博文
是Excel的图，不！是R的图
|||
原文章来源链接：https://brucezhaor.github.io/blog/2016/06/13/excel2ggplot/
原文章作者：BruceZhaoR(RStats, interested in Statistics Models, Machine/Deep Learning, Data visualization, High Performance Computing ...)
作者主页：https://github.com/BruceZhaoRexcel作为一个强大的统计工具，自身包含着一部分数据可视化的功能。R作为可视化的大势，自然也可以画出这些图，有一篇就通过ggplot2包进行了部分总结，甚是有趣，小编复刻学习了一番，现对代码做简单注释，以作分享。
关于excel,ppt，你还可以get
Excel改变了你的基因名，30% 相关Nature文章受影响，NCBI也受波及
推荐 3 个超赞的 EXCEL 插件，让你 5 分钟从小白变大神
加载所需工具包
library(ggplot2) #作图包
library(dplyr) #数据转换包
library(tidyr) #数据转换包
library(splines) #数据差值包ggplot2的基本概念
数据data/映射美学asethetics/几何对象geometries/分面facets/统计statistics/坐标系coordinates/主题themes
数据准备
set.seed(123) #设定随机种子，保证做的图和样例一致样
df <- data.frame(
var=LETTERS[1:10], #字母A-J
id=1:10, #数字1-10
a=runif(10), #10个随机数
b=runif(10), #10个随机数
c=runif(10), #10个随机数
stringsAsFactors = F #不转换为因子
)
print(df) #显示数据得到所需数据样式（宽矩阵转长矩阵）
df1<- df%>%gather("item",value,-1:-2)%>% bind_cols(data.frame(item_id=rep(1:3,each=10)))
# 使用tidyr和dplyr包的gather函数进行数据样式转换,%>%是dplyr包的传递函数
print(df1)ggplot画图
ggplot2是图层式绘图，一层层添加修改，图层需要指定数据集，数据集中的内容（ase数据），geom_图形，stat统计转换，position图形位置
柱形图——geom_bar，注意position参数
ggplot(df1,aes(var,value))+
geom_bar(aes(fill=item),stat = "identity",position="dodge",width=0.8)+
labs(title="柱形图") # geom_bar=stat_count,stat=identy接受两个变量作图,position默认参数是stack,position="dodge"时，不同变量横向排列
ggplot(df1,aes(var,value))+
geom_bar(aes(fill=(item)),stat = "identity",position="stack",width=0.8)+
labs(title="堆积柱状图")
ggplot(df1,aes(var,value))+
geom_bar(aes(fill=item),stat = "identity",position="fill",width=0.8)+
labs(title="百分比堆积柱状图")
ggplot(df1,aes(var,value))+
geom_bar(aes(fill=item),stat = "identity",width=0.8)+
facet_grid(item~.)+ # 垂直方向分割
labs(title="三维柱形图") # 平面展示,（facet_grid)将三维图平面展示折线图——geom_line
变量以点展示，然后连点成线
ggplot(df1,aes(id,value,colour=item))+ # 点
geom_line()+ # 连线
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+ #将X坐标轴改为十等分并标以字母
labs(title="折线图")
ggplot(df1,aes(id,value,colour=item))+
geom_line(position="stack")+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+
labs(title="堆积折线图")
ggplot(df1,aes(id,value,colour=item))+
geom_line(position="fill")+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+
labs(title="百分比堆积折线图")
ggplot(df1,aes(id,value,colour=item))+
geom_line()+
geom_point()+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+
labs(title="带标记的折线图") #增加了散点图geom_point
ggplot(df1,aes(id,value,colour=item))+
geom_line(position="stack")+
geom_point(position="stack")+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+
labs(title="带标记的堆积折线图")
ggplot(df1,aes(id,value,colour=item))+
geom_line(aes(ymin=0),position="fill")+
