第四章 数据分布可视化

Author

221527216叶梓欣

1 解释原始数据

  • faithful是R语言中自带的一个经典数据集，它记录了美国黄石国家公园老忠实间歇泉(Old Faithful geyser)的喷发数据。这个数据集经常被用于统计教学和数据分析示例。

  • faithful数据集包含两个变量，共有272个观测值。

    data = faithful
datatable(data,rownames = FALSE)

  • eruptions: 喷发持续时间，连续数值变量，以分钟为单位，范围：1.6分钟到5.1分钟。

  • waiting: 两次喷发之间的等待时间，连续数值变量，以分钟为单位，范围：43分钟到96分钟。

2 单变量直方图

2.1 绘图要求

  • 利用geom_histogram(aes(y=..density..))绘制eruptions的直方图，使用预设主题：mytheme；

  • 利用geom_rug()为直方图添加地毯图；

  • 利用geom_density()为直方图添加核密度曲线；

  • 利用annotate()在直方图标注峰度和偏度信息；

  • 利用geom_vline() 为直方图添加一条垂直的均值参考线；

  • 利用geom_point()在横轴上添加一个中位数参考点，并在点上方添加文字注释

2.2 作图代码

library(e1071)

df <- data
# 作初始直方图，纵轴默认为频数
ggplot(data=df,aes(x=eruptions))+mytheme+    # 绘制直方图
  geom_histogram(aes(y=..density..),fill="lightgreen",color="gray50")+
  geom_rug(size=0.2,color="blue3")+
  geom_density(color="blue2",size=0.7)+ # 添加核密度曲线
  annotate("text",x=3,y=0.7,label=paste0("偏度系数 =",round(skewness(df$eruptions),4)),size=3)+  # 添加偏度系数
  annotate("text",x=3,y=0.6,label=paste0("峰度系数 =",round(kurtosis(df$eruptions),4)),size=3)+ # 添加峰度系数
  geom_vline(xintercept=mean(df$eruptions),linetype="twodash",size=0.6,color="red")+          # 添加均值垂线，并设置线形、线宽和颜色
  annotate("text",x=mean(df$eruptions),y=0.7,label="均值线",size=3)  # 添加注释文本

2.3 图形观察和代码编写的心得体会

  • 直方图能明显地看出各个数量，图中数据是先减少后增加

3 叠加直方图和镜像直方图

3.1 绘图要求

  • 绘制eruptions和 waiting两个变量的叠加直方图和镜像直方图，使用预设主题：mytheme。

  • 将数据转化为长型数据再作叠加直方图，利用scale_fill_brewer()将叠加直方图配色方案改为set3 。

  • 镜像直方图中eruptions在正方向，waiting在负方向，直方数bins=30，并添加文字标签作标签。

  • 两种图都需要针对原始数据作图和标准标准化数据作图，可以使用scale()函数对变量标准化，分类标准化可以使用plyr::ddply()函数。

3.2 叠加直方图代码

df <- data |> 
  gather(eruptions,waiting,key=指标,value=指标值) %>%  # 融合数据
  ddply("指标",transform,标准化值=scale(指标值))

p1<-ggplot(df)+aes(x=指标值,y=..density..,fill=指标)+
  geom_histogram(position="identity",color="gray60",alpha=0.5)+
  scale_fill_brewer(palette = "set3")+
  theme(legend.position=c(0.8,0.8),# 设置图例位置
       legend.background=element_rect(fill="grey90",color="grey"))+
                                                # 设置图例背景色和边框颜色
  ggtitle("(a) ")
  
p2<-ggplot(df)+aes(x=标准化值,y=..density..,fill=指标)+
  geom_histogram(position="identity",color="gray60",alpha=0.5)+
  scale_fill_brewer(palette = "set3")+
  theme(legend.position=c(0.8,0.8),# 设置图例位置
       legend.background=element_rect(fill="grey90",color="grey"))+
                                                # 设置图例背景色和边框颜色
  ggtitle("(b) ")

grid.arrange(p1,p2,ncol=2)        # 组合图形

3.3 镜像直方图代码

df<-data|>
  mutate(std.eruptions=scale(eruptions),std.waiting=scale(waiting))

p1<-ggplot(df)+aes(x=x)+
   geom_histogram(aes(x=eruptions,y=..density..),color="grey50",fill="red",alpha=0.3)+ # 绘制eruptions的直方图（上图）
   geom_label(aes(x=30,y=0.2),label="eruptions",color="red")+  # 添加标签
   geom_histogram(aes(x=waiting,y=-..density..),color="grey50",fill="blue",alpha=0.3)+ # 绘制waiting的直方图（下图）
   geom_label(aes(x=60,y=-0.1),label="waiting",color="blue")+  # 添加标签
   xlab("指标值")+ggtitle("(a) ")

