Project: Tranquillity_Analysis
统一设置ggplot2的绘图风格
基础统计
> library(tidyverse)
> library(RColorBrewer)
> my_color <- brewer.pal(7,'Set3')
> options(encoding = 'UTF-8')
> PA_df <- read.table(file = '/Users/hufeiran/Desktop/2023\ 全国宁静地图/第五章_PA咨询问卷/问卷分析/公众咨询问卷分析/PA.csv',
+ header = T,
+ sep = ',')
> head(PA_df)
序号 所用时间.s 性别 年龄 学历 城市 行业
1 1 592 女 51~60 大学专科 北京 建筑业
2 2 149 男 26~30 研究生及以上 北京 科学研究
3 3 349 男 41~50 研究生及以上 北京 计算机/软件
4 4 753 男 41~50 研究生及以上 北京 文化娱乐
5 5 729 女 18~25 大学本科 北京 科学研究
6 6 215 男 18岁以下 高中/中专 北京 科学研究
您认为什么是宁静.
1 有山有水有鸟的地方
2 安靜的地方
3 让人心情愉悦精神放松的地方
4 没有人为的噪音。
5 一个引导身心放空思绪，平和心态的地方
6 没有人为设施或工具发出的声音的地方
您认为您最近去过的国内最宁静的地方是哪里. 看到草原 看到森林 看到灌木 看到裸地
1 五指山 2 4 1 0
2 松山 2 4 2 1
3 云南 3 4 4 2
4 静音寺东侧的山谷。 1 4 3 3
5 五台山无人的山林里 0 2 0 4
6 内蒙古大兴安岭满归 1 4 3 2
看到农田 看到溪流 看到江河 看到冰川 看到湖泊.水库 看到大海 看到一级道路
1 3 4 4 3 4 4 2
2 0 2 1 4 3 2 -4
3 3 3 3 2 2 3 3
4 0 2 1 3 1 1 -3
5 -1 3 3 4 1 0 -3
6 -4 2 1 2 -2 -1 -4
看到二级道路 看到三级道路 看到铁路 看到城镇 看到乡村及分散的房屋
1 2 4 1 -1 1
2 -3 -2 -4 -4 -2
3 2 3 3 2 3
4 -2 -1 -2 -4 -3
5 -4 -4 0 0 0
6 -4 -4 -4 -4 -4
看到风景名胜区 看到非物质文化遗产 看到历史文化名城名镇名村 看到传统村落
1 2 1 2 2
2 0 -3 1 1
3 3 4 4 4
4 -4 -4 -4 1
5 -3 2 1 1
6 -1 -3 -4 2
看到重点文保单位 看到高空飞行器 看到暗夜星空 看到城市灯光 看到广阔的空间
1 2 1 3 1 4
2 0 -4 4 -2 2
3 4 3 3 3 4
4 0 -4 2 -3 2
5 1 0 2 0 2
6 0 -4 4 -3 1
看到密集的人群 看到土地的自然性 听到机动车或非机动车偶然发出的噪声
1 -4 3 0
2 -4 1 -4
3 3 3 2
4 -4 0 -2
5 -4 1 -1
6 -4 4 -4
听到机动车或非机动车持续发出的噪声 听到火车的声音 听到高空飞行器的声音
1 -4 -4 -2
2 -4 -4 -4
3 2 2 3
4 -4 -4 -4
5 -2 -1 0
6 -4 -4 -4
听到湍急的激流 听到潺潺的溪水 听到大海的声音
1 2 4 4
2 -2 0 2
3 2 4 4
4 -2 0 2
5 1 2 3
6 3 4 3
除以上选项外.您还认为哪些因素会影响您对宁静度的感受.并附宁静度评分..10.10.
1
2 視覺障礙
3 污染，10
4 时间。空间。注意力。
5 景观可供我联想的含义，比如大海虽然是广阔的水面给人静的感觉但会让我联想到夏日海滩人群等，这样宁静的感觉会被削弱。
6
总分
1 55
2 -18
3 102
4 -28
5 10
6 -30
> #性别
> df_gender <- group_by(PA_df,性别) %>%
+ summarise(percent = n() / nrow(PA_df))
>
> ggplot(df_gender,aes(x = factor(1), y = percent, fill = 性别))+
+ geom_col(colour = 'white')+
+ coord_polar(theta = 'y',start = 1.65)+
+ geom_text(aes(label = paste0(round(percent,2)*100,'%')),
+ position = position_fill(vjust = 0.5))+
+ theme(
+ panel.background = element_blank(),
+ axis.title = element_blank(),
+ axis.text = element_blank(),
+ axis.ticks = element_blank(),
+ text = element_text(family = 'STkaiti')
+ )
> #年龄
> df_Age <- group_by(PA_df,年龄) %>%
+ summarise(percent = n() / nrow(PA_df))
>
> ggplot(df_Age,aes(x = factor(1), y = percent, fill = 年龄))+
+ geom_col(colour = 'white')+
+ coord_polar(theta = 'y',start = 1.65)+
+ geom_text(aes(label = paste0(round(percent,2)*100,'%')),
+ position = position_fill(vjust = 0.5))+
+ theme(
+ panel.background = element_blank(),
+ axis.title = element_blank(),
+ axis.text = element_blank(),
+ axis.ticks = element_blank(),
+ text = element_text(family = 'STkaiti')
+ )
>
> #学历
> df_Academy <- group_by(PA_df,学历) %>%
+ summarise(percent = n() / nrow(PA_df))
>
> ggplot(df_Academy,aes(x = factor(1), y = percent, fill = 学历))+
+ geom_col(colour = 'white')+
+ coord_polar(theta = 'y',start = 1.65)+
+ geom_text(aes(label = paste0(round(percent,2)*100,'%')),
+ position = position_fill(vjust = 0.5))+
+ theme(
+ panel.background = element_blank(),
+ axis.title = element_blank(),
+ axis.text = element_blank(),
+ axis.ticks = element_blank(),
+ text = element_text(family = 'STkaiti')
+ )
> #城市
> df_Local <- group_by(PA_df,城市) %>%
+ summarise(percent = n() / nrow(PA_df))
>
> ggplot(df_Local,aes(x = factor(1), y = percent, fill = 城市))+
+ geom_col(colour = 'white')+
+ coord_polar(theta = 'y',start = 1.65)+
+ geom_text(aes(label = paste0(round(percent,2)*100,'%')),
+ position = position_fill(vjust = 0.5))+
+ theme(
+ panel.background = element_blank(),
