第 3 章 数据可视化

数据可视化是R里面非常重要的一项功能，R语言作图非常强大，不仅仅R base基本自带的功能可以实现大多数作图要求，而且还有海量的安装扩展包，使得作图内容更加丰富，这个章节我除了简单介绍R基本作图方法，还会着重介绍一下 ggplot2这个安装包，这个是一个非常强大的也在R安装包里面最为出名的绘图包，拥有丰富多彩的绘图语言，而且可以根据自己的喜好自由修改各个参数，非常适合于科研绘图。首先我先将R里面常见的绘图方法给大家简单介绍一下。

3.1 散点图

这类的图很常见，在R里面实现非常简单。下面我们看一个示例。我们调用R自带的一个数据iris3来进行绘图。

data("iris")
plot(iris)## plot 程序默认使用散点

图3.1: 整个数据集的散点图

可以看到，如果直接把这个数据plot出来的话，会将每个因子一一作成相关图，这样非常方面粗略判断数据的形式，各个因子的相关性，如果你不想看到全部因子的相关性，你只想对其中两个因子的关系进行绘图，我们可以进行下一步，比如我想具体查看一下 Sepal.Width 和 Petal.Length的相关性，我们可以用 $符号跟在数据集名字后面进行特定因子选择，如下：

# 横坐标为Sepal.Width，纵坐标为Petal.Length
plot(iris$Sepal.Width,iris$Petal.Length)

图3.2: 两个因子的散点图

3.1.1 改变标题和坐标轴字体

data("iris")
library(showtext)
showtext.auto(enable = TRUE)
plot(iris$Sepal.Width,iris$Petal.Length,
    family= "kaishu",
     xlab= '我是x轴',# 设定x轴名称
     ylab = '我是y轴',# 设定y轴名称
     main = '我是个标题（I am a title）')# 设定标题名称

图3.3: 改变标题和坐标轴字体

3.1.2 改变散点及字体大小

cex在plot程序里用来调节图中散点的大小。cex.lab、cex.axis 和cex.main可以调节标题和坐标轴的大小，值可以取大于零的任何数,同样的,我们也可以根据分组，按照不同的分组进行大小调节，如果分组不是numeric形式而是factor或者 character 的话，要转换成这个形式numeric才可以用哦.

library(showtext)
showtext.auto(enable = TRUE)
plot(iris$Sepal.Width,iris$Petal.Length,
     main = '我是个标题（I am a title）',
     family= "kaishu",
      xlab= '我是x轴',# 设定x轴名称
     ylab = '我是y轴',# 设定y轴名称
     cex=2,
     cex.lab= 1,
     cex.axis= 2,
     cex.main = 2)

图3.4: 改变散点及字体大小

#根据分组变大小

plot(iris$Sepal.Width,iris$Petal.Length,
     main = '我是个标题（I am a title）',#标题
     family= "kaishu",#指定字体类型
     cex=as.numeric(iris$Species),# 散点大小，按分组
     xlab= '我是x轴',# 设定x轴名称
     ylab = '我是y轴',# 设定y轴名称
     cex.lab= 1,# 坐标标签字体大小
     cex.axis= 2,# 坐标轴字体大小
     cex.main = 2)# 标题字体大小

图3.5: 改变散点及字体大小

3.1.3 改变散点颜色和类型

col在plot程序里用来调节图中散点的颜色。pch、 可以调节散点类型，值可以取大于零的任何数，也可以是指定名字，具体颜色和pch类型种类很多，我这里就不展开讲，同样，也可以根据分组进行颜色和类型作图：

## 
plot(iris$Sepal.Width,iris$Petal.Length,main = '我是个标题（I am a title）',family= "kaishu",
     cex=2,cex.lab= 1,
     cex.axis= 2,
     cex.main = 2,
     xlab= '我是x轴',# 设定x轴名称
     ylab = '我是y轴',# 设定y轴名称
     col=2,# or col= 'red',
     pch=as.numeric( iris$Species)#或者不同数值
     )

图3.6: 改变颜色和散点类型

plot(iris$Sepal.Width,iris$Petal.Length,main = '我是个标题（I am a title）',family= "kaishu",
     cex=2,cex.lab= 1,
     cex.axis= 2,
     cex.main = 2,
     xlab= '我是x轴',# 设定x轴名称
     ylab = '我是y轴',# 设定y轴名称
     col=iris$Species,#根据分组 
     pch=as.numeric( iris$Species)#或者不同数值
     )

