library(DT)
# 1. 读取数据
data <- read.csv("cities_data.csv", header = TRUE, fileEncoding = "UTF-8")
datatable(data)数据可视化期末报告
1 报告要求
期末实验报告由5章节5个图形组成，每个章节需要作一个图形。
每个章节选择作什么图自主选择，作图前补充完整图形标题名称，例如：图形1——多变量条形图。
案例数据自主收集，不同章节可以公用一个数据集。但同学间不允许使用相同数据集。
每个章节的数据集合需要通过
datatable函数展示，并简要解释数据来源和变量意义。每个输出图形后需要对图形作简要解读，最少需针对图形提出一个观点。
渲染html文件保留代码展示，6月22日前将发布网址提交至共享文档
“8、期末报告”列中。评分标准：
每章节图形各20分
能有效输出图形和合理解释75%
数据独特性强10%
图形个性化强15%
2 类别数据可视化
2.1 案例数据解释与展示
- 本章使用2023年中国主要城市人口密度，GDP等数据，分析部分与整体关系。
2.2 图形1——矩形树状图
library(treemap)
data$土地面积分组 <- cut(data$土地面积.平方公里., breaks = 3, labels = c("小", "中", "大"))
p1<-treemap(data,
index = c("土地面积分组", "城市"),
vSize = "GDP.亿元.",
vColor = "人口密度.人.平方公里.",
type = "value",
title = "按土地面积分组的城市GDP",
fontsize.labels = c(12, 8), # 两级标签大小（分组标签较大，城市标签较小）
align.labels = list(
c("center", "top"), # 第一级标签（土地面积分组）居中靠上
c("left", "bottom") # 第二级标签（城市）靠左靠下
),
palette = "RdYlBu",
bg.labels = "transparent"
)
p2<-treemap(data,
index = "城市", # 分组变量（必须是分类变量）
vSize = "GDP.亿元.",
vColor = "人口密度.人.平方公里.",
type = "value",
title = "城市GDP与人口密度",
palette = "RdYlBu"
)
- 图形解读： 按土地面积分组的城市GDP图形中：分析土地面积对GDP和人口分布的影响，揭示土地资源与经济发展的深层次关系。
- 土地面积分组影响 嵌套结构：城市按土地面积分为“小/中/大”三组： 小面积组（如深圳、厦门）：GDP高但土地受限，人口密度极高。 大面积组（如北京、成都）：GDP高且土地资源充裕，人口密度相对较低。
- 异常值发现 深圳：在“小面积组”中GDP最高，但人口密度远超同组其他城市。 杭州：在“大面积组”中人口密度最低，可能与城市规划或地理限制有关。
城市GDP与人口密度图形中：分析城市GDP与人口密度的直接关联，快速识别经济强市和高密度城市。
- GDP规模对比 矩形面积直接反映各城市GDP总量： 深圳、上海、北京等一线城市的矩形最大（GDP最高）。 厦门、无锡等城市的矩形较小（GDP相对较低）。
2. 人口密度分布 颜色深浅表示人口密度： 红色/黄色（高密度）：深圳（8908人/平方公里）、东莞（4262人/平方公里）。 蓝色（低密度）：杭州（743人/平方公里）、长沙（890人/平方公里）。
3. 直观结论 高GDP高密度：深圳、上海、广州等城市同时具备高GDP和高人口密度。 低GDP低密度：合肥、济南等城市GDP和人口密度均较低。 ####
3 数据分布可视化
3.1 案例数据解释与展示
- 本章使用2023年中国主要城市人口密度，GDP等数据，
library(ggplot2)
data <- read.csv("cities_data.csv", fileEncoding = "UTF-8")
datatable(data)3.2 图形2——小提琴图
library(ggplot2)
library(dplyr)
library(tidyr)
# 选择需要标准化的数值列
numeric_cols <- c("人口密度.人.平方公里.", "GDP.亿元.", "土地面积.平方公里.")
# 标准化并保留分组列
data_std <- data %>%
mutate(across(all_of(numeric_cols), ~ as.numeric(scale(.))))