+ axis.title = element_blank(),
+ axis.text = element_blank(),
+ axis.ticks = element_blank(),
+ text = element_text(family = 'STkaiti')
+ )
>
> #行业
> df_Industry <- group_by(PA_df,行业) %>%
+ summarise(percent = n() / nrow(PA_df))
>
> ggplot(df_Industry,aes(x = factor(1), y = percent, fill = 行业))+
+ geom_col(colour = 'white')+
+ coord_polar(theta = 'y',start = 1.65)+
+ geom_text(aes(label = paste0(round(percent,2)*100,'%')),
+ position = position_fill(vjust = 0.5))+
+ theme(
+ panel.background = element_blank(),
+ axis.title = element_blank(),
+ axis.text = element_blank(),
+ axis.ticks = element_blank(),
+ text = element_text(family = 'STkaiti')
+ )
##公众眼中的宁静
> library(jiebaR)
> library(stringr)
> library(dplyr)
> library(tm)
> library(tmcn)
> ##定义分词器
> TK_fen <- worker(type = 'mix')
> ##获取文本内容
> content <- PA_df$您认为什么是宁静.
> Fen_TK <- apply_list(as.list(content),TK_fen)
> length(Fen_TK)
[1] 340
> ##查看部分分词后结果
> lapply(Fen_TK[1:2],head,10)#查看分词后前两回的前10个词
[[1]]
[1] "有山有水" "有" "鸟" "的" "地方"
[[2]]
[1] "安靜" "的" "地方"
> ##构建文档-词项频数（TF）矩阵
> ##针对中文前面已经提出过停用，这里不再重复操作
> TK_dtm <- createDTM(Fen_TK, removeStopwords = T)
> TK_dtm
<<DocumentTermMatrix (documents: 340, terms: 566)>>
Non-/sparse entries: 1225/191215
Sparsity : 99%
Maximal term length: 5
Weighting : term frequency (tf)
> ##剔除不重要的词减轻TF矩阵的稀疏性
> TK_dtm2 <- removeSparseTerms(TK_dtm,0.9)
> TK_dtm2
<<DocumentTermMatrix (documents: 340, terms: 3)>>
Non-/sparse entries: 201/819
Sparsity : 80%
Maximal term length: 2
Weighting : term frequency (tf)
> ##将DTM矩阵转化为data.frame
> TK_dtmdf <- as.data.frame(as.matrix(TK_dtm))
> head(TK_dtmdf)
sheng yin 一定 一尘不染 一幅 一望无际 一点 一片 一种 一角 一隅 一颗 一首 万物
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
上 下 下开 下雨 下雪 不 不多 不是 不让 不远处 世俗 世外桃源 世界 个人隐私 中
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
中心 临近 为主 之中 之处 书页 事 事情 事物 交通 享受 人 人不多 人且 人为
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
人口密度 人声鼎沸 人少 人少且 人工 人心 人烟 人烟稀少 人烦 人生哲理 人生态度
1 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0
人类 人群 人迹 人迹罕至 人造 令人 优美 伤害 伤痛 低 低频 体验生活 使人 保护
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
保持 保留 倾听 假山 做 僻静 元素 光污染 克服 公园 共处 养分 内在 内心
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
内心深处 最 最好 冰川 决心 净化 出 利益 前行 动植物 勇气 包袱 区域 午后 半
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
即为 却 历史 原始 原始森林 原谅 去 去除 友人 反射 发出 变化 叫声 后 听 听到
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
吵闹 吾 周围 味道 和谐 咖啡厅 咖啡店 商业化 喜欢 喧哗 喧嚣 喧闹 嘈杂 噪音
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 1
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
园林式 困难 国家 图书馆 在家 在意 地方 坚韧 城中 城市 填满 声 声音 处 处所
1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0
夏天 外界 多彩 夜晚 大 大山深处 大海 大片 大自然 大雪 天 天地 太多 好 存在
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
孤独 孤舟 学会 学校 孩子 宁静 宇宙 守护者 安全 安宁 安定 安寧 安心 安穩 安逸
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
安静 安靜 完全 宜人 家 家中 寂静 密度 密闭 富足 寒江雪 寺庙 寺廟 小 小孩 小屋
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
小树林 小溪流 小雨 少 少時 尘嚣 尤其 屋子里 山 山上 山丘 山中 山村 山林
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
山清水秀 山脉 山腰上 山谷 山野 山顶 岛屿 岳麓山 岸边 峡谷 工业 工作 工具 带有
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 1 0
干净 干扰 平和 平淡 平静 幸福 乡下 乡村 乡野 幽 幽靜 建筑 开发 引人 引导 弱
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
影响 彻夜 很 很大 得以 得到 循环 微笑 微风 心 心头 心安 心平气和 心态 心情
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
心无旁骛 心旷神怡 心灵 心里 心静 心静如水 必须 思想 思绪 思维 思考 情绪 惬意
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 1 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0
愉悦 感到 感受 感恩 慰藉 懂得 或少 房子 房间 打扰 找到 抚慰 抛却 挂 指南针
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