geom_point(aes(ymin=0),position="fill")+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+
labs(title="带标记的百分比堆积折线图")
ggplot(df1,aes(id,value,colour=item))+
facet_grid(item~.)+ # 垂直方向分割
geom_line()+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+
labs(title="三维折线图") #用facet_grid平面展示，饼图
饼图，将一般的柱图进行直角坐标轴到极坐标轴的转换（coord_polar())
ggplot(df,aes(x=factor(1),a,fill=factor(var)))+
geom_bar(stat="identity",position="fill")+
coord_polar(theta="y")+ # 按Y轴极坐标转换
labs(title="饼图")因为是在条形图中对y轴进行极坐标转换，因此x轴长短需要一致，统一设为一个值，此处是x=factor(1)复合饼图和复合条饼图
有嵌套类时，可以衍生一个图形展现子类内容，下图是一个demo，仅作为图案参考样式，还有许多需要改进的地方
df_tmp<-data.frame(x=1,y=1) #准备画布所需数据
base <- ggplot(df_tmp,aes(x,y))+
geom_blank()+
theme_void()+
xlim(c(0,2))+
ylim(c(0,2)) # 准备背景画布
base + annotation_custom(
grob = ggplotGrob(
ggplot(df,aes(x = "",a,fill=factor(var)))+ # 注释
geom_bar(stat="identity",position="fill",
show.legend = F)+
labs(x=NULL,y=NULL)+
coord_polar(theta="y")+
theme_classic()),
xmin =0,xmax=1,
ymin=0.5,ymax = 1.5)+ # 图左
annotation_custom(
grob = ggplotGrob(
ggplot(df,aes(x = "",b,fill=factor(var)))+
geom_bar(stat="identity",
position="fill",
show.legend = F)+
labs(x=NULL,y=NULL)+
coord_polar(theta="y")+
theme_classic()),
xmin =1.1,xmax=1.9,
ymin=0.6,ymax = 1.4)+ # 图右
annotate("segment",x=0.5,xend=1.5,
y=0.69,yend=0.77)+ # 下线条
annotate("segment",x=0.5,xend=1.5,
y=1.35,yend=1.28) # 上线条+
labs(title="复合饼图")
# 复合条饼图
base <- ggplot(df_tmp,aes(x,y))+geom_blank()+theme_void()+
xlim(c(0,2))+ylim(c(0,2)) # 背景画布
base + annotation_custom(
grob = ggplotGrob(
ggplot(df,aes(x = "",a,fill=factor(var)))+
geom_bar(stat="identity",
position="fill",
show.legend = F)+
labs(x=NULL,y=NULL)+
coord_polar(theta="y")+theme_void()), # 饼图比条形图多了一个极坐标转换
xmin =0,xmax=1,
ymin=0.5,ymax = 1.5)+ # 左图
annotation_custom(
grob = ggplotGrob(
ggplot(df,aes(x = "",b,fill=factor(var)))+
geom_bar(stat="identity",
position="fill",
show.legend = F)+
labs(x=NULL,y=NULL)+theme_void()),
xmin =1.2,xmax=1.8,ymin=0.8,ymax = 1.2)+ # 右图
annotate("segment",x=0.5,xend=1.24,y=0.64,yend=0.84)+ # 下线段
annotate("segment",x=0.5,xend=1.24,y=1.38,yend=1.18)+ # 上线段
labs(title="复合条饼图")圆环图
一个圆环代表一个变量，颜色表示其属性
ggplot(df1,aes(x = item,value,fill=var))+
geom_bar(stat="identity",position="fill",width=0.8,colour="black")+
coord_polar(theta="y")其他圆形图
用coord_polar作出的demo图
demo1<-ggplot(df,aes(x = factor(1),a,fill=factor(var)))+
geom_bar(stat="identity",position="dodge")
demo1 #柱形图
demo1+coord_polar(theta="y") # 按y轴极坐标转换
demo1+coord_polar(theta="x") # 按X轴极坐标转换，此时x还可以等于var
demo2<-ggplot(df1,aes(x = id,value,fill=item))+
geom_bar(stat="identity",position="fill",width=0.8)
demo2 # 百分比柱形图
demo2+coord_polar(theta="x") # 按x轴极坐标转换条形图
