概述
对于tidyverse家族里的画图大杀器ggplot2，大家更熟悉于geom_*family*函数。但在其中还隐藏着34个stat_族函数。先把其中一个stat_summary拉出来跟大家认识一下。
iris数据集想必都不陌生
library(rmarkdown)
paged_table(iris)应用场景
在对数据进行探索性分析时，一般要对某变量的分布特征进行可视化操作，以均数条数、误差线图等形式展示该变量的分布。下面我用两种不同方式进行操作。
比如我们想探索一下，iris数据集中不同Species的Sepal.Length的均数分布情况。
geom_family
此种方式我们一般先分组汇总计算不同组Species的Sepal.Length的均数，然后计算 其标准误，再用geom_col和geom_errorbar函数作图。
library(tidyverse)
iris %>%
#分组汇总
group_by(Species) %>%
summarise(
mean_sepal_length = mean(Sepal.Length, na.rm = T),
se_sepal_length = sd(Sepal.Length) / sqrt(length(Sepal.Length)),
# 分组汇总后输出数据流时，最好要解散分组，不然可能有意外错误
.groups = "drop"
) %>%
#计算上下限
mutate(
lower = mean_sepal_length - se_sepal_length,
upper = mean_sepal_length + se_sepal_length,
) %>%
#绘图
ggplot(aes(Species, mean_sepal_length))+
geom_col()+
geom_errorbar(aes(ymin = lower, ymax = upper))
此时，数据管道里的数据流是这样的
## # A tibble: 3 × 5
## Species mean_sepal_length se_sepal_length lower upper
## <fct> <dbl> <dbl> <dbl> <dbl>
## 1 setosa 5.01 0.0498 4.96 5.06
## 2 versicolor 5.94 0.0730 5.86 6.01
## 3 virginica 6.59 0.0899 6.50 6.68stat_summary()
如果用stat_summary(),可见过程就简单的多了，作同样的图，仅需四行代码。
library(tidyverse)
iris %>%
ggplot(aes(Species, Sepal.Length)) +
stat_summary(geom = "bar") +
stat_summary(geom = "errorbar")
卖高！鹅迷扔~~~~ 此时数据管道里我们输入进去的仅是原数据集，并没有做任何转换。
解析
既然我们没有对数据进行转换操作，那肯定是stat_summary()代劳了这部分工作。
数据流
看看源数据在传递到绘图指令后，数据流变成了什么样子？
p <- iris %>%
ggplot(aes(Species, Sepal.Length)) +
stat_summary(geom = "bar") +
stat_summary(geom = "errorbar")
layer_data(p, 1)## x group y ymin ymax PANEL flipped_aes xmin xmax
## 1 1 1 5.006 0 5.006 1 FALSE 0.55 1.45
## 2 2 2 5.936 0 5.936 1 FALSE 1.55 2.45
## 3 3 3 6.588 0 6.588 1 FALSE 2.55 3.45
## colour fill linewidth linetype alpha
## 1 NA grey35 0.5 1 NA
## 2 NA grey35 0.5 1 NA
## 3 NA grey35 0.5 1 NA没错，这个函数stat_summary绘图层确实运算返回了一个包含均值y、下限值ymin和上限值ymax等其他数据的数据框。那是怎么来得呢？
如果细心的话，查看一下代码运行后的警告信息的话，会发现：
library(tidyverse)
iris %>%
ggplot(aes(Species, Sepal.Length)) +
stat_summary(geom = "bar") +
stat_summary(geom = "errorbar")
No summary function supplied, defaulting to
mean_se()
mean_se函数
这句警示信息里提到了mean_se这个函数，让我们看看mean_se这个函数
mean_se## function (x, mult = 1)
## {
## x <- stats::na.omit(x)
## se <- mult * sqrt(stats::var(x)/length(x))
## mean <- mean(x)
## data_frame0(y = mean, ymin = mean - se, ymax = mean + se,
## .size = 1)
## }
## <bytecode: 0x000001ddfe8e7e38>
## <environment: namespace:ggplot2>## # A tibble: 3 × 4
## Species y ymin ymax
## <fct> <dbl> <dbl> <dbl>
## 1 setosa 5.01 4.96 5.06
## 2 versicolor 5.94 5.86 6.01
## 3 virginica 6.59 6.50 6.68Bingo！正是这个函数输入一个向量后，汇总计算了mean和se，并返回了一个包含均值y、下限值ymin和上限值ymax的数据框。且数据与我们前面手动汇总的值一致。
我们再看一下stat_summary的参数说明，是怎么调用和配置数据。
formatR::usage(stat_summary)## stat_summary(mapping = NULL, data = NULL,
## geom = "pointrange", position = "identity", ...,
## fun.data = NULL, fun = NULL, fun.max = NULL,
## fun.min = NULL, fun.args = list(), na.rm = FALSE,
## orientation = NA, show.legend = NA, inherit.aes = TRUE,
## fun.y = deprecated(), fun.ymin = deprecated(),
## fun.ymax = deprecated())geom
The geometric object to use to display the data, either as a ggproto Geom subclass or as a string naming the geom stripped of the geom_ prefix (e.g. “point” rather than “geom_point”) 指定需要展示数据的几何对象，可以是ggproto Geom类对象，也可以是去除了geom前缀的geom_family函数的几何对象名。