挑战 接纳 接近 提供 放下 放松 放空 散步 文化 新雨后 方向 施工 旁 旋律 无 无人
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
无人区 无噪音 无声 无尽 无欲无求 日出日落 日落 时 旷达 旷野 昆虫 明亮 明灯
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0
星光 星星 星空 映照 春天 春暖花开 時候 晚上 晚风 景区 景色 智慧 更 曾经 月光
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
有山有水 有序 有白 有花 有草 朋友 未 本质 机器 机械 杂乱 杂念 权情 村 村落
1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
松树 林 枯荣 树 树木 树林 样子 梦里 森林 植物 植被 欣赏 此起彼伏 死寂 比较 水
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
水域 水流声 水面 水墨画 江 江岸 污染 汽车 沒有 沙滩 沙漠 没事人 没人 没有
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 1
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 1
没用 河边 波光粼粼 波折 洗完 活人 流水 流水声 流淌 海月 海洋 海滩 海边 海邊
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
海面 淡定 淡泊 淡然 深处 深夜 深山 清新 清晨 清泉 清洁 清静 温度 温暖 温馨
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
游人 湖泊 湖边 湖面 溪水 满天 满足 满鲜花 潺潺 澡 炊烟 烦恼 烦躁 烦闷 照亮
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
照耀 熟悉 熟睡 爱去 片刻 状态 独处 独居 独立 独钓 环境 环境优美 生命 生活
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
生物 用心 田野 痕迹 白 看清 看见 真相 睡着 睡著 瞬间 积极 稀少 程度 空山 空旷
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
空气清新 空间 突兀 突然 笼罩 等同于 精神 繁星 纯净 细节 绿地 绿洲 美丽 美好
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 1 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
翁 翅膀 老公 老龄化 聆听 背后 能够 能量 自成 自我调节 自洽 自然 自然景观
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0
自然环境 自由空间 舒服 舒适 般的 花园 草原 草地 草地上 草坪 荒野 蓑笠 蕴藏
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0
藏区 虫鸣 融入 行为 行走 街区 裡 观看 规律 觉得 角落 讲话声 设备 设施 诗人
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
负面 赞美 起伏 足够 身心 身边 车流 车辆 轻柔 辽阔 过去 过度 运动 运转 远景
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
远离 连续 遐想 道路 避风港 郊外 释放 里 野中 野外 野生 野营 鎮定 键盘 镜头
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
长谈 閒適 闪烁着 闲事 闲着没事 间 闹市 阳光 随机 雪原 雪山 雷雨 需求 露珠
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
露营 静下来 静养 静谧 静静 靜謐 非 非得 非必要 靠近 面对 面朝 频率 风和日丽
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
风声 风景 飞机 高大 高山 高楼 高频 鸟 鸟叫 鸟叫声 鸟语花香 鸟鸣 黄昏 默契
1 0 0 0 0 0 0 0 1 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
> ##计算词频
> word_freq <- sort(colSums(TK_dtmdf),decreasing = T)
> word_freq <- data.frame(word = names(word_freq),freq = word_freq,row.names = NULL)
> head(word_freq)
word freq
1 地方 105
2 没有 60
3 人 45
4 大海 25
5 中 23
6 声音 22
> writexl::write_xlsx(word_freq,'/Users/hufeiran/Desktop/2023\ 全国宁静地图/第五章_PA咨询问卷/问卷分析/公众咨询问卷分析/公众眼中的宁静.xlsx')> ##词频可视化
> PA_wordfreq <- read.table('/Users/hufeiran/Desktop/2023\ 全国宁静地图/第五章_PA咨询问卷/问卷分析/公众咨询问卷分析/公众眼中的宁静.csv',
+ header = T,
+ sep = ',')
> ggplot(PA_wordfreq[1:10,],aes(x = reorder(word,-freq),y = freq)) +
+ geom_bar(stat = 'identity',fill = 'red',alpha = 0.7)+
+ theme(axis.text.x = element_text(angle = 45,hjust = 1,vjust = 0.5))+
+ theme(
+ panel.background = element_blank(),
+ axis.title = element_blank(),
+ axis.text = element_blank(),
+ axis.ticks = element_blank(),
+ text = element_text(family = 'STkaiti')
+ )+
+ labs(x = '词语',y = '词频',title = '公众眼中的宁静')
> ##词云
> library(wordcloud)
> library(RColorBrewer)
> head(PA_wordfreq)
word freq
1 没有人 60
2 大海 25
3 声音 22
4 森林 22
5 内心 17
6 安静 17
>
> ##使用词云图可视化
> par(family = 'STKaiti')
> wordcloud(words = PA_wordfreq$word,freq = PA_wordfreq$freq,
+ scale = c(4,.5), #可视化时词的大小范围
+ min.freq = 0, #词频小于min.freq的不可视化
+ max.words = 250, #最多可视化300个词
+ colors = brewer.pal(7,'Set1')) #设置颜色
##公众认为宁静的地方
> library(jiebaR)
> library(stringr)
> library(dplyr)
> library(tm)
> library(tmcn)
> ##定义分词器
> tk_fen <- worker(type = 'mix')
> ##获取文本内容
> quiet_area <- PA_df$您认为您最近去过的国内最宁静的地方是哪里.