p2<-ggplot(df)+aes(x=x)+
   geom_histogram(aes(x=eruptions,y=..density..),color="grey50",fill="red",alpha=0.3)+ # 绘制eruptions的直方图（上图）
   geom_label(aes(x=30,y=0.2),label="eruptions",color="red")+  # 添加标签
   geom_histogram(aes(x=waiting,y=-..density..),color="grey50",fill="blue",alpha=0.3)+ # 绘制waiting的直方图（下图）
   geom_label(aes(x=60,y=-0.1),label="waiting",color="blue")+  # 添加标签
   xlab("指标值")+ggtitle("(b) ")

3.4 图形观察和代码编写的心得体会

  • 叠加直方图将多个组的直方图绘制在同一坐标系中，用不同颜色或透明度区分。直观比较不同组的分布形状、中心位置和离散程度

  • 镜像直方图将两组数据沿中轴线镜像排列，形成对称结构。适合展示二元分类的分布差异

4 核密度图

4.1 绘图要求

  • 绘制eruptions和 waiting两个变量的分组核密度图、分面核密度图和镜像核密度图。

  • 分组核密度图，采用geom_density(position="identity") 。

  • 分面核密度图，采用geom_density()+facet_wrap(~xx,scale="free") 。

  • 镜像核密度图中eruptions在正方向，waiting在负方向，直方数bins=30，并添加文字标签作标签。

  • 分组核密度图和镜像核密度图需要针对原始数据作图和标准标准化数据作图。

4.2 分组核密度图

df <- data |> 
  gather(eruptions,waiting,key=指标,value=指标值) %>%  # 融合数据
  ddply("指标",transform,标准化值=scale(指标值))

ggplot(df)+aes(x=指标值,y=..density..,fill=指标)+
   geom_density(position="identity",color="gray60",alpha=0.5)+
   scale_fill_brewer(palette="Set3")+           # 设置调色板
   facet_wrap(~指标,scales = "free")

   theme(legend.position=c(0.8,0.8),# 设置图例位置
       legend.background=element_rect(fill="grey90",color="grey"))
List of 3
 $ legend.background     :List of 5
  ..$ fill         : chr "grey90"
  ..$ colour       : chr "grey"
  ..$ linewidth    : NULL
  ..$ linetype     : NULL
  ..$ inherit.blank: logi FALSE
  ..- attr(*, "class")= chr [1:2] "element_rect" "element"
 $ legend.position       : chr "inside"
 $ legend.position.inside: num [1:2] 0.8 0.8
 - attr(*, "class")= chr [1:2] "theme" "gg"
 - attr(*, "complete")= logi FALSE
 - attr(*, "validate")= logi TRUE
p2<-ggplot(df)+aes(x=指标值,fill=指标)+
   geom_density(color="gray50")+
   scale_fill_brewer(palette="Set3")+           # 设置调色板
   facet_wrap(~指标,scales = "free")
   theme(legend.position=c(0.8,0.8),# 设置图例位置
       legend.background=element_rect(fill="grey90",color="grey"))
List of 3
 $ legend.background     :List of 5
  ..$ fill         : chr "grey90"
  ..$ colour       : chr "grey"
  ..$ linewidth    : NULL
  ..$ linetype     : NULL
  ..$ inherit.blank: logi FALSE
  ..- attr(*, "class")= chr [1:2] "element_rect" "element"
 $ legend.position       : chr "inside"
 $ legend.position.inside: num [1:2] 0.8 0.8
 - attr(*, "class")= chr [1:2] "theme" "gg"
 - attr(*, "complete")= logi FALSE
 - attr(*, "validate")= logi TRUE
gridExtra::grid.arrange(p1,p2,ncol=2)        # 按2列组合图形p1和p2

4.3 分面核密度图

ggplot(df)+aes(x=指标值,y=..density..,fill=指标)+
   geom_density(color="gray50")+
   scale_fill_brewer(palette="Set3")+           # 设置调色板
   guides(fill="none")+
   facet_wrap(~指标,ncol = 2,scales = "free")

