全栈13ggplot2在R中进行可视化

这是全栈数据工程师养成攻略系列教程的第十三期&＃xff1a;13 ggplot2 在R中进行可视化。

我们已经具备了一定的代码基础&＃xff0c;现在不妨来了解下数据可视化&＃xff0c;从生动的图形中更好地感受数据之美。R是一门统计分析语言&＃xff0c;和Python一样&＃xff0c;语法简单并且有非常丰富的功能包&＃xff0c;其中的ggplot2包便可以用简洁的语法绘制出美观多样的图形。

下载和安装

如果没有R的话需要去下载并安装&＃xff0c;在R的官网中找到下载链接&＃xff0c;选择最近的镜像地址下载即可&＃xff0c;www.r-project.org/。安装完毕后即可运行R&＃xff0c;软件如下图所示&＃xff0c;界面比较简单&＃xff0c;提供的用户图形化接口十分有限。

因此可以再安装一个叫作RStudio的软件&＃xff0c;它基于R的内核提供了更佳丰富的用户图形化操作界面&＃xff0c;使用起来更方便&＃xff0c;用户体验更好。可以在RStudio的官网找到下载链接&＃xff0c;下载并安装RStudio&＃xff0c;www.rstudio.com/。安装完毕后运行RStudio&＃xff0c;软件界面如下图所示。

左上角的两个按钮分别用于新建各种文件和打开已有文件&＃xff0c;左边是一个交互命令行&＃xff0c;可以交互式地执行代码。右边上半部分是环境窗口&＃xff08;Environment&＃xff09;和历史窗口&＃xff08;History&＃xff09;&＃xff0c;分别可以查看当前编程环境中已有的变量&＃xff0c;以及查看历史命令记录。右边下半部分包括文件&＃xff08;Files&＃xff09;、绘图&＃xff08;Plots&＃xff09;、包&＃xff08;Packages&＃xff09;、帮助&＃xff08;Help&＃xff09;等标签页&＃xff0c;分别用于查看文件目录、查看绘图结果、查看引用的包、查看帮助文档。

例如&＃xff0c;在左边的交互命令行中输入?plot并回车&＃xff0c;即可在右边的Help中查看plot函数的使用文档。再输入a <- 1并回车&＃xff0c;即可在右边的Environment中看到已有的变量&＃xff0c;同时在History中也可以看到之前执行的两条命令记录。

R基础

安装包和加载包

R和Python一样&＃xff0c;功能之所以强大是因为它具备丰富多样的功能包。在R中使用以下命令即可安装一个新的包&＃xff0c;例如ggplot2&＃xff0c;包的名字需要用引号括起来。

install.packages("ggplot2")

功能包安装完毕之后&＃xff0c;即可加载并使用其提供的数据集、函数和功能&＃xff0c;使用以下命令加载一个功能包&＃xff0c;包的名字不需要用引号括起来。

library(ggplot2)

数据结构

R中的数据结构主要有向量、矩阵、数组、数据框、因子和列表。

向量是用于存储数值型、字符型或逻辑型数据的一维数组&＃xff0c;单个向量中的数据必须拥有相同的类型或模式&＃xff0c;即要么都是数值型&＃xff0c;要么都是字符型&＃xff0c;要么都是逻辑型。可以发现&＃xff0c;R中的赋值使用箭头符号<-&＃xff0c;而不是其他语言常用的&＃61;。

# 数值型 a <- c(1, 2, 5, 3, 6, -2, 4) # 字符型 b <- c("one", "two", "three") # 逻辑型 c <- c(TRUE, TRUE, TRUE, FALSE, TRUE, FALSE)

用方括号可以访问向量中的元素&＃xff0c;例如访问向量a中的第二个和第四个元素&＃xff0c;可以用a[c(2, 4)]。向量也支持支持冒号语法&＃xff0c;a[2:6]将返回a的第二至第六个元素。所以向量的用法和Python中list有相似又不同&＃xff0c;Python中list的下标从0开始&＃xff0c;而且冒号语法只包括开始下标但不包括结束下标。另外Python中负号下标表示从后往前数&＃xff0c;而向量中负号表示排除&＃xff0c;例如a[-1]返回向量a中除了第一个以外的其他全部元素。