> Fen_tk <- apply_list(as.list(quiet_area),tk_fen)
> length(Fen_tk)
[1] 340
> ##查看部分分词后结果
> lapply(Fen_tk[1:2],head,10)#查看分词后前两回的前10个词
[[1]]
[1] "五指山"
[[2]]
[1] "松山"
> ##构建文档-词项频数（TF）矩阵
> ##针对中文前面已经提出过停用，这里不再重复操作
> tk_dtm <- createDTM(Fen_tk, removeStopwords = T)
> TK_dtm
<<DocumentTermMatrix (documents: 340, terms: 566)>>
Non-/sparse entries: 1225/191215
Sparsity : 99%
Maximal term length: 5
Weighting : term frequency (tf)
> ##剔除不重要的词减轻TF矩阵的稀疏性
> tk_dtm2 <- removeSparseTerms(tk_dtm,0.9)
> tk_dtm2
<<DocumentTermMatrix (documents: 340, terms: 0)>>
Non-/sparse entries: 0/0
Sparsity : 100%
Maximal term length: 0
Weighting : term frequency (tf)
> ##将DTM矩阵转化为data.frame
> tk_dtmdf <- as.data.frame(as.matrix(tk_dtm))
> head(tk_dtmdf)
s 一处 一座 七 七孔 万宁 三亚 三明 三江 三清山 上 上班 上课 上饶市 下午 下班
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
下雪 不 不是 丙中洛 东侧 东北 东澳岛 丽江 中心 中科院 临沂 临沧 临近 丹东
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 1 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
丹霞山 之音 乌兰 乌镇 九寨沟 书店 书院 二泉 云南 云塔村 五台山 五指山 亚 人
1 0 0 0 0 0 0 0 0 0 0 0 1 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 1 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 1 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
人工干预 伊春 伦敦 保护区 假山 偏远 傍晚 光村 八大关 八江乡 公园 兰州 关
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0
养马岛 内心 内蒙古 内蒙古草原 最 农村 冰岛 凉水 凤凰古城 出名 前 勉强 匆匆
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 1 0 0 0 0 0 0 0 0 0 0
北京 北京郊区 北仑区 北戴河 北海 十八 千山 半夜 华山 南京 南宁 南岭 南澳 印象
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
厦门 去 去过 古关 古冰川 古城 古建筑 古道 古镇 古墨村 台州 台阶 各处 吉安
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
吉林 同学们 名胜区 后 后海 后湖 向西 听歌 周庄 周边 呼伦贝尔 呼伦贝尔草原
1 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0
哈密 哈尔滨 喀纳斯湖 四个 四川 四月 回家 回老家 国内 国家 国际 图书馆 土楼
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0
地方 坐落 坑道 城市 城乡 基本 塔克拉玛干沙漠 壮志 声音 夏季 夕阳 外语 夜晚
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0
夜景 大 大兴安岭 大同 大山 大峡谷 大海 大理 大运河 大连 天坛公园 天山 天柱山
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 1 0 0 0 0 0 0 0 0 0 0
天气 天池 天津 天脊 好 好像 好看 始兴县 威海 孟达 宁夏 宁静 安徽 安静 安顶山
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
宏村 宜昌 宣城 家 家中 家乡 家里 宿舍 富春山 寺 寺庙 小 小时候 小梅沙 小镇 尕
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
尖峰岭 居 山上 山丘 山东 山区 山林 山西 山谷 山里 山野 山顶 岁月 岳麓山 岸边
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
5 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
川西 巴里坤 布拉克 带来 平遥 并流 乡 乡下 乡村 广东 广大 广西 庐山 库木塔格
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
库车 应该 府河 延庆 开封 很 很多 很少 很难 徒步 德令哈 怒江 恩施 悠悠 情人
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
惠山 想到 感受 成荫 房间 扎 打盹 扬州 承德避暑山庄 拉鲁 挺 故居 新疆 无 无人
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
无锡 早晨 时光 旺季 昆嵛山 易逝 春节 晒 晒太阳 晚上 普洱 普达措 暂无 暴怒 曾
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
月牙泉 期间 木 木兰花 木村 村 条子 松山 林场 林子里 林州 林芝 栈道 树木 树王
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
校园 格尔木市 格林 桂林 桃花村 桓仁 梯田 森林 森林公园 植物园 横断山脉 橘子洲
1 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0