4.4 镜像核密度图

df<-data|>
  mutate(std.eruptions=scale(eruptions),std.waiting=scale(waiting))

p1<-ggplot(df)+aes(x=x)+
   geom_density(aes(x=eruptions,y=..density..),bins=30,color="grey50",fill="red",alpha=0.3)+ # 绘制eruptions的直方图（上图）
   geom_label(aes(x=30,y=0.2),label="eruptions",color="red")+  # 添加标签
   geom_density(aes(x=waiting,y=-..density..),bins=30,color="grey50",fill="blue",alpha=0.3)+ # 绘制waiting的直方图（下图）
   geom_label(aes(x=60,y=-0.1),label="waiting",color="blue")+  # 添加标签
   xlab("指标值")+ggtitle("(a) ")

p2<-ggplot(df)+aes(x=x)+
   geom_density(aes(x=std.eruptions,y=..density..),bins=30,,color="grey50",fill="red",alpha=0.3)+ # 绘制eruptions的直方图（上图）
   geom_label(aes(x=-0.5,y=0.3),label="eruptions",color="red")+  # 添加标签
   geom_density(aes(x=std.waiting,y=-..density..),color="grey50",fill="blue",alpha=0.3)+ # 绘制waiting的直方图（下图）
   geom_label(aes(x=-0.5,y=-0.3),label="waiting",color="blue")+  # 添加标签
   xlab("指标值")+ggtitle("(b) ")
grid.arrange(p1,p2,ncol=2)        # 组合图形

4.5 图形观察和代码编写的心得体会

  • 分组核密度图将不同组的核密度曲线绘制在同一坐标系中，用颜色区分。直接观察多组数据的分布形状、峰值和偏态

  • 分面核密度图每组数据独立显示在一个子图中，避免重叠。适合多组数据（>3组）的分布对比。

  • 镜像核密度图两组数据沿中轴线镜像对称展示（类似镜像直方图）。突出二元分类的分布差异（如男女身高、正负样本）。

5 箱线图和小提琴图

5.1 绘图要求

  • 根据实际数据和标准化后的数据绘制eruptions和waiting两个变量的箱线图geom_boxplot和小提琴图geom_violin。

  • 采用stat_summary(fun="mean",geom="point")在箱线图和均值图中要添加均值点。

  • 小提琴图中要加入点图和箱线图

  • 采用调色板前两种颜色，brewer.pal(6,"Set2")[1:2] ，作为箱体填充颜色。

"#66C2A5" "#FC8D62" "#8DA0CB" "#E78AC3" "#A6D854" "#FFD92F"

5.2 箱线图代码

mytheme<-theme(plot.title=element_text(size="11"), # 设置主标题字体大小
   axis.title=element_text(size=10),               # 设置坐标轴标签字体大小
   axis.text=element_text(size=9),                # 设置坐标轴刻度字体大小
   legend.text=element_text(size="8"))            # 设置图例字体大小

df<-data |>
  gather(eruptions,waiting,key=指标,value=指标值) |> 
  mutate(指标=fct_inorder(指标))

palette<-RColorBrewer::brewer.pal(6,"Set2")          # 设置离散型调色板
p1 <- ggplot(df, aes(x = 指标, y = 指标值, fill = 指标)) +
  geom_boxplot() +  # 箱线图
  scale_fill_manual(values = palette[1:2]) +  # 只使用前 2 种颜色
  stat_summary(
    fun = "mean",  # 计算均值
    geom = "point",  # 用点表示均值
    shape = 21,  # 点的形状（21 是带填充的圆）
    size = 2.5,  # 点的大小
    fill = "white"  # 填充白色
  ) +
  labs(title = "箱线图示例") +  # 添加标题
  mytheme  # 应用自定义主题

# 显示图形
print(p1)

5.3 小提琴图代码

  • 通过d3r::d3_nest将数据框转化为层次数据“d3.js”作为绘图输入
# 数据处理
df<-data |>
  gather(eruptions,waiting,key=指标,value=指标值) |>  # 融合数据
  mutate(指标=fct_inorder(指标)) |> 
  ddply("指标",transform,标准化值=scale(指标值))    # 计算标准化值

# 设置图形主题
mytheme<-theme(plot.title=element_text(size="11"), # 设置主标题字体大小
   axis.title=element_text(size=10),               # 设置坐标轴标签字体大小
   axis.text=element_text(size=9),                # 设置坐标轴刻度字体大小
   legend.text=element_text(size="8"))            # 设置图例字体大小

# 图（a）原始数据小提琴图
p1<-ggplot(df,aes(x=指标,y=指标值,fill=指标))+
     geom_violin(scale="width",trim=FALSE)+
     geom_point(color="black",size=0.8)+  # 添加点
     geom_boxplot(outlier.size=0.7,outlier.color="white",size=0.3,
               width=0.2,fill="white")+  # 添加并设置箱线图和离群点参数
     scale_fill_brewer(palette="Set2")+
     stat_summary(fun=mean,geom="point",shape=21,size=2)+# 添加均值点
     guides(fill="none")+
     ggtitle("(a) 原始数据小提琴图")