矩阵是一个二维数组&＃xff0c;每个元素都拥有相同的类型&＃xff0c;必须都为数值型、字符型或逻辑型&＃xff0c;可通过函数matrix创建矩阵。

mymatrix <- matrix(vector, nrow&＃61;number_of_rows, ncol&＃61;number_of_columns, byrow&＃61;FALSE, dimnames&＃61;list(rownames, colnames))

其中vector向量包含了全部矩阵元素&＃xff0c;nrow和ncol为行数和列数&＃xff0c;byrow默认为FALSE表示按列填充&＃xff0c;否则TRUE为按行填充&＃xff0c;dimnames为行名和列名。使用时&＃xff0c;只有前三个参数是必须的。

y <- matrix(1:20, nrow&＃61;5, ncol&＃61;4) cell <- c(1, 26, 24, 68) rnames <- c("R1", "R2") cnames <- c("C1", "C2") mymatrix <- matrix(cell, nrow&＃61;2, ncol&＃61;2, byrow&＃61;TRUE, dimnames&＃61;list(rnames, cnames)) mymatrix <- matrix(cell, nrow&＃61;2, ncol&＃61;2, byrow&＃61;FALSE, dimnames&＃61;list(rnames, cnames))

x[i,]表示矩阵x中的第i行&＃xff0c;x[,j]表示矩阵x中的第j列&＃xff0c;x[i, j]表示矩阵x中的第i行第j个元素&＃xff0c;或者使用数值型向量代替i、j以同时选择多行或多列。

数组和矩阵类似&＃xff0c;但是维度可以大于2&＃xff0c;通过array函数创建。

myarray <- array(vector, dimensions, dimnames)

其中vector包含数组中的数据&＃xff0c;dimensions是一个数值型向量&＃xff0c;给出了各个维度下标的最大值&＃xff0c;dimnames可选&＃xff0c;以向量形式指定各个维度的名称。

dim1 <- c("A1", "A2") dim2 <- c("B1", "B2", "B3") dim3 <- c("C1", "C2", "C3", "C4") z <- array(1:24, c(2, 3, 4), dimnames&＃61;list(dim1, dim2, dim3))

数据框可以理解成数据库中的表&＃xff0c;即每一行表示一条记录&＃xff0c;每一列表示一项字段。不同列可以包含不同类型&＃xff0c;例如某一列为数值型而另一列为字符型&＃xff0c;但每列所有行的数据类型必须相同。数据框通过data.frame创建&＃xff0c;是R中最为重要的一种数据结构。

patientID <- c(1, 2, 3, 4) age <- c(25, 34, 28, 52) diabetes <- c("Type1", "Type2", "Type1", "Type1") status <- c("Poor", "Improved", "Excellent", "Poor") patientdata <- data.frame(patientID, age, diabetes, status)

访问数据框中的数据可以通过以下三种方式&＃xff1a;

# 访问第一列和第二列 patientdata[1:2] # 按列名访问&＃xff0c;使用方括号和向量 patientdata[c("diabetes","status")] # 按列名访问&＃xff0c;使用$ patientdata$age

无序类别型变量和有序类别型变量在R中都称为因子。简单来说&＃xff0c;因子就是一种离散值&＃xff0c;例如性别只能是male和female&＃xff0c;对应两个字符型因子&＃xff0c;或者分别用0和1来表示&＃xff0c;对应两个数值型因子。如果因子的不同水平之间存在排序关系&＃xff0c;则称为有序因子。以下代码中&＃xff0c;diabetes对于不同的人只能取Type1或Type2&＃xff0c;因此是一个因子。

diabetes <- factor(c("Type1", "Type2", "Type1", "Type1"))