武功山 武夷山 武当山 武汉 氛围 永丰 永安 汕头 江 江北 江山 江苏 江西 江西省
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
沙湖 沙滩 沙漠 没 没人 没什么 没有 河 河北 沸乎 泥 泸沽湖 洱海 流水 济南 浙江
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
海 海东 海北 海南 海南岛 海口 海岸 海棠 海滩 海西 海边 淀山湖 深圳 深处 深夜
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
深山 清晨 清遠 渠 温泉 湖 湖北 湖南 湖南大学 湖边 湛江 湾 湿地 源 满归 漓江
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
滴 漳州 潭柘寺 澎湃 澳门 烟台 片区 牛 独山子 玛多 环境 珠海 甘南 甘孜
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
甘肃兰州 田地 田野 留园 皖南 盐城 盘山 省道 真 真是 知道 神农架 福建 禾 秦岭
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
竹林中 算 紫藤花 紫阳 红原 红河谷 纯黑 纳木错 结合部 网上 翠鸟 老城区 老家
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0
聆听 肃穆 背山 胡杨林 腾冲 舟山 色达 艺术 芒市 花园里 花桥 苏州 苏州园林
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0
若尔盖 茶卡盐湖 草原 草地 草坪 荒岛 荒野 荔波 薛福成 藏区 街道 衢州 西
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0
西双版纳 西沙群岛 西湖 西线 西藏 谷 谷峪 贵州 路上 軍事 达 过年 还 连屿 途径
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
通州 道 遺產 避暑山庄 那坡 郊区 都江堰 酒店 里 野山 野营 金佛山 金川县
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 1 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0
金沙江畔 金沙湾 金银滩 金門 铅山县 银滩 镇 长堤 长江 长沙 长沙市 长治
1 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0
长白山天池 阳光 阳朔 阿勒泰 阿坝州 阿那 阿里 陇南 陈塘 陈岛 陕西 院墙 随意
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0
难酬 雨过天晴 雪岭 青岛 青海 青海湖 青海省 静静 静音 非 韶关 额尔古纳 风景
1 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 1 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0
香格里拉 马铃 高大 高黎贡山 鲁朗 黄崖洞 黄河 黄龙溪 黑龙江 墨石 墨脱 龙岩
1 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0
龙津 龙脊 龙门山
1 0 0 0
2 0 0 0
3 0 0 0
4 0 0 0
5 0 0 0
6 0 0 0
> ##计算词频
> quietarea_freq <- sort(colSums(tk_dtmdf),decreasing = T)
> quietarea_freq <- data.frame(word = names(quietarea_freq),freq = quietarea_freq,row.names = NULL)
> head(quietarea_freq)
word freq
1 云南 20
2 新疆 13
3 西藏 13
4 丽江 11
5 古城 11
6 公园 8
> writexl::write_xlsx(quietarea_freq,'/Users/hufeiran/Desktop/2023\ 全国宁静地图/第五章_PA咨询问卷/问卷分析/公众咨询问卷分析/PA_宁静地.xlsx')> ##词云
> PA_quietarea <- read.table('/Users/hufeiran/Desktop/2023\ 全国宁静地图/第五章_PA咨询问卷/问卷分析/公众咨询问卷分析/PA_宁静地.csv',
+ header = T,
+ sep = ',')
> library(wordcloud)
> library(RColorBrewer)
> head(PA_wordfreq)
word freq
1 没有人 60
2 大海 25
3 声音 22
4 森林 22
5 内心 17
6 安静 17
>
> ##使用词云图可视化
> par(family = 'STKaiti')
> wordcloud(words = PA_quietarea$word,freq = PA_quietarea$freq,
+ scale = c(4,.5), #可视化时词的大小范围
+ min.freq = 0, #词频小于min.freq的不可视化
+ max.words = 250, #最多可视化300个词
+ colors = brewer.pal(7,'Set1')) #设置颜色
##地域对宁静感知的影响
> Local_PA <- group_by(PA_df,城市) %>%
+ summarise(看到草原 = mean(看到草原),
+ 看到森林 = mean(看到森林),
+ 看到灌木 = mean(看到灌木),
+ 看到裸地 = mean(看到裸地),
+ 看到农田 = mean(看到农田),
+ 看到溪流 = mean(看到溪流),
+ 看到江河 = mean(看到江河),
+ 看到冰川 = mean(看到冰川),
+ 看到湖泊水库 = mean(PA_df$看到湖泊.水库),
+ 看到大海 = mean(看到大海),
+ 看到一级道路 = mean(看到一级道路),
+ 看到二级道路 = mean(看到二级道路),
+ 看到三级道路 = mean(看到三级道路),
+ 看到铁路 = mean(看到铁路),
+ 看到城镇 = mean(看到城镇),
+ 看到乡村及分散的房屋 = mean(看到乡村及分散的房屋),
+ 看到风景名胜区 = mean(看到风景名胜区),
+ 看到非物质文化遗产 = mean(看到非物质文化遗产),
+ 看到历史文化名城名镇名村 = mean(看到历史文化名城名镇名村),