图3.7: 改变颜色和散点类型

3.2 ggplot 散点图

接下来的每个小章节，在介绍完如何用R基础或者其他安装包完成各种图形的绘制时，都会着重讲一下如何用ggplot来实现。前面我们介绍了使用R常规方法来进行散点图的绘制，下面我们来看一下如何用ggplot2这个安装包的 ggplot程序来进行散点图绘制。同样的使用iris这个数据。ggplot的代码结构很简单，首先我们使用ggplot 程序来调用程序，括号里面首先我们需要告诉ggplot 我们使用什么数据，这里我们使 iris这个数据，然后我们aes在ggplot里面是要告诉我们使用这个数据里面的那两个值进行散点图得绘制，这里我们选择的是跟前面的一样的变量，Sepal.Width和 Sepal.Length，系统默认第一个是x坐标，第二个是y坐标，你也可以使用 x=和 y= 来指定这个数据里面的变量做x 和y。 然后这个主题就做好了，接下来是要用geom_ 告诉ggplot我们要用什么形式做散点图。这里我们用到 geom_point()，下面就是例子：

data("iris")
library(ggplot2)

ggplot( iris, aes(Sepal.Width,Sepal.Length))+ 
  geom_point()

图3.8: ggplot 散点图

3.2.1 改变散点特征、大小及颜色

data("iris")
library(ggplot2)

##指定颜色大小
## size用来设定大小
## col 用来设置颜色
ggplot( iris, aes(Sepal.Width,Sepal.Length))+ 
  geom_point(size =2,col = 'red')

图3.9: 改变散点特征、大小及颜色

##按分组颜色与大小
ggplot( iris, aes(Sepal.Width,Sepal.Length))+ 
  geom_point(size =as.numeric(iris$Species),col = as.numeric(iris$Species))

图3.10: 改变散点特征、大小及颜色

##按分组的特征、大小与颜色
# shape 用来设置特征
ggplot( iris, aes(Sepal.Width,Sepal.Length))+ 
  geom_point(size =as.numeric(iris$Species),
             shape= as.numeric(iris$Species),
             col = as.numeric(iris$Species))

图3.11: 改变散点特征、大小及颜色

3.2.2 改变坐标轴相关指标

theme 可以用来对 ggplot所作图形进行参数修改，相当于添加很多个图层在原始图片上，非常方便。接下来我们介绍几种常见的设置。

data("iris")
library(ggplot2)

##指定颜色大小
## size用来设定大小
## col 用来设置颜色
##按分组颜色与大小
### 把背景变为经典白  theme_classic()
##base_size用来调节坐标轴字体大小
ggplot( iris, aes(Sepal.Width,Sepal.Length))+ 
  geom_point(size =as.numeric(iris$Species),
             col = as.numeric(iris$Species))+
  theme_classic(base_size = 16)

图3.12: 改变坐标轴相关指标

### 把背景变为经典黑  theme_dark()
ggplot( iris, aes(Sepal.Width,Sepal.Length))+ 
  geom_point(size =as.numeric(iris$Species),
             col = as.numeric(iris$Species))+
theme_dark()

图3.13: 改变坐标轴相关指标

  
### 根据自己需要进行坐标轴相关修改
ggplot( iris, aes(Sepal.Width,Sepal.Length))+ 
  geom_point(size =as.numeric(iris$Species),
             col = as.numeric(iris$Species))+
##axis.text 用来修改坐标轴数字的大小颜色等指标
theme(axis.text  = element_text(size = 15),
##axis.title  用来修改坐标轴lable字体相关内容，可以修改，字体类型，字体大小，字体颜色，字体粗斜体等
      axis.title = element_text(size = 15),
##axis.line.x  用来修改横坐标X 线条的相关指标
      axis.line.x = element_line(colour = 'black'),
##axis.line.y  用来修改纵坐标Y 线条的相关指标
      axis.line.y  = element_line(colour = 'black'),
##  panel.background 用来修改整个图层底部颜色等相关指标
      panel.background = element_rect(color ='grey',fill = "white",linetype =0 ),
## panel.grid 用来修改图中网格，这里我设置成blank，就是没有网格。
      panel.grid = element_blank()
  ) +
  ##xlab 和 ylab 用来修改横纵坐标的名称。
  xlab(label = 'x lables ') + 
  ylab('y lables')