以下代码中&＃xff0c;status对于不同的人只能取Poor、Improved或Excellent
&＃xff0c;同时三者之间存在排序关系&＃xff0c;因此使用orderded&＃61;TRUE指定为一个有序因子。

status <- factor(c("Poor", "Improved", "Excellent", "Poor"), ordered&＃61;TRUE) # 或者手动指定排序的顺序 status <- factor(c("Poor", "Improved", "Excellent", "Poor"), ordered&＃61;TRUE, levels&＃61;c("Poor", "Improved", "Excellent"))

列表和向量一样&＃xff0c;同样是多个元素的排列&＃xff0c;但每个元素可以是以上提及的任何数据结构&＃xff0c;甚至是其他列表的组合&＃xff0c;即嵌套列表。使用list定义一个列表&＃xff0c;并可以为各个元素进行命名。

g <- "My First List" h <- c(25, 26, 18, 39) j <- matrix(1:10, nrow&＃61;5) k <- c("one", "two", "three") mylist <- list(title&＃61;g, ages&＃61;h, j, k) mylist

可以看到mylist包括四个元素&＃xff0c;使用mylist[[2]]、mylist$age或者mylist[["ages"]]访问其中的第二个元素。

最后需要注意的是&＃xff0c;R中的变量名、行名、列名等名称&＃xff0c;都尽量使用纯英文&＃xff0c;避免使用中文导致错误。

数据集

R中提供了很多数据集&＃xff0c;安装包也会提供一些额外的数据集&＃xff0c;这些数据集大多以数据框的形式给出&＃xff0c;例如mtcars数据集提供了32款车型的11项参数值&＃xff0c;所有参数值都为数值型。

head(mtcars) nrow(mtcars) names(mtcars) summary(mtcars)

另外&＃xff0c;也可以从csv、txt等文件中读取数据为数据框&＃xff0c;使用data.table包的fread()函数读取数据&＃xff0c;例如之前提供的douban_movie_clean.txt。读取之前需要在Files标签页中找到数据文件&＃xff0c;然后点击齿轮中的Set As Working Directory&＃xff0c;将当前目录设为工作路径。

# 没有包则安装 # install.packages("data.table") library(data.table) douban_movie_clean <- fread("douban_movie_clean.txt", header&＃61;TRUE, sep&＃61;"^", encoding&＃61;"UTF-8")

R脚本

除了在交互命令行中编写R代码&＃xff0c;一种更方便的选择是使用R脚本&＃xff0c;就如同新建一个.py代码&＃xff0c;在Sublime中编辑完毕后再运行一样。点击左上角的新建文件按钮&＃xff0c;选择R Script&＃xff0c;在新建的R脚本中可以自由地编写多行代码。编写完毕后&＃xff0c;选中全部或者部分代码&＃xff0c;点击R脚本右上方的Run按钮&＃xff0c;即可运行选中的代码。

ggplot2

ggplot2是R中的一个功能包&＃xff0c;可以用简洁统一的语法绘制出美观多样的图形。安装好ggplot2之后&＃xff0c;让我们通过一个简单的例子感受下ggplot2的魅力。

# 如果没有则安装 # install.packages("ggplot2") # 加载包 library(ggplot2) ggplot(douban_movie_clean) &＃43; geom_histogram(aes(x&＃61;length))

以上代码对豆瓣电影数据集的片长这一字段绘制直方图&＃xff0c;横轴为电影片长&＃xff0c;纵轴为每个片长区间的电影数量。绘图结果将显示在Plots标签页中&＃xff0c;可以点击Zoom按钮放大图像&＃xff0c;可以发现大多数电影的片长集中在90至120分钟之间。

R学习笔记

如果对R感兴趣、希望进一步了解更多内容&＃xff0c;可以访问我的博客&＃xff0c;zhanghonglun.cn/blog/tag/r/&＃xff0c;以上链接以r为标签搜索相关文章&＃xff0c;搜索结果中会有一个《R学习笔记》系列&＃xff0c;共14篇文章&＃xff0c;可作为进一步学习R的参考资料。

视频链接&＃xff1a;在R中进行可视化