+ 看到传统村落 = mean(看到传统村落),
+ 看到重点文保单位 = mean(看到重点文保单位),
+ 看到高空飞行器 = mean(看到高空飞行器),
+ 看到暗夜星空 = mean(看到暗夜星空),
+ 看到城市灯光 = mean(看到城市灯光),
+ 看到广阔的空间 = mean(看到广阔的空间),
+ 看到密集的人群 = mean(看到密集的人群),
+ 看到土地的自然性 = mean(看到土地的自然性),
+ 听到机动非机动车偶然噪声 = mean(听到机动车或非机动车偶然发出的噪声),
+ 听到机动非机动车持续噪声 = mean(听到机动车或非机动车持续发出的噪声),
+ 听到火车的声音 = mean(听到火车的声音),
+ 听到高空飞行器的声音 = mean(听到高空飞行器的声音),
+ 听到激流 = mean(听到湍急的激流),
+ 听到溪水 = mean(听到潺潺的溪水),
+ 听到大海 = mean(听到大海的声音))
> City <- Local_PA$城市
> Local_PA <- Local_PA %>% select(-城市)
> row.names(Local_PA) <- City
##性别对宁静感知的影响
> Gender_PA <- group_by(PA_df,性别) %>%
+ summarise(看到草原 = mean(看到草原),
+ 看到森林 = mean(看到森林),
+ 看到灌木 = mean(看到灌木),
+ 看到裸地 = mean(看到裸地),
+ 看到农田 = mean(看到农田),
+ 看到溪流 = mean(看到溪流),
+ 看到江河 = mean(看到江河),
+ 看到冰川 = mean(看到冰川),
+ 看到湖泊水库 = mean(PA_df$看到湖泊.水库),
+ 看到大海 = mean(看到大海),
+ 看到一级道路 = mean(看到一级道路),
+ 看到二级道路 = mean(看到二级道路),
+ 看到三级道路 = mean(看到三级道路),
+ 看到铁路 = mean(看到铁路),
+ 看到城镇 = mean(看到城镇),
+ 看到乡村及分散的房屋 = mean(看到乡村及分散的房屋),
+ 看到风景名胜区 = mean(看到风景名胜区),
+ 看到非物质文化遗产 = mean(看到非物质文化遗产),
+ 看到历史文化名城名镇名村 = mean(看到历史文化名城名镇名村),
+ 看到传统村落 = mean(看到传统村落),
+ 看到重点文保单位 = mean(看到重点文保单位),
+ 看到高空飞行器 = mean(看到高空飞行器),
+ 看到暗夜星空 = mean(看到暗夜星空),
+ 看到城市灯光 = mean(看到城市灯光),
+ 看到广阔的空间 = mean(看到广阔的空间),
+ 看到密集的人群 = mean(看到密集的人群),
+ 看到土地的自然性 = mean(看到土地的自然性),
+ 听到机动非机动车偶然噪声 = mean(听到机动车或非机动车偶然发出的噪声),
+ 听到机动非机动车持续噪声 = mean(听到机动车或非机动车持续发出的噪声),
+ 听到火车的声音 = mean(听到火车的声音),
+ 听到高空飞行器的声音 = mean(听到高空飞行器的声音),
+ 听到激流 = mean(听到湍急的激流),
+ 听到溪水 = mean(听到潺潺的溪水),
+ 听到大海 = mean(听到大海的声音))
> Gender <- Gender_PA$性别
> Gender_PA <- Gender_PA %>% select(-性别)
> row.names(Gender_PA) <- Gender
##年龄对宁静感知的影响
> Age_PA <- group_by(PA_df,年龄) %>%
+ summarise(看到草原 = mean(看到草原),
+ 看到森林 = mean(看到森林),
+ 看到灌木 = mean(看到灌木),
+ 看到裸地 = mean(看到裸地),
+ 看到农田 = mean(看到农田),
+ 看到溪流 = mean(看到溪流),
+ 看到江河 = mean(看到江河),
+ 看到冰川 = mean(看到冰川),
+ 看到湖泊水库 = mean(PA_df$看到湖泊.水库),
+ 看到大海 = mean(看到大海),
+ 看到一级道路 = mean(看到一级道路),
+ 看到二级道路 = mean(看到二级道路),
+ 看到三级道路 = mean(看到三级道路),
+ 看到铁路 = mean(看到铁路),
+ 看到城镇 = mean(看到城镇),
+ 看到乡村及分散的房屋 = mean(看到乡村及分散的房屋),
+ 看到风景名胜区 = mean(看到风景名胜区),
+ 看到非物质文化遗产 = mean(看到非物质文化遗产),
+ 看到历史文化名城名镇名村 = mean(看到历史文化名城名镇名村),
+ 看到传统村落 = mean(看到传统村落),
+ 看到重点文保单位 = mean(看到重点文保单位),
+ 看到高空飞行器 = mean(看到高空飞行器),
+ 看到暗夜星空 = mean(看到暗夜星空),
+ 看到城市灯光 = mean(看到城市灯光),
+ 看到广阔的空间 = mean(看到广阔的空间),
+ 看到密集的人群 = mean(看到密集的人群),
+ 看到土地的自然性 = mean(看到土地的自然性),
+ 听到机动非机动车偶然噪声 = mean(听到机动车或非机动车偶然发出的噪声),
+ 听到机动非机动车持续噪声 = mean(听到机动车或非机动车持续发出的噪声),
+ 听到火车的声音 = mean(听到火车的声音),
+ 听到高空飞行器的声音 = mean(听到高空飞行器的声音),
+ 听到激流 = mean(听到湍急的激流),
+ 听到溪水 = mean(听到潺潺的溪水),
+ 听到大海 = mean(听到大海的声音))
> Age <- Age_PA$年龄
> Age_PA <- Age_PA %>% select(-年龄)
> row.names(Age_PA) <- Age
##学历对宁静感知的影响
> Academy_PA <- group_by(PA_df,学历) %>%
+ summarise(看到草原 = mean(看到草原),
+ 看到森林 = mean(看到森林),
+ 看到灌木 = mean(看到灌木),
+ 看到裸地 = mean(看到裸地),
+ 看到农田 = mean(看到农田),
+ 看到溪流 = mean(看到溪流),
+ 看到江河 = mean(看到江河),
+ 看到冰川 = mean(看到冰川),
+ 看到湖泊水库 = mean(PA_df$看到湖泊.水库),
+ 看到大海 = mean(看到大海),
+ 看到一级道路 = mean(看到一级道路),
+ 看到二级道路 = mean(看到二级道路),
+ 看到三级道路 = mean(看到三级道路),
+ 看到铁路 = mean(看到铁路),
+ 看到城镇 = mean(看到城镇),
+ 看到乡村及分散的房屋 = mean(看到乡村及分散的房屋),