图3.14: 改变坐标轴相关指标

你也可以通过 ?theme 来查看所有theme里面的代码

3.3 线性图

线性图也是一种常见的数据分析图，R里面实现线性图非常简单，对于大量的光谱数据，我们可以继续使用 matplot程序。这里我们用光谱数据来举例，光谱数据，每个样本都会有一个光谱数据，我们这里的光谱数据为9000 cm^-1 到 4000 cm^-1， 我们这里将这个光谱数据用线性图表达出来。我们用数据的 colnames 做横坐标，然后每个点的值做纵坐标。

data <- readRDS('my_data.rds')
# 将 光谱数据提取出来当成一个数据
nir <- as.matrix(data[1:1296])
x <- as.numeric(colnames(nir))
#这里的 t 是转置的意思，将数据转置一下，以达到x，y的 有同样的row数据
#这里我对col、cex 等进行了设置，让大家可以清楚如何设置

matplot(x, t(nir),type='l',xlim =c(9000,4000),
        xlab = expression(paste('Wavelength (cm'^'2',')')),
        ylab = 'Absorbance',
#lty 是设置linetype 类型，可以数字，也可以是指定名字
        lty = 1,
# lwd 是设置线性的粗细度        
        lwd = 2,
        main = 'I am a title',
        cex.lab=2,
        cex.axis =2,
        col.lab = 'red',
         col.axis = 'red' 
        )

图3.15: 线性图

3.4 ggplot线性图

我们当然也可以使用ggplot来做线性图，而且图形更容易进行编辑。

#调取 光谱数据
data <- readRDS('my_data.rds')
## 给光谱数据增加一行factor变量
data$rowname <- rownames(data)
library(reshape2)
## 将数据由宽变窄
melt_data <- melt(data,id.vars = 'rowname')
str(melt_data)

## 'data.frame':    36288 obs. of  3 variables:
##  $ rowname : chr  "B1-11.0000" "B1-11.0001" "B1-11.0002" "B1-11.0003" ...
##  $ variable: Factor w/ 1296 levels "8995","8991",..: 1 1 1 1 1 1 1 1 1 1 ...
##  $ value   : num  0.206 0.26 0.201 0.275 0.213 ...

## 这里varible是factor形式，需要变成
ggplot(melt_data,aes(as.numeric(as.character(variable)),value,group = rowname))+
  geom_line(col = 'grey',size= 1)+
  ##axis.text 用来修改坐标轴数字的大小颜色等指标
theme(axis.text  = element_text(size = 15,colour = 'red'),
##axis.title  用来修改坐标轴lable字体相关内容，可以修改，字体类型，大小，颜色，粗斜体等
      axis.title = element_text(size = 15,colour = 'red'),
##axis.line.x  用来修改横坐标X 线条的相关指标
      axis.line.x = element_line(colour = 'black'),
##axis.line.y  用来修改纵坐标Y 线条的相关指标
      axis.line.y  = element_line(colour = 'black'),
##  panel.background 用来修改整个图层底部颜色等相关指标
      panel.background = element_rect(color ='grey',fill = "white",linetype =0 ),
## panel.grid 用来修改图中网格，这里我设置成blank，就是没有网格。
      panel.grid = element_blank()
  ) + 
  xlim(9000,4000)+
  ##xlab 和 ylab 用来修改横纵坐标的名称。
  xlab(label = 'x lables ') + 
  ylab('y lables')

图3.16: ggplot线性图

3.5 箱型图（boxplot）

箱型图可以用来比较各个因子之间的对比关系，以 iris数据为例，我想知道三种 Species 里面 Sepal.Length的分布情况，这时候我们就可以用boxplot 来完成。

#调取 光谱数据
data("iris")
##其中参数修改参考
boxplot(Sepal.Length  ~ Species,data = iris)

图3.17: 箱型图

3.6 ggplot箱型图

我们当然也可以使用ggplot来做箱型图也很简单。其中的参数修改可以参考 3.2和 3.4。

#调取 光谱数据
data("iris")
library(ggplot2)
##其中参数修改参考
ggplot(iris,aes(Species,Sepal.Length,fill = Species))+geom_boxplot(
   # custom boxes
        # color="blue",
  ##alpha用来设置透明度
        alpha=0.7,
        # Notch?试试notch=T
        notch=F,
        notchwidth = 0.8,
        
        # custom outliers
        outlier.colour="red",
        outlier.fill="red",
        outlier.size=3
)+
##你也可以指定三个分组的fill颜色
  scale_fill_manual(values = c('red','red','black'))

图3.18: ggplot箱型图

你也可以做一些比较有趣的箱形图，这个可以通过viridis和 ggExtra安装包来实现.

