

    scale_x_continuous(breaks=NULL)+

    theme(axis.title.x = element_blank())



    这里计算分位数的方法与R base 包中的boxplot() 函数所使用的计算方法略有不同。当样本量较小时,这个差异可能会比較明显。键入geom_boxplot() 命令能够查看这两种计算方法的差异。


    向箱线图加入槽口


    问题

    怎样向箱线图加入槽口(notch)以比較各组数据的中位数是否有差异?


    方法

    使用geom_boxplot() 函数并设定參数notch=TRUE(见图6-19):

    library(MASS) # 为了使用数据

    ggplot(birthwt, aes(x=factor(race), y=bwt)) + geom_boxplot(notch=TRUE)



    讨论

    箱线图中的槽口用来帮助查看不同分布的中位数是否有差异。假设各箱线图的槽口互不重合,说明各中位数有差异。


    对于本数据集,你会看到例如以下信息:

    Notch went outside hinges. Try setting notch=FALSE.


    这表明置信域(槽口)超过了某个箱子的边界。本例中,中间箱子相应的槽口的上边界溢出箱体,但因为溢出的距离较小,因此,在终于的画图输出中差点儿看不到。槽口溢出到箱体的边界并没有什么实质错误,仅仅是在一些极端案例中会看起来非常奇怪。


    向箱线图加入均值


    问题

    怎样向箱线图加入均值标记?


    方法

    使用stat_summary() 函数。箱线图中的均值常以钻石形状来表示,所以,以下用点形23且填充色为白色的点来表示。同一时候,通过设置參数size=3 使用略大的点(见图6-20):

    library(MASS) # 为了使用数据

    ggplot(birthwt, aes(x=factor(race), y=bwt)) + geom_boxplot() +

    stat_summary(fun.y="mean", geom="point", shape=23, size=3, fill="white")



    讨论

    箱线图中间的水平线表示的是中位数,而不是均值。对于正态分布的数据,中位数与均值会比較接近,但对于偏态的数据它们将有所不同。


    绘制小提琴图


    问题

    怎样绘制小提琴图以对各组数据的密度预计进行比較?


    方法

    使用geom_violin() 函数就可以(见图6-21):

    library(gcookbook) # 为了使用数据

    # 简单画图

    p <-ggplot(heightweight, aes(x=sex, y=heightIn))

    p + geom_violin()



    讨论

    小提琴图是一种用来对多组数据的分布进行比較的方法。使用普通的密度曲线对多组数据进行可视化时,图中各曲线会彼此干扰,因而,不宜用来对多组数据的分布进行比較。而小提琴图是并排排列的,用它对多组数据的分布进行比較会更easy一些。

    小提琴图也是核密度预计,但画图时对核密度曲线取了镜像以使形状对称。传统画法中,小提琴图中间叠加了一个较窄的箱线图,同一时候,用一个白圆圈表示中位数,如图6-22 所看到的。另外,通过设置outlier.colour=NA 能够隐去箱线图中的异常点。


    p + geom_violin() + geom_boxplot(width=.1, fill="black", outlier.colour=NA)+

    stat_summary(fun.y=median, geom="point", fill="white", shape=21, size=2.5)


    本例中,我们从下而上逐层绘制图形,先绘制小提琴图,再叠加箱线图,之后使用stat_summary() 计算并绘制表示中位数的白圆圈。


    小提琴图默认的坐标范围是数据的最小值到最大值,其扁平的尾部在这两个位置处截断。通过设置trim=FALSE 能够保留小提琴的尾部(见图6-23):

    p + geom_violin(trim=FALSE)


    默认情况下,系统会对小提琴图进行标准化以使得各组数据相应的图的面积一样(假设trim=TRUE,对数据进行标准化时会包含尾部数据)。假设不想使各组数据相应的图的面积一样,能够通过设置scale="count" 使得图的面积与每组观測值数目成正比(见图6-24)。本例中,女性组数据比男性组数据略少,所以,f 组的小提琴图看起来略窄:

    # 校准小提琴图的面积,令其与每组观測值的数目成正比

    p + geom_violin(scale="count")


    使用6.3 节中介绍的adjust 參数能够调整小提琴图的平滑程度。该參数的默认值是1;


    更大的值相应于更平滑的曲线,反之亦然(见图6-25):


    # 更平滑

    p + geom_violin(adjust=2)

    # 欠平滑

    p + geom_violin(adjust=.5)


    另见

    创建传统密度曲线,可參考6.3 节的内容。 使用不同于默认设置的点形,可參考4.5节的内容。


    绘制Wilkinson 点图


    问题

    怎样绘制Wikinson 点图,以展示全部数据点?