+ 看到风景名胜区 = mean(看到风景名胜区),
+ 看到非物质文化遗产 = mean(看到非物质文化遗产),
+ 看到历史文化名城名镇名村 = mean(看到历史文化名城名镇名村),
+ 看到传统村落 = mean(看到传统村落),
+ 看到重点文保单位 = mean(看到重点文保单位),
+ 看到高空飞行器 = mean(看到高空飞行器),
+ 看到暗夜星空 = mean(看到暗夜星空),
+ 看到城市灯光 = mean(看到城市灯光),
+ 看到广阔的空间 = mean(看到广阔的空间),
+ 看到密集的人群 = mean(看到密集的人群),
+ 看到土地的自然性 = mean(看到土地的自然性),
+ 听到机动非机动车偶然噪声 = mean(听到机动车或非机动车偶然发出的噪声),
+ 听到机动非机动车持续噪声 = mean(听到机动车或非机动车持续发出的噪声),
+ 听到火车的声音 = mean(听到火车的声音),
+ 听到高空飞行器的声音 = mean(听到高空飞行器的声音),
+ 听到激流 = mean(听到湍急的激流),
+ 听到溪水 = mean(听到潺潺的溪水),
+ 听到大海 = mean(听到大海的声音))
> Academy <- Academy_PA$学历
> Academy_PA <- Academy_PA %>% select(-学历)
> row.names(Academy_PA) <- Academy
##行业对宁静感知的影响
> Industry_PA <- group_by(PA_df,行业) %>%
+ summarise(看到草原 = mean(看到草原),
+ 看到森林 = mean(看到森林),
+ 看到灌木 = mean(看到灌木),
+ 看到裸地 = mean(看到裸地),
+ 看到农田 = mean(看到农田),
+ 看到溪流 = mean(看到溪流),
+ 看到江河 = mean(看到江河),
+ 看到冰川 = mean(看到冰川),
+ 看到湖泊水库 = mean(PA_df$看到湖泊.水库),
+ 看到大海 = mean(看到大海),
+ 看到一级道路 = mean(看到一级道路),
+ 看到二级道路 = mean(看到二级道路),
+ 看到三级道路 = mean(看到三级道路),
+ 看到铁路 = mean(看到铁路),
+ 看到城镇 = mean(看到城镇),
+ 看到乡村及分散的房屋 = mean(看到乡村及分散的房屋),
+ 看到风景名胜区 = mean(看到风景名胜区),
+ 看到非物质文化遗产 = mean(看到非物质文化遗产),
+ 看到历史文化名城名镇名村 = mean(看到历史文化名城名镇名村),
+ 看到传统村落 = mean(看到传统村落),
+ 看到重点文保单位 = mean(看到重点文保单位),
+ 看到高空飞行器 = mean(看到高空飞行器),
+ 看到暗夜星空 = mean(看到暗夜星空),
+ 看到城市灯光 = mean(看到城市灯光),
+ 看到广阔的空间 = mean(看到广阔的空间),
+ 看到密集的人群 = mean(看到密集的人群),
+ 看到土地的自然性 = mean(看到土地的自然性),
+ 听到机动非机动车偶然噪声 = mean(听到机动车或非机动车偶然发出的噪声),
+ 听到机动非机动车持续噪声 = mean(听到机动车或非机动车持续发出的噪声),
+ 听到火车的声音 = mean(听到火车的声音),
+ 听到高空飞行器的声音 = mean(听到高空飞行器的声音),
+ 听到激流 = mean(听到湍急的激流),
+ 听到溪水 = mean(听到潺潺的溪水),
+ 听到大海 = mean(听到大海的声音))
> Industry <- Industry_PA$行业
> Industry_PA <- Industry_PA %>% select(-行业)
> row.names(Industry_PA) <- Industry
##正向宁静与负向宁静
> PA_Coe <- PA_df %>%
+ summarise(看到草原 = mean(看到草原),
+ 看到森林 = mean(看到森林),
+ 看到灌木 = mean(看到灌木),
+ 看到裸地 = mean(看到裸地),
+ 看到农田 = mean(看到农田),
+ 看到溪流 = mean(看到溪流),
+ 看到江河 = mean(看到江河),
+ 看到冰川 = mean(看到冰川),
+ 看到湖泊水库 = mean(PA_df$看到湖泊.水库),
+ 看到大海 = mean(看到大海),
+ 看到一级道路 = mean(看到一级道路),
+ 看到二级道路 = mean(看到二级道路),
+ 看到三级道路 = mean(看到三级道路),
+ 看到铁路 = mean(看到铁路),
+ 看到城镇 = mean(看到城镇),
+ 看到乡村及分散的房屋 = mean(看到乡村及分散的房屋),
+ 看到风景名胜区 = mean(看到风景名胜区),
+ 看到非物质文化遗产 = mean(看到非物质文化遗产),
+ 看到历史文化名城名镇名村 = mean(看到历史文化名城名镇名村),
+ 看到传统村落 = mean(看到传统村落),
+ 看到重点文保单位 = mean(看到重点文保单位),
+ 看到高空飞行器 = mean(看到高空飞行器),
+ 看到暗夜星空 = mean(看到暗夜星空),
+ 看到城市灯光 = mean(看到城市灯光),
+ 看到广阔的空间 = mean(看到广阔的空间),
+ 看到密集的人群 = mean(看到密集的人群),
+ 看到土地的自然性 = mean(看到土地的自然性),
+ 听到机动非机动车偶然噪声 = mean(听到机动车或非机动车偶然发出的噪声),
+ 听到机动非机动车持续噪声 = mean(听到机动车或非机动车持续发出的噪声),
+ 听到火车的声音 = mean(听到火车的声音),
+ 听到高空飞行器的声音 = mean(听到高空飞行器的声音),
+ 听到激流 = mean(听到湍急的激流),
+ 听到溪水 = mean(听到潺潺的溪水),
+ 听到大海 = mean(听到大海的声音)) %>%
+ gather(key = '地图层',value = 'PA系数')
> PA_Coe
地图层 PA系数
1 看到草原 2.57352941
2 看到森林 2.90588235
3 看到灌木 2.01470588
4 看到裸地 1.80294118
5 看到农田 1.65000000
6 看到溪流 2.05294118
7 看到江河 1.98235294
8 看到冰川 2.80294118
9 看到湖泊水库 2.18823529
10 看到大海 1.95588235
11 看到一级道路 -0.95882353
12 看到二级道路 -1.20000000
13 看到三级道路 -0.65294118
14 看到铁路 -1.39117647
15 看到城镇 -1.80000000
16 看到乡村及分散的房屋 0.75882353
17 看到风景名胜区 0.52352941