#调取 光谱数据
data("iris")
library(ggplot2)
library(viridis)

## 载入需要的程辑包：viridisLite

library(ggExtra)
##其中参数修改参考
ggplot(iris,aes(Species,Sepal.Length,fill = Species))+
#   geom_boxplot(
#    # custom boxes
#         # color="blue",
#   ##alpha用来设置透明度
#         alpha=0.7,
#         # Notch?试试notch=T
#         notch=F,
#         notchwidth = 0.8,
#         
#         # custom outliers
#         outlier.colour="red",
#         outlier.fill="red",
#         outlier.size=3
# )+
   geom_violin() +
# scale_fill_viridis(discrete = TRUE, alpha=0.6, option="A")+

##你也可以指定三个分组的fill颜色
  scale_fill_manual(values = c('red','red','black'))

#调取 光谱数据
data("iris")
library(ggplot2)
library(viridis)
library(ggExtra)

p <- ggplot(iris,aes(Sepal.Width,Sepal.Length,fill = Species))+
#   geom_boxplot(
#    # custom boxes
#         # color="blue",
#   ##alpha用来设置透明度
#         alpha=0.7,
#         # Notch?试试notch=T
#         notch=F,
#         notchwidth = 0.8,
#         
#         # custom outliers
#         outlier.colour="red",
#         outlier.fill="red",
#         outlier.size=3
# )+
  geom_point() +
# scale_fill_viridis(discrete = TRUE, alpha=0.6, option="A")+

##你也可以指定三个分组的fill颜色
scale_fill_manual(values = c('red','red','black'))

library(ggplot2)
library(viridis)
library(ggExtra)
ggMarginal(p, type="boxplot")
ggMarginal(p, type="density")
ggMarginal(p, type="histogram")

图3.19: ggplot箱型图3

3.7 热图

热图是一种比较常见的相关图的一种，通常都会结合相关图进行相关性数据可视化。R里面自带绘制热图程序，heatmap()，我们继续用iris数据为例。由于热图要求数据必须是matrix形式，因此不能出现factor的行。

#调取 光谱数据
data("iris")
##其中参数修改参考
heatmap(as.matrix(iris[1:4]))

图3.20: 热图

#数据标准化
heatmap(as.matrix(iris[1:4]),scale = 'column',col = cm.colors(256))

图3.21: 热图

3.8 ggplot热图

热图是一种比较常见的相关图的一种，通常都会结合相关图进行相关性数据可视化。R里面自带绘制热图程序，heatmap()，我们继续用iris数据为例。由于热图要求数据必须是matrix形式，因此不能出现factor的行。

#调取 光谱数据
data("iris")
library(reshape2)
mar_iris <- as.matrix(iris[1:4])
data_iris <- melt(mar_iris )
names(data_iris) <- c('x','y','value')
# Heatmap 
ggplot(data_iris, aes(x,y, fill=value)) + 
  geom_tile()+
#scale_fill_gradient() 可以对 热图进行调色   
   scale_fill_gradient(low="white", high="blue") 

图3.22: ggplot热图

3.9 相关图

相关性图表在分析数据关联性上非常好用，R在这方面也非常强大，我们先来看看R里面的安装包library(corrplot)来做相关图，依然用iris数据为例，我们想了解一下数据集里面 Sepal.Length，Sepal.Width，Petal.Length，Petal.Width这四个性状的相关性，首先我们先来做一下相关性分析，

library(corrplot)
## corrplot 0.84 loaded
library(RColorBrewer)
data("iris")
#round 在这里是统一小数点后几位数
corr <- round(cor(iris[1:4]),1)
head(corr)
##              Sepal.Length Sepal.Width Petal.Length Petal.Width
## Sepal.Length          1.0        -0.1          0.9         0.8
## Sepal.Width          -0.1         1.0         -0.4        -0.4
## Petal.Length          0.9        -0.4          1.0         1.0
## Petal.Width           0.8        -0.4          1.0         1.0
corrplot(corr, type="full", 
         method = "circle",
         tl.col = 'black',
         tl.cex = 1,
        col=brewer.pal(n=4, name="RdYlBu"),
         order="hclust")