    方法

    使用geom_dotplot() 函数。这里(见图6-26)以数据集countries 的子集为例:


    library(gcookbook) # 为了使用数据

    countries2009 <- subset(countries, Year==2009 & healthexp>2000)

    p <- ggplot(countries2009, aes(x=infmortality))

    p + geom_dotplot()


    讨论

    这样的点图有时又叫Wilkinson 点图。它与3.10 节中提到的Cleveland 点图不同。这样的图中,点的分组和排列取决于数据,每一个点的宽度相应了最大的组距。系统默认的最大组距是数据范围的1/30,我们能够通过binwidth 參数对其进行调整。


    默认情况下,geom_dotplot() 函数沿着x 轴方向对数据进行分组,并在y 轴方向上对点进行堆积。图中各点看起来是堆积的,但受限于ggplot2 的技术,图形上y 轴的刻度线没有明白的含义。使用scale_y_continuous() 函数能够移除y 轴标签。本例中,我们还使用geom_rug() 函数以标示数据点的详细位置(见图6-27):


    p + geom_dotplot(binwidth=.25) + geom_rug() +

    scale_y_continuous(breaks=NULL) + # 移除刻度线


    theme(axis.title.y=element_blank()) # 移除坐标轴标签你可能会注意到数据堆在水平方向上不是均匀分布的。依据默认的dotdensity 分组算法,每一个数据堆都放置在它表示的数据点的中心位置。要使用像直方图那样的固定间距的分组算法,能够令method="histodot"。图6-28 中,你将会发现图中的数据堆并非居中放置的。


    p + geom_dotplot(method="histodot", binwidth=.25) + geom_rug() +

    scale_y_continuous(breaks=NULL) + theme(axis.title.y=element_blank())



    点图也能进行中心堆叠,或者採用一种奇数与偶数数量保持一致的中心堆叠方式。这能够通过设置stackdir="center" 或者stackdir="centerwhole" 来完毕,如图6-29 所看到的:


    p + geom_dotplot(binwidth=.25, stackdir="center") +

    scale_y_continuous(breaks=NULL) + theme(axis.title.y=element_blank())

    p + geom_dotplot(binwidth=.25, stackdir="centerwhole") +

    scale_y_continuous(breaks=NULL) + theme(axis.title.y=element_blank())



    另见

    Leland Wilkinson,“ Dot Plots,” The American Statistician 53 (1999): 276–281, http://www.cs.uic.edu /~wilkinson/Publications/dots.pdf.


    基于分组数据绘制分组点图


    问题

    怎样基于分组数据绘制多个点图?


    方法

    为了比較多组数据,能够通过设定binaxis="y" 将数据点沿着y 轴进行堆叠,并沿着x 轴分组。本例中 ,我们将以heightWeight 数据集为例(见图6-30):

    library(gcookbook) # 为了使用数据

    ggplot(heightweight, aes(x=sex, y=heightIn)) +

    geom_dotplot(binaxis="y", binwidth=.5, stackdir="center")



    讨论

    有时,我们会将点图叠加在箱线图上。这样的情况下,应该将数据点变为空心,同一时候隐去箱线图上的异常点。这是由于异常点将作为点图的一部分展示出来(见图6-31):


    ggplot(heightweight, aes(x=sex, y=heightIn)) +

    geom_boxplot(outlier.colour=NA, width=.4) +

    geom_dotplot(binaxis="y", binwidth=.5, stackdir="center", fill=NA)