18 看到非物质文化遗产 -0.50294118
19 看到历史文化名城名镇名村 -0.02647059
20 看到传统村落 1.20882353
21 看到重点文保单位 0.88529412
22 看到高空飞行器 -1.07058824
23 看到暗夜星空 2.70588235
24 看到城市灯光 -1.43235294
25 看到广阔的空间 2.35588235
26 看到密集的人群 -3.03529412
27 看到土地的自然性 1.96470588
28 听到机动非机动车偶然噪声 -1.22352941
29 听到机动非机动车持续噪声 -2.24411765
30 听到火车的声音 -1.80882353
31 听到高空飞行器的声音 -2.11764706
32 听到激流 -0.25000000
33 听到溪水 1.07352941
34 听到大海 1.13529412
> writexl::write_xlsx(PA_Coe,'/Users/hufeiran/Desktop/2023\ 全国宁静地图/第五章_PA咨询问卷/问卷分析/公众咨询问卷分析/PA系数.xlsx')> Naturalness <- read.table('/Users/hufeiran/Desktop/2023\ 全国宁静地图/第六章_制图/自然度专家打分.csv',
+ header = T,sep = ',')
> landtype <- Naturalness$土地利用类型
> library(tidyverse)
> Naturalness <- Naturalness %>% select(-c('X','国土地类代码','土地利用类型'))
> row.names(Naturalness) <- landtype
省级宁静统计
> library(tidyverse)
> library(readxl)
> Tranquility_Sheng <- read_xls('/Users/hufeiran/Desktop/2023\ 全国宁静地图/第七章_宁静制图讨论/省级宁静.xls')
> View(Tranquility_Sheng)
> Tranquility_Sheng <- Tranquility_Sheng %>%
+ select(c('省',MIN,MAX,MEAN,STD))
> ggplot(Tranquility_Sheng)+
+ geom_bar(aes(x = reorder(省,MEAN),y = MEAN),stat = 'identity',fill = 'grey',width = 0.5)+
+ geom_text(aes(x = 省, y = MEAN+6,label = round(MEAN,2)),size = 3,color = "black")+
+
+ geom_text(aes(x = 省, y = MIN+6,label = round(MIN,2)),size = 3,color = "#007172")+
+ geom_line(aes(x = 省, y = MIN,group = 1),stat = 'identity',color = "#007172")+
+ geom_point(aes(x = 省, y = MIN,group = 省),stat = 'identity',color = "#007172")+
+
+ geom_text(aes(x = 省, y = MAX+6,label = round(MAX,2)),size = 3,color = "#f29325")+
+ geom_line(aes(x = 省, y = MAX,group = 1),stat = 'identity',color = "#f29325")+
+ geom_point(aes(x = 省, y = MAX),stat = 'identity',color = "#f29325")+
+
+ labs(title = '省级宁静',
+ subtitle = 'Min,Max,Mean统计',
+ x = '省级行政区',
+ y = 'MIN MEAN MAX') +
+ coord_flip()+
+ theme_minimal() +
+ theme(plot.background = element_rect(fill='white', color='white'),
+ legend.key.height = unit(1, 'lines'))
市级宁静统计
> Tranquility_Shi <- read_xls('/Users/hufeiran/Desktop/2023\ 全国宁静地图/第七章_宁静制图讨论/市级宁静.xls')
> View(Tranquility_Shi)
> Tranquility_Shi <- Tranquility_Shi %>%
+ select(c('市',MIN,MAX,MEAN,STD))
> ggplot(Tranquility_Shi)+
+ geom_bar(aes(x = reorder(市,MEAN),y = MEAN),stat = 'identity',fill = 'grey',width = 0.5)+
+ geom_text(aes(x = 市, y = MEAN+6,label = round(MEAN,2)),size = 3,color = "black")+
+
+ geom_text(aes(x = 市, y = MIN+6,label = round(MIN,2)),size = 3,color = "#007172")+
+ geom_line(aes(x = 市, y = MIN,group = 1),stat = 'identity',color = "#007172")+
+ geom_point(aes(x = 市, y = MIN),stat = 'identity',color = "#007172")+
+
+ geom_text(aes(x = 市, y = MAX+6,label = round(MAX,2)),size = 3,color = "#f29325")+
+ geom_line(aes(x = 市, y = MAX,group = 1),stat = 'identity',color = "#f29325")+
+ geom_point(aes(x = 市, y = MAX),stat = 'identity',color = "#f29325")+
+
+ labs(title = '市级宁静',
+ subtitle = 'Min,Max,Mean统计',
+ x = '市级行政区',
+ y = 'MIN MEAN MAX') +
+ coord_flip()+
+ theme_minimal() +
+ theme(plot.background = element_rect(fill='white', color='white'),
+ legend.key.height = unit(1, 'lines'))