图3.23: 相关图

##通过?corrplot 可以查看所有的参数设置

3.10 ggplot相关图

library(ggcorrplot)
data("iris")

#round 在这里是统一小数点后几位数
corr <- round(cor(iris[1:4]),1)
head(corr)
##              Sepal.Length Sepal.Width Petal.Length Petal.Width
## Sepal.Length          1.0        -0.1          0.9         0.8
## Sepal.Width          -0.1         1.0         -0.4        -0.4
## Petal.Length          0.9        -0.4          1.0         1.0
## Petal.Width           0.8        -0.4          1.0         1.0
#计算P值
p.mat <- cor_pmat(corr)
ggcorrplot(corr, 
           hc.order = TRUE,
           lab = TRUE,
           
            type = "full",
           outline.col = "white",
           p.mat = p.mat,
            colors = c("#6D9EC1", "white", "#E46726"),
  #你也可以选择‘circle’等hao
           method = "square")

图3.24: ggplot相关图

##通过?corrplot 可以查看所有的参数设置

3.11 直方图

先看一下如何用R基础方程作直方图,其中一些参数修改可以参考 plot程序。

data("iris")
h <- hist(iris$Sepal.Length)
text(h$mids,h$counts,labels=h$counts)

图3.25: 直方图

3.12 ggplot直方图

关于ggplot的相关参数，可以参考3.2和 3.4。

data("iris")
library(reshape2)
mar_iris <- as.matrix(iris[1:4])
data_iris <- melt(mar_iris )
names(data_iris) <- c('x','y','value')

ggplot(data_iris,aes(value))+ geom_histogram()+
  facet_grid(.~y,scales = 'free')

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

图3.26: ggplot直方图

ggplot(data_iris,aes(value,color=y))+ geom_histogram(
 fill="white", alpha=0.5, position="identity"
  
)+geom_density(alpha=0.6)+
  theme(legend.position = 'bottom')

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

图3.27: ggplot直方图

3.13 ggplot残差图

我们也可以做残差图，这里我们介绍两种表达方式，直方残差图和线性残差图。

data("iris")
library(reshape2)
mar_iris <- iris
data_iris <- melt(mar_iris,id.vars = 'Species' )

#直方残差图
# use se
ggplot(data_iris, aes(x = variable, y = value,fill= variable)) +
  stat_summary(fun.y = mean, geom = "bar") +
  stat_summary(fun.data = mean_se, fun.args = list(mult = 1), geom = "errorbar", width = 0.2)+
  facet_wrap(Species~.,scales = 'free')+
  theme(axis.text.x = element_text(angle = 45),
        legend.position = 'bottom')

## Warning: `fun.y` is deprecated. Use `fun` instead.

图3.28: ggplot直方残差图

# use sd
ggplot(data_iris, aes(x = variable, y = value,fill= variable)) +
  stat_summary(fun.y = mean, geom = "bar") +
  stat_summary(fun.data = mean_sdl, fun.args = list(mult = 1), geom = "errorbar", width = 0.2)+
  facet_wrap(Species~.,scales = 'free')+
  theme(axis.text.x = element_text(angle = 45),
        legend.position = 'bottom')

## Warning: `fun.y` is deprecated. Use `fun` instead.

图3.29: ggplot直方残差图

接下来是线性残差图，用另一种计算sd,se和ci值得方法。

# Calculates mean, sd, se and IC
my_sum <- data_iris %>%
  group_by(Species,variable) %>%
  summarise( 
    n=n(),
    mean=mean(value),
    sd=sd(value)
  ) %>%
  mutate( se=sd/sqrt(n))  %>%
  mutate( ic=se * qt((1-0.05)/2 + .5, n-1))