    也能够将点图置于箱线图旁边,如图6-32 所看到的。这须要用到一些技巧:通过将x 变量视作数值型变量并对其加减一个微小的数值移动箱线图和点图的位置,使点图位于箱线图的左边。当x 变量被视为数值型变量时,必须同一时候指定group,否则,数据会被视为单独一组,从而,仅仅绘制出一个箱线图和点图。最后,因为x 轴被视为数值型,系统会默认展示x 轴刻度标签的数值;必须通过scale_x_continuous() 函数对其进行调整,以使得x轴的刻度标签显示为与因子水平相相应的文本:



    ggplot(heightweight, aes(x=sex, y=heightIn)) +

    geom_boxplot(aes(x=as.numeric(sex) + .2, group=sex), width=.25) +

    geom_dotplot(aes(x=as.numeric(sex) -.2, group=sex), binaxis="y",binwidth=.5, stackdir="center") +

    scale_x_continuous(breaks=1:nlevels(heightweight$sex),

    labels=levels(heightweight$sex))


    绘制二维数据的密度图


    问题

    怎样绘制二维(2D)数据的密度图?


    方法

    使用stat_density2d() 函数。该函数会给出一个基于数据的二维核密度预计。首先,我们绘制数据点和密度等高线图(见图6-33 左图):


    # 基础图

    p <- ggplot(faithful, aes(x=eruptions, y=waiting))

    p + geom_point() + stat_density2d()

    也能够使用..level.. 将密度曲面的高度映射给等高线的颜色(见图6-33 右图):


    # 将height 映射到颜色的等高线

    p + stat_density2d(aes(colour=..level..))


    讨论

    二维核密度预计类似于stat_density() 函数生成的一维核密度预计,只是,前者展示图形的方法有所不同。系统默认使用等高线,也能够使用瓦片图(tile)将密度预计映射给填充色或者瓦片图的透明度,如图6-34 所看到的:


    # 将密度预计映射给填充色

    p + stat_density2d(aes(fill=..density..), geom="raster", contour=FALSE)

    # 带数据点,并将密度预计映射给alpha 的瓦片图

    p + geom_point() +

    stat_density2d(aes(alpha=..density..), geom="tile", contour=FALSE)


    前面的第一个样例中我们使用了geom="raster",而第二个样例中使用的是geom="tile"。两者的主要差别在于栅格几何对象可以比瓦片更有效地进行渲染。理论上,两者应该看起来一样,但实际中两者经常不同。假设输出是PDF 文件,则图形的外观会依赖于打开PDF 的浏览器类型。在一些浏览器上,当使用瓦片时,瓦片中间可能会有模糊的线;而当使用栅格时,瓦片的边沿可能会显示模糊(虽然在本例中不存在这个问题)。



    与一维密度预计一样,能够对预计的带宽进行控制。传递一个指定x 和y 带宽的向量到h,这个參数会被传递给直接生成密度预计的函数kde2d()。本例中(见图6-35),我们将在x 轴和y 轴方向使用一个更小的带宽,以使得密度预计对数据的拟合程度更高(可能会有过度拟合):


    p + stat_density2d(aes(fill=..density..), geom="raster",

             contour=FALSE, h=c(.5,5))




    另见

    stat_density2d() 函数和stat_bin2d() 函数的关系与它们各自的一维情形,即密度曲线和直方图之间的关系类似。密度曲线是在特定如果下对分布的预计,而分组可视化则是直接表示观測值。很多其它关于数据分组的内容參见5.5 节。


    假设想使用不同的调色板,參见12.6 节。stat_density2d() 可将选项传递到kde2d() 函数;输入?kde2d 能够查看函数选项的信息。


    本文摘自《R数据可视化手冊》


  • 相关阅读:
    使用 jsPlumb 绘制拓扑图 —— 异步加载与绘制的实现
    改善记忆力的二十种记忆方法,随便你挑!
    怎样完成一次比较漂亮的晋升面试演讲
    产品运维的思考与总结
    Jtester+unitils+testng:DAO单元测试文件模板自动生成
    生活、工作和理想
    推荐《需求:缔造伟大商业传奇的根本力量》
    星光之旅
    谈读书
    生命之反思
  • 原文地址:https://www.cnblogs.com/blfshiye/p/4047982.html
Copyright © 2020-2023  润新知