# 按土地面积分组
data_std$土地面积分组 <- cut(data_std$土地面积.平方公里.,
breaks = quantile(data_std$土地面积.平方公里., probs = c(0, 0.33, 0.66, 1)),
labels = c("小", "中", "大"))
data_std_long <- data_std %>%
pivot_longer(
cols = c("人口密度.人.平方公里.", "GDP.亿元."),
names_to = "指标",
values_to = "标准化值"
)
# 分面绘制
ggplot(data_std_long, aes(x = 土地面积分组, y = 标准化值, fill = 指标)) +
geom_violin(alpha = 0.6, position = position_dodge(0.8)) +
geom_boxplot(width = 0.1, position = position_dodge(0.8), fill = "white") +
facet_wrap(~指标, nrow = 2) +
scale_fill_manual(values = c("#66C2A5", "#FC8D62")) +
labs(
title = "标准化后的指标分布对比",
y = "标准化值",
fill = "指标"
) +
theme_bw()
- 图形解读：
- 土地面积与人口密度的关系
分布特征
小面积城市组：
人口密度分布呈现 显著右偏（右侧长尾），标准化值普遍＞0（高于全国均值）。
如深圳（标准化值≈2.5）、东莞等城市密度极端高，反映土地资源紧张倒逼高密度发展。
大面积城市组：
密度分布集中在 -1到0.5 之间（接近或略低于均值），如北京、成都。
分布更对称，说明土地充裕时密度可控。
2.土地面积与GDP的关系
分布差异
中等面积城市组：
GDP分布 最分散（从-1到2.5），既有上海、苏州等高值，也有无锡、佛山等中值。
反映经济结构多元化（工业、服务业均衡）。
大面积城市组：
- 存在 低GDP拖尾（如长沙、合肥标准化值＜0），但北京例外（高GDP+大面积）。
小面积城市组：
- GDP分布集中（0.5~2.5），依赖高附加值产业（如深圳的科技、金融）。
3.人口密度 vs. GDP：北京：高GDP但密度适中（标准化值≈0.5），说明规模效应+规划合理。 长沙：低GDP+低密度（双负），提示增长潜力未被释放。
4 变量关系可视化
4.1 案例数据解释与展示
- 本章使用波士顿房价数据集创建六边形分箱图，展示不同变量之间的关系和密度分布。
- CRIM: 城镇人均犯罪率 ZN: 住宅用地比例 INDUS: 非零售商业用地比例 CHAS: 是否临河(1=是，0=否) NOX: 氮氧化物浓度 RM: 住宅平均房间数 AGE: 1940年前建成的自住单位比例 DIS: 到波士顿五个就业中心的加权距离 RAD: 径向高速公路可达性指数 TAX: 每10,000美元的全额财产税税率 PTRATIO: 城镇师生比 B: 黑人比例 LSTAT: 低收入阶层比例 MEDV: 自住房屋的中位数价值(单位:千美元)
library(hexbin)
library(ggplot2)
library(DT)
house_data <- read.csv("house_data.csv")
datatable(house_data)4.2 图形3——六变形分箱散点图
# 1. 房间数(RM)与房价中位数(MEDV)的关系
p1<-ggplot(house_data, aes(x = RM, y = MEDV)) +
geom_hex(bins = 30) +
scale_fill_gradient(low = "lightblue", high = "darkblue") +
labs(title = "房间数与房价中位数的关系(六边形分箱图)",
x = "每户平均房间数",
y = "房价中位数(千美元)",
fill = "数据点密度") +
theme_minimal()
print(p1)
# 2. 低收入人口比例(LSTAT)与房价中位数(MEDV)的关系
p2<-ggplot(house_data, aes(x = LSTAT, y = MEDV)) +
geom_hex(bins = 30) +
scale_fill_gradient(low = "lightblue", high = "darkblue") +
labs(title = "低收入人口比例与房价中位数的关系",
x = "低收入人口比例(%)",
y = "房价中位数(千美元)",
fill = "数据点密度") +
theme_minimal()
print(p2)
图形解读：
1. 房间数(RM) vs. 房价中位数(MEDV)
观察到的关系：
明显的正相关：六边形颜色从浅蓝（低密度）向深蓝（高密度）过渡的区域显示，随着房间数（RM）的增加，房价中位数（MEDV）总体呈上升趋势。
关键分布特征：
高密度区域：集中在 RM = 5.5–7.0 和 MEDV = 20–30（千美元），这是最常见的房屋类型。
异常点：当房间数超过7时，房价显著升高（部分住宅可能属于高端房产）。
非线性关系：房价增长在RM > 6.5后加速，可能反映高端房产的溢价效应。
实际意义：
- 房间数是房价的重要正向预测指标，但需注意：房间数过少（RM < 5）的房屋价格较低，可能对应老旧或小户型住宅。房间数过多（RM > 8）的数据点稀疏，可能代表异常值或豪宅（需进一步验证）。
2. 低收入人口比例(LSTAT) vs. 房价中位数(MEDV)
观察到的关系：
强烈的负相关：六边形颜色从浅绿（低密度）向深绿（高密度）显示，随着低收入人口比例（LSTAT）增加，房价中位数（MEDV）显著下降。
关键分布特征：
高密度区域：集中在 LSTAT = 5–15% 和 MEDV = 20–30（千美元），代表中产阶级社区。
极端情况：
当LSTAT > 30%时，房价普遍低于20（千美元），可能对应贫困区域。
当LSTAT < 5%时，房价较高（MEDV > 30），但数据点较少（可能是富裕社区）。
实际意义：
低收入人口比例是房价的强负向预测指标，反映社会经济地位对房价的影响：
- 高LSTAT区域（低收入集中）的房价低迷，可能与教育资源、治安等因素相关。
5 样本相似性可视化
5.1 案例数据解释与展示
- 随机生成基因表达矩阵,行=基因，列=样本，值=标准化表达量,发现共表达基因簇或样本分组。
library(gplots)