## `summarise()` has grouped output by 'Species'. You can override using the `.groups` argument.

# use sd
ggplot(my_sum, aes(x=variable, y=mean, group=Species,col=Species)) + 
 geom_line()+ geom_point()+
  geom_errorbar(aes(ymin=mean-sd, ymax=mean+sd), width=.2,
                 position=position_dodge(.9)) +
   facet_wrap(Species~.,scales = 'free')+
  theme(axis.text.x = element_text(angle = 45),
        legend.position = 'bottom')

图3.30: ggplot线性残差图

# use se
ggplot(my_sum, aes(x=variable, y=mean, group=Species,col=Species)) + 
 geom_line()+ geom_point()+
  geom_errorbar(aes(ymin=mean-se, ymax=mean+se), width=.2,
                 position=position_dodge(.9)) +
   facet_wrap(Species~.,scales = 'free')+
  theme(axis.text.x = element_text(angle = 45),
        legend.position = 'bottom')

图3.31: ggplot线性残差图

3.14 ggplot 地图

ggplot 也可以用来绘制世界各个国家的地图，然后根据需求对各个国家的地理位置进行数据可视化，这里我们需要一些其他安装包来与ggplot结合进行地图绘制。

library(maps)
# library(maptools)
library(mapproj)
library(ggplot2)
library(mapdata)
library(mapproj)
data(countyMapEnv)
hmap <-map_data('italy')
head(hmap )

##       long      lat group order        region subregion
## 1 11.83295 46.50011     1     1 Bolzano-Bozen      <NA>
## 2 11.81089 46.52784     1     2 Bolzano-Bozen      <NA>
## 3 11.73068 46.51890     1     3 Bolzano-Bozen      <NA>
## 4 11.69115 46.52257     1     4 Bolzano-Bozen      <NA>
## 5 11.65041 46.50721     1     5 Bolzano-Bozen      <NA>
## 6 11.63282 46.48045     1     6 Bolzano-Bozen      <NA>

ggplot(hmap,aes(long,lat,group=group,fill=order))+geom_polygon()+
  # geom_polygon(color='black')+
  coord_map('polyconic')+guides(fill=F)

图3.32: 意大利地图

##中国地图
library(mapdata)
# library(maptools)
library(rgdal)
library(tidyverse)
mydat = rgdal::readOGR ("china/bou2_4p.shp")

## OGR data source with driver: ESRI Shapefile 
## Source: "F:\bookdown\china\bou2_4p.shp", layer: "bou2_4p"
## with 925 features
## It has 7 fields
## Integer64 fields read as strings:  BOU2_4M_ BOU2_4M_ID

names(mydat)

## [1] "AREA"       "PERIMETER"  "BOU2_4M_"   "BOU2_4M_ID" "ADCODE93"  
## [6] "ADCODE99"   "NAME"

table(iconv(mydat$NAME,to = 'utf8', from = "GBK"))

## 
##           安徽省           北京市           福建省           甘肃省 
##                1                1              168                1 
##           广东省   广西壮族自治区           贵州省           海南省 
##              154                6                2               79 
##           河北省           河南省         黑龙江省           湖北省 
##                9                1                1                1 
##           湖南省           吉林省           江苏省           江西省 
##                1                1                5                1 
##           辽宁省     内蒙古自治区   宁夏回族自治区           青海省 
##               94                1                1                1 
##           山东省           山西省           陕西省           上海市 
##               86                1                1               12 
##           四川省           台湾省           天津市       西藏自治区 
##                1               57                1                1 
##   香港特别行政区 新疆维吾尔自治区           云南省           浙江省 
##               53                1                1              179 
##           重庆市 
##                1

china <-  fortify(mydat)
china %>% 
  # filter(!id == '464')%>%
ggplot(aes(long,lat,group=group,fill=id))+geom_polygon()+
  # geom_polygon(color='black')+
  coord_map('polyconic')+guides(fill=F)+theme_classic(base_size = 16)

图3.33: 中国地图

3.15 小结

讲到这里，我们已经基本上把R里面的数据分析与可视化的主要内容讲完了，但是值得注意的是，我讲的只是一些基础，R里面还有很多很多的可利用的数据分析能力与作图方法，读者可以在理解基本的绘图能力以后，根据自身需要，去探索更深层次更复杂的绘图。尤其是ggplot以及其延申的各种安装包。详情可以参考ggplot的官方网站 ggplot2去了解更多内容。