条形图就是横过来的柱形图，用函数coord_filp()处理逆时针旋转90°
ggplot(df1,aes(var,value))+
geom_bar(aes(fill=item),stat = "identity",position="dodge",width=0.8)+
labs(title="条形图")+
coord_flip() # 和柱形图代码的唯一区别coord_flip()
ggplot(df1,aes(var,value))+
geom_bar(aes(fill=item),stat = "identity",position="stack",width=0.8)+
labs(title="堆积条形图")+
coord_flip()
ggplot(df1,aes(var,value))+
geom_bar(aes(fill=item),stat = "identity",position="fill",width=0.8)+
labs(title="百分比堆积条形图",fill="")+
coord_flip()
ggplot(df1,aes(var,value))+
geom_bar(aes(fill=item),stat = "identity",position="dodge",width=0.8)+
labs(title="三维百分比条形图",fill="")+
coord_flip()+
facet_grid(.~item) # 水平方向分割，用多个分面展示多维面积图——geom_area
面积图就是将折线图下面的区域标注颜色，表示面积。
ggplot(df1,aes(id,value))+
geom_area(aes(fill=item),position=position_dodge(width = 0),
alpha=0.5)+ # 暗色不透明度
labs(title="面积图",fill="")+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])
ggplot(df1,aes(id,value))+
geom_area(aes(fill=item),alpha=0.5)+
labs(title="堆积面积图")+ # 区别堆积折线图是少了`position=stack`
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])
ggplot(df1,aes(id,value))+
geom_area(aes(fill=item),position="fill",alpha=0.5)+
labs(title="百分比堆积面积图",fill="")+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])
ggplot(df1,aes(id,value))+
geom_area(aes(fill=item),position="stack",alpha=0.5)+
# 区别于三维折线图添加了`position=stack`,便于分割后更好观察面积分布
labs(title="三维百分比堆积面积图",fill="")+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+
facet_grid(item~.) # 按垂直水平分割XY散点图
需要注意的是确定X,Y轴以后，需要把对应的值赋到图中
ggplot(df1,aes(var,value))+
geom_point(aes(colour=item))+
labs(title = "散点图")
df1_a<-df1 %>% filter(item=="a") %>% select(value) %>% unlist %>% spline(,1000) %>% as.data.frame()
df1_b<-df1 %>% filter(item=="b") %>% select(value) %>% unlist %>% spline(,1000) %>% as.data.frame()
df1_c<-df1 %>% filter(item=="c") %>% select(value) %>% unlist %>% spline(,1000) %>% as.data.frame()
# 分开获得需要a,b,c的数据value，并被等分为1000份，用spline曲线连接，转换为数据框格式
df1_sp<-bind_rows(df1_a,df1_b,df1_c) %>%
mutate(item=rep(letters[1:3],each=1000)) # 添加1列item
ggplot()+
geom_point(data=df1,aes(id,value,colour=item))+
geom_line(data=df1_sp,aes(x,y,colour=item))+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+
labs(title = "带平滑线和数据标记的散点图") # 点加线
ggplot(df1,aes(id,value,colour=item))+
geom_point()+
geom_line()+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+
labs(title = "带直线和点数据标记的散点图")
ggplot(df1,aes(id,value,colour=item))+
geom_line()+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+
labs(title = "带直线的散点图") # 就是折线图气泡图
气泡图即点的大小表示数值大小的点图
ggplot(df1,aes(id,value,colour=item))+
geom_point(aes(size=value))+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])