# 设置随机种子保证结果可重复
set.seed(123)
# 生成随机基因表达矩阵
n_genes <- 50 # 基因数量
n_samples <- 10 # 样本数量
expr_matrix <- matrix(rnorm(n_genes * n_samples, mean = 10, sd = 3),
nrow = n_genes,
ncol = n_samples)
# 添加行名和列名
rownames(expr_matrix) <- paste0("Gene_", 1:n_genes)
colnames(expr_matrix) <- paste0("Sample_", LETTERS[1:n_samples])
datatable(expr_matrix)5.2 图形4——热力图
heatmap.2(expr_matrix,
trace = "none", # 不显示trace线
col = colorRampPalette(c("blue", "white", "red"))(100),
scale = "none",
distfun = function(x) dist(x, method = "euclidean"),
hclustfun = function(x) hclust(x, method = "complete"),
margins = c(5.3,3), # 调整边距以适应标签
cexRow = 0.5, # 行标签大小
cexCol = 0.9, # 列标签大小
main = "基因表达热力图",
dendrogram = "both", # 显示行和列的树状图
key = TRUE, # 显示颜色键
keysize = 2, # 颜色键大小
density.info = "none") # 不显示密度图
图形解读：1. 热图结构
颜色键(Color Key)：显示数值范围从5到15，蓝色表示低表达值，红色表示高表达值，白色表示中间值
列(样本)：显示9个样本(Sample_A到Sample_I，按聚类结果重新排序)
行(基因)：显示13个基因(Gene_6到Gene_46，按聚类结果重新排序)
2. 聚类分析
样本聚类(列)
样本明显分为两个主要簇：
右侧簇：包含Sample_H, Sample_I, Sample_A, Sample_F
左侧簇：包含Sample_C, Sample_G, Sample_B, Sample_E, Sample_D
Sample_H和Sample_I关系最近，与其他样本差异较大
基因聚类(行)
基因也分为两个主要表达模式：
上部基因(如Gene_19, Gene_42)：在右侧样本簇(Sample_H, I, A, F)中表达较高(红色)
下部基因(如Gene_6, Gene_34)：在左侧样本簇(Sample_C, G, B, E, D)中表达较高
3. 表达模式观察
差异表达基因：
Gene_19和Gene_42在Sample_H和Sample_I中表达显著高于其他样本
Gene_6和Gene_34在左侧样本簇中表达较高
样本特异性：
Sample_H和Sample_I显示出独特的基因表达谱，与其他样本明显不同
Sample_C和Sample_G表达模式相似
4. 潜在生物学意义
标记基因：
Gene_19和Gene_42可能是右侧样本簇(特别是Sample_H和I)的特征基因
Gene_6和Gene_34可能是左侧样本簇的特征基因
异常样本：Sample_A和Sample_F虽然聚类在右侧，但表达模式介于两组之间，可能需要进一步检查
6 时间序列可视化
6.1 案例数据解释与展示
- 气候变化数据，时间=月份，类别=地区（北半球/南半球/赤道），值=温度异常值，对比不同区域气候变暖趋势
library(ggplot2)
library(ggstream)
climate_data <- data.frame(
month = rep(1:12, each = 3),
region = rep(c("North", "Equator", "South"), 12),
anomaly = c(rnorm(12, 1.2, 0.3), rnorm(12, 0.8, 0.2), rnorm(12, 0.5, 0.1))
)
datatable(climate_data)6.2 图形5——流线图
library(ggplot2)
library(dplyr)
climate_data$month <- as.numeric(climate_data$month)
# 使流线对称
climate_centered <- climate_data %>%
group_by(month) %>%
mutate(anomaly_centered = anomaly - mean(anomaly))
ggplot(climate_centered, aes(x = month, y = anomaly_centered, fill = region)) +
geom_area(position = "identity", alpha = 0.8) +
scale_x_continuous(breaks = 1:12, labels = month.abb) +
labs(title = "温度异常流线图",
x = "Month", y = "Centered Anomaly", fill = "Region") +
theme_minimal()
- 图形解读：
Y 轴（Centered Anomaly）
数值经过中心化处理（减去各月份均值），因此：
正值：该区域温度异常高于当月全球平均。
负值：该区域温度异常低于当月全球平均。
例如：北半球（红色）在大部分月份高于均值，南半球（蓝色）普遍低于均值。
X 轴（Month）
显示1-12月（Jan-Dec），流线趋势反映季节性变化：
北半球夏季（Jun-Aug）异常值较高（红色区域更宽）。
南半球夏季（Dec-Feb）异常值略升（蓝色区域变宽）。
区域颜色
North（红色）：北半球温度异常最显著，波动较大。
Equator（青色）：赤道地区异常值居中，变化平缓。
South（蓝色）：南半球异常值最低，波动较小。
对称性
- 流线围绕
y=0对称，说明中心化处理成功，各区域异常值相互抵消。
- 流线围绕
关键结论
北半球主导变暖：红色区域面积更大，表明北半球对全球温度异常贡献最大。
季节性差异：北半球冬季（Dec-Feb）异常值略有下降，但仍高于南半球同期。
赤道稳定性：青色区域波动最小，说明赤道地区温度异常较稳定。