fun.data
A function that is given the complete data and should return a data frame with variables ymin, y, and ymax. 指定一个可以返回ymin,y和ymax变量的数据框的函数。
fun.min, fun, fun.max Alternatively, supply three individual functions that are each passed a vector of values and should return a single number. 或者指定三个可以返回单一数值的独立函数。
fun.args
Optional additional arguments passed on to the functions. 指定需要传递的可选参数
那么我们逐个参数验证一下。
geom参数
pointrange
iris %>%
ggplot(aes(Species, Sepal.Length))+
stat_summary(geom = "pointrange")
crossbar
iris %>%
ggplot(aes(Species, Sepal.Length))+
stat_summary(geom = "crossbar")
当然几何对象要与fun.data给予的数据流相适应
fun.data参数
iris %>%
ggplot(aes(Species, Sepal.Length))+
stat_summary(
geom = "crossbar",
fun.data = mean_sd
)
实际上，fun.data可以是能返回符合指定geom需求数据的任何函数，包括其他包内自带的函数，也包括自定义函数。
ggpubr自带函数mean_range1
iris %>%
ggplot(aes(Species, Sepal.Length))+
stat_summary(geom = "crossbar",
#均数和最大、最小值
fun.data = ggpubr::mean_range
)
也可以用自定义函数(改编自ggpubr包的median_hilow_函数)
median_hilo <- function (x, ci = 0.95, error.limit = "both")
{
quant <- stats::quantile(x,
probs = c(0.5, (1 - ci)/2, (1 + ci)/2),
na.rm = TRUE)
names(quant) <- c("median", "lower", "upper")
data.frame(y = quant["median"],
ymin = quant["lower"],
ymax = quant["upper"])
}
iris %>%
ggplot(aes(Species, Sepal.Length))+
stat_summary(fun.data = median_hilo)
fun.args
指定需要传递的可选参数
iris %>%
ggplot(aes(Species, Sepal.Length))+
stat_summary(geom = "pointrange",
fun.data = mean_se,
fun.args = list(mult = 1.96))
也可以匿名函数的形式传递参数
iris %>%
ggplot(aes(Species, Sepal.Length))+
stat_summary(geom = "pointrange",
fun.data = ~mean_se(., mult = 1.96)
)
隐藏技能
如果仔细观察的话，在上文提到的stat_summary绘图层时产生的数据流的结构会发现，除了必要的y,ymin,ymax之外，那个数据集里还有诸如color，fill, alpha等aes参数同时产生。
## x group y ymin ymax PANEL flipped_aes xmin xmax
## 1 1 1 5.006 0 5.006 1 FALSE 0.55 1.45
## 2 2 2 5.936 0 5.936 1 FALSE 1.55 2.45
## 3 3 3 6.588 0 6.588 1 FALSE 2.55 3.45
## colour fill linewidth linetype alpha
## 1 NA grey35 0.5 1 NA
## 2 NA grey35 0.5 1 NA
## 3 NA grey35 0.5 1 NA这样的话，如果我们在引用相应函数时，同时计算生成相应参数的话，我们甚至可以同步改变图像的aes参数
计算更改条图颜色
素图是这样的
iris %>%
ggplot(aes(Species, Sepal.Length))+
stat_summary(
geom = "bar",
fun.data = mean_se
)
计算自定义颜色
iris %>%
ggplot(aes(Species, Sepal.Length))+
stat_summary(
geom = "bar",
fun.data = calc_mean_and_aes
)
计算更改条图宽度
iris %>%
ggplot(aes(Species, Sepal.Length))+
stat_summary(
geom = "bar",
fun.data = calc_mean_and_aes
)
计算更改条图透明度
iris %>%
ggplot(aes(Species, Sepal.Length))+
stat_summary(
geom = "bar",
fun.data = calc_mean_and_aes
)
计算更改条图外框线型
iris %>%
ggplot(aes(Species, Sepal.Length))+
stat_summary(
geom = "bar",
fun.data = calc_mean_and_aes
)
此文受June Choe先生的文章[https://yjunechoe.github.io/posts/2020-09-26-demystifying-stat-layers-ggplot2/]和王敏杰老师的在线书籍[https://bookdown.org/wangminjie/R4DS/tidyverse-ggplot2-stat-layer.html]启发
ggpubr还有一系列类似的汇总统计函数mean_sd, median_hilow_等↩︎