# `size=value`给点赋予数值大小属性股价图
ggplot(df)+
geom_point(aes(Sys.Date()-1:10,c))+
geom_linerange(aes(Sys.Date()-1:10,ymin=a,ymax=b))+
labs(title="已知盘高-盘低-收盘图")
# `Sys.Date`返还任一日期时间,c是收盘量
# `geom_linerange`是由a,b两个对象的ymin和ymax定义的垂直区间线图
ggplot(df)+
geom_point(aes(Sys.Date()-1:10,c))+
geom_linerange(aes(Sys.Date()-1:10,ymin=a,ymax=b))+
geom_crossbar(aes(Sys.Date()-1:10,c,ymin=a,ymax=c),width=0.2)+
labs(title="已知开盘-盘高-盘低-收盘图")
# 在已知盘高-盘底-收盘图的基础上加上`geom_crossbar`，这里是连系a的最小和c的最大值，
# geom_crossbar(): 空心柱，上中下三条线分别代表ymax，mean，ymin
ggplot(data = filter(df1,item != "c"),
aes(rep(Sys.Date()-1:10,3),value))+
facet_grid(item~.,scale="free")+
geom_point(data = filter(df1,item == "a"),
aes(Sys.Date()-1:10,value))+
geom_linerange(data = filter(df1,item == "a"),
aes(Sys.Date()-1:10,value,
ymin=value-runif(10),
ymax=value+runif(10)))+
geom_bar(data = filter(df1,item == "b"),
aes(Sys.Date()-1:10,value*1000),
stat="identity")+
labs(title="成交量-盘高-盘低-收盘图")
# 点和线距图是对象a的数据有盘高盘低，条形图是关于对象b的图，成交量
# facet_grid(item~.,scale="free")，垂直分割，且不同形式的图表可以被分割出来
ggplot(data = filter(df1,item != "c"),
aes(rep(Sys.Date()-1:10,3),value))+
facet_grid(item~.,scale="free")+
geom_point(data = filter(df1,item == "a"),
aes(Sys.Date()-1:10,value))+
geom_linerange(data = filter(df1,item == "a"),
aes(Sys.Date()-1:10,value,
ymin=value-runif(10),
ymax=value+runif(10)))+
geom_crossbar(data = filter(df1,item == "a"),
aes(Sys.Date()-1:10,value,
ymin=value-runif(10),
ymax=value+runif(10)),
width=0.2)+
geom_bar(data = filter(df1,item == "b"),
aes(Sys.Date()-1:10,value*1000),
stat="identity")+
labs(title="已知成交量-开盘-盘高-盘低-收盘图")
# 在上一个图的基础上加了个`geom_crossbar`，筛选对象b作为开盘曲面图——geom_contour
三维图形，下图是对密度的一个二维密度估计
ggplot(df1,aes(id,item_id))+
geom_contour(aes(z=value,colour=..level..),
binwidth=0.001)+
scale_colour_gradientn(colours = terrain.colors(10))+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+
scale_y_continuous(breaks = 1:3,labels = letters[1:3])+
labs(title="曲面图")
# binwidth设置组距，值越小画得线越多，密度图函数colour设置等高线颜色
ggplot(df1,aes(id,item_id))+
geom_contour(aes(z=value,colour=..level..),
binwidth=0.1)+
scale_colour_gradientn(colours = terrain.colors(10))+
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+
scale_y_continuous(breaks = 1:3,labels = letters[1:3])+
labs(title="曲面图（框架图）")
# 用不同颜色等高线画框架图，和上图比增加了组距。雷达图
ggplot(df1,aes(id,value,colour=item))+
geom_bar(stat="identity",
position="dodge", # 普通柱形图
fill="transparent",# 填充透明度
size=1)+
coord_polar()+ #极坐标转换
scale_x_continuous(breaks = 1:5,labels = LETTERS[1:5])+
facet_wrap(~item,nrow=2)+ # 水平分割，分割后的图呈两行排列
labs(title="雷达图")
# 雷达图就是极坐标转换后的普通柱形图，加了透明背景框，相当于其他透明图
ggplot(df1,aes(id,value,colour=item))+