# 图（b）数据标准化后的小提琴图
p2<-ggplot(df,aes(x=指标,y=标准化值,fill=指标))+
     geom_violin(scale="width")+
     #geom_point(color="black",size=1)+
     geom_boxplot(,outlier.size=0.7,outlier.color="black",size=0.3,
          width=0.2,fill="white")+
     scale_fill_brewer(palette="Set2")+
     guides(fill="none")+
     ggtitle("(b) 标准化小提琴图")

gridExtra::grid.arrange(p1,p2,ncol=2)        # 组合图形p1和p2

5.4 图形观察和代码编写的心得体会

  • 箱线图可以对比多组数据的统计特征，适合快速比较不同组别的中心趋势和离散程度。

  • 小提琴图可以在大数据量的分布对比，结合了密度图和箱线图的特点。

6 威尔金森点图、蜂群图和云雨图

6.1 绘图要求

  • 绘制eruptions和 waiting 两个变量的威尔金森点图、蜂群图和云雨图。

  • 三种图形均采用标准化数据作图

  • 威尔金森点图采用geom_dotplot(binaxis="y",bins=30,dotsize = 0.3) ，要求作出居中堆叠和向上堆叠两种情况的图。

  • 蜂群图采用geom_beeswarm(cex=0.8,shape=21,size=0.8)，要求作出不带箱线图和带有箱线图两种情况的图。

  • 云雨图采用geom_violindot(dots_size=0.7,binwidth=0.07) ，要求作出横向和纵向图两种情况的图。

6.2 威尔金森点图代码

分别作矩形热图和极坐标热图

df <- data |>
  gather(eruptions,waiting,key=指标,value=指标值) |>   # 选择变量并转化成长格式
  mutate(指标=fct_inorder(指标))

# 绘制图形
mytheme<-theme_bw()+theme(legend.position="none")
p<-ggplot(df,aes(x=指标,y=指标值,fill=指标))
p1<-p+geom_dotplot(binaxis="y",bins=30,dotsize = 0.3,stackdir="center")+ # 绘制点图
  mytheme+ggtitle("(a) 居中堆叠")

p2<-p+geom_dotplot(binaxis="y",bins=30,dotsize = 0.3)+ # 绘制点图
  mytheme+ggtitle("(b) 向上堆叠")

gridExtra::grid.arrange(p1,p2,ncol=2)     # 按2列组合图形

6.3 蜂群图代码

mytheme<-theme_bw()+theme(legend.position="none")

library(ggbeeswarm)
# 处理数据
df1<-data |> 
  gather(eruptions,waiting,key=指标,value=指标值)      # 将数据转化成长格式

# 图（a）5项指标的蜂群图
mytheme<-theme_bw()+theme(legend.position="none")
p<-ggplot(df1,aes(x=指标,y=指标值))
p1<-p+geom_beeswarm(cex=0.8,shape=21,fill="black",size=0.8,aes(color=指标))+
  # 设置蜂群的宽度、点的形状、大小和填充颜色
mytheme+ggtitle("(a) 蜂群图")

# 图（b）箱线图+蜂群图
p2<-p+geom_boxplot(size=0.5,outlier.size=0.8,aes(color=指标))+
geom_beeswarm(shape=21,cex=0.8,size=0.8,aes(color=指标))+
mytheme+ggtitle("(b) 箱线图+蜂群图")

gridExtra::grid.arrange(p1,p2,ncol=2)     # 按2列组合图形

6.4 云雨图代码

library(see)  # 提供主题函数theme_modern
mytheme<-theme_modern()+
         theme(legend.position="none",
               plot.title=element_text(size=14,hjust=0.5))   # 调整标题位置

library(see)  # 提供主题函数theme_modern

# 绘制云雨图
mytheme<-theme_modern()+
         theme(legend.position="none",
               plot.title=element_text(size=14,hjust=0.5))   # 调整标题位置

p1<-ggplot(df1,aes(x=指标,y=指标值,fill=指标))+
  geom_violindot(dots_size=0.7,binwidth=0.07)+ # 绘制云雨图并设置点的大小和箱宽
  mytheme+ggtitle("(a) 垂直排列(默认)")

p2<-ggplot(df1,aes(x=指标,y=指标值,fill=指标))+
  geom_violindot(dots_size=0.7,binwidth=0.07)+
  coord_flip()+mytheme+ggtitle("(b) 水平排列")

gridExtra::grid.arrange(p1,p2,ncol=2)        # 按2列组合图形p1和p2

6.5 图形观察和代码编写的心得体会

  • 威尔金森点图适合展示数据分布密度，能够将数据点沿一条轴堆叠排列，避免重叠。

  • 蜂群图数据点能通过算法避免重叠，无信息损失，每个数据点都可见。

  • 云雨图结合了核密度图，箱线图，能同时显示分布，统计量和个体数据，可以全面展示数据分布，统计量和原始值。