geom_bar(stat="identity",
position="dodge",
fill="transparent",
size=1,
width=0.5)+
geom_point()+
coord_polar()+
scale_x_continuous(breaks = 1:5,labels = LETTERS[1:5])+
facet_wrap(~item,nrow=2)+
labs(title="带数据标记的雷达图")
# 在geom_bar的基础上加上了以三个对象a,b,c,的值为点的点图geom_point
ggplot(df1,aes(id,value))+
geom_bar(aes(fill=item),stat="identity",
position="dodge")+ # 以item项的值映射柱形图的表达值
scale_x_continuous(breaks = 1:10,labels = LETTERS[1:10])+ # x轴分成了十等份
coord_polar()+
facet_wrap(~item,nrow=2)+
labs(title="填充雷达图")直方图
直方图是先把数据划分区间，按从小到大的顺序排列，并以柱状图的形式表现
ggplot(df1,aes(value))+
geom_histogram(bins=5,colour="white") # 映射value表达值，边界框是白色
# 排列图（数据从小到大排列）
df_tmp2<-df %>% select(1:3) %>% # 前三列
arrange(a) %>% #按列a的值从小到大排序
mutate(per = a/sum(a)) %>% # 增加per列，值为对应总数的比例
arrange(desc(a)) %>% # 重新按列a的值从达到小排列
mutate(new_id = 1:10)%>% # 增加new_id列
mutate(per = cumsum(per)) # 将per列的值按new_id的顺序逐个叠加
ggplot(df_tmp2)+
geom_bar(aes(new_id,a,fill=var),stat="identity")+ # fill=var添加图例并按照图例上色
geom_line(aes(new_id,per))+
scale_x_continuous(breaks = 1:10,
labels = df_tmp2$var)
# 令X轴的值为df_tmp2的var箱型图
箱型图是用分位数表述数据的离散和集中趋势
ggplot(df1,aes(item,value,colour=item))+
geom_boxplot(aes(fill=item),alpha=0.2,
outlier.colour = "red",
outlier.shape = 2,
outlier.size = 5,
coef=1.5)+ # 箱线图的异常值设定，边框为红色，形状为2指代的三角形，大小为5，参数coef指定了“须”的长度的极限值，默认值是1.5，表示两条须的极限不会超过盒型各端加1.5倍四分位距的范围，如果被置为0，条须的延长极限就会在数据集中元素的极限位置，图中不会有任何离群点。geom_jitter(width = 0.1) # geom_jitter()是geom_point(position="jitter")的简称,带状图，一维散点图。 瀑布图
瀑布图可表现图形涨跌趋势，后一个柱子和前一个柱子有增长和下降的关系。
df_tmp3 <- df %>%select(1:3)%>%mutate(cum=cumsum(a) ,low=lag(cum,default = 0))
# 新增一列cum，值为对应a值逐个叠加，新增加一列low，对应的是同一行的cum的上一个值，开始值是0.
ggplot(df_tmp3,aes(id,cum))+
# geom_step(colour="grey50")+ 是梯线
geom_crossbar(aes(ymin=low,ymax=cum),
size=0,
fill="skyblue",
colour="grey50", # 边框颜色
width=1)+
scale_x_continuous(breaks = 1:10,
labels = LETTERS[1:10]) #geom_crossbar(): 空心柱，上下两条线分别代表ymax、ymin漏斗图
漏斗图的数据分布在图形中间，用coord_flip()转换方向，可以看到不同组的最大，最小值的差异
df_tmp4<-df %>% select(1:3) %>%
arrange(a) %>%
mutate(new_id=1:10,
ymin = (1-a)/2,
ymax = a+(1-a)/2,
mid = 0.5) # 新增四列，new_id,ymin,ymax和min列
ggplot(df_tmp4,aes(new_id,mid))+
# geom_step(colour="grey50")+
geom_crossbar(aes(ymin=ymin,ymax=ymax),
size=0,
fill="skyblue",
colour="grey50",
width=1)+
scale_x_continuous(breaks = 1:10,
labels = df_tmp4$var)+
coord_flip() # 整个图形逆时针转90度
# geom_crossbar()空心柱
ggplot(df_tmp4,aes(new_id,mid))+
geom_linerange(aes(ymin=ymin,ymax=ymax,
colour=factor(new_id)),
size=15,
alpha=0.5,show.legend = F)+
scale_x_continuous(breaks = 1:10,
labels = df_tmp4$var)+
coord_flip()https://wap.sciencenet.cn/blog-118204-1198176.html
上一篇：道友，来Rstudio里面看动画了
下一篇：PCA主成分分析实战和可视化 | 附R代码和测试数据
