5 以 ggplot2
進行資料視覺化
本部分(第 5、7、8 章)要談的是資料探索。本章為 Wickham and Grolemund (2016) 第 1 章內容。
前置作業
此章的目的則是要學習以 ggplot2
進行簡單的資料視覺化。我們先要載入 tidyverse
,其包含了 ggplot2
。在 Console 輸入:
library(tidyverse)
## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.1 ──
## ✓ ggplot2 3.3.5 ✓ purrr 0.3.4
## ✓ tibble 3.1.3 ✓ dplyr 1.0.7
## ✓ tidyr 1.1.3 ✓ stringr 1.4.0
## ✓ readr 2.0.1 ✓ forcats 0.5.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## x dplyr::between() masks data.table::between()
## x dplyr::filter() masks stats::filter()
## x dplyr::first() masks data.table::first()
## x purrr::flatten() masks jsonlite::flatten()
## x readr::guess_encoding() masks rvest::guess_encoding()
## x dplyr::lag() masks stats::lag()
## x dplyr::last() masks data.table::last()
## x purrr::transpose() masks data.table::transpose()
5.1 創建一個 ggplot
引擎大的車子相較於引擎小的車子使用更多的汽油嗎?
我們可以使用 tidyverse
中 mpg
這個 data frame 來嘗試回答這個問題。
mpg
## # A tibble: 234 × 11
## manufacturer model displ year cyl trans drv cty hwy fl class
## <chr> <chr> <dbl> <int> <int> <chr> <chr> <int> <int> <chr> <chr>
## 1 audi a4 1.8 1999 4 auto… f 18 29 p comp…
## 2 audi a4 1.8 1999 4 manu… f 21 29 p comp…
## 3 audi a4 2 2008 4 manu… f 20 31 p comp…
## 4 audi a4 2 2008 4 auto… f 21 30 p comp…
## 5 audi a4 2.8 1999 6 auto… f 16 26 p comp…
## 6 audi a4 2.8 1999 6 manu… f 18 26 p comp…
## 7 audi a4 3.1 2008 6 auto… f 18 27 p comp…
## 8 audi a4 quattro 1.8 1999 4 manu… 4 18 26 p comp…
## 9 audi a4 quattro 1.8 1999 4 auto… 4 16 25 p comp…
## 10 audi a4 quattro 2 2008 4 manu… 4 20 28 p comp…
## # … with 224 more rows
其中,displ
為引擎的大小,單位是公升數;hwy
為汽車在高速公路上的燃油效率,以每加侖英里(miles per gallon, mpg)為單位,較低的話代表同樣的里程得要使用更多的油。
我們可以把 displ
放在 \(x\) 軸,而把 hwy
放在 \(y\) 軸,創建一個 ggplot
:
ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy))
ggplot()
可以創造一個座標系統,而我們可以在上面加上圖層。其中,第一個引數為此圖所要使用的 dataset,例如此處為 ggplot(dataset=mpg)
,但這時候不會得到任何東西,只有一張空白的圖。而我們可以再加上其他圖層,如使用 geom_point()
,可以用來繪製散佈圖(scatterplot)。而 geom_point()
函數有引數 mapping
,與 aes()
搭配使用,可以讓我們指定 \(x\) 軸與 \(y\) 軸分別要是什麼變數。
此外,從此圖看起來,引擎大小與燃油效率呈現負向關係,即引擎更大的車,使用更多油。
5.2 The Layered Grammar of Graphics
ggplot2
的語法大致如下,層層堆疊各種函數。在 geom 中,除了 mapping=aes()
,我們還可以加上其他種類的 stat
與 “position adjustment”;若有需要,也可以加上不同的「座標系統」與 “facet function”。
ggplot(data = <DATA>) +
<GEOM_FUNCTION>(
mapping = aes(<MAPPINGS>),
stat = <STAT>,
position = <POSITION>)+
<COORDINATE_FUNCTION> +
<FACET_FUNCTION>
以下將逐一簡介這些參數(以 <>
包圍的字串)的使用方式。
5.3 Aesthetic Mappings
我們可以新增第三個變數,例如 mpg
中的 class
到兩向度的散佈圖,讓上面的點映射到 aesthetic。Aesthetic 是一種物件的視覺性質,包含了點的 color、size、shape 等。使用 aesthetic 在 aes()
中使用 aesthetic.name = variable.name
即可,而如果我們不想要旁邊的圖例,可以使用 show.legend = FALSE
,如:
# ggplot(data = mpg) +
# geom_point(mapping = aes(x = displ, y = hwy, color = class), show.legend = FALSE)
ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy, color = class))
此外,如果我們映射 color
到一個邏輯條件,則如:
ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy, color = displ < 5))
我們也可以使用 size = class
。但要注意的是此時會出現 Warning
,因為把一個無序的變數 class
映射到一個有序的 aesthetic size
並不是一個好方法:
ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy, size = class))
## Warning: Using size for a discrete variable is not advised.
我們也可以映射 class
到 alpha
或 shape
,分別代表透明度與形狀,但也都會出現 Warning
:
ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy, alpha = class))
## Warning: Using alpha for a discrete variable is not advised.
ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy, shape = class))
## Warning: The shape palette can deal with a maximum of 6 discrete values because
## more than 6 becomes difficult to discriminate; you have 7. Consider
## specifying shapes manually if you must have them.
## Warning: Removed 62 rows containing missing values (geom_point).
我們也可以從 geom
手動選擇 aesthetic properties,例如我們可以在 geom()
中加上 color = "blue"
,讓所有點都變成藍色:
ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy), color = "blue")
這樣的話,就只是改變顏色,顏色並未傳達更多資訊。不過,事實上 ggplot2
也可以手動設置 aesthetic,不過此處從略。
5.4 Facets
注意:類別變數才能繪製成 facets!
除了把變數映射到 aesthetics,我們也可以把類別變數繪製成 facets,即分別繪製資料不同的子集。要繪製 facets,我們可以使用 facet_wrap()
,其第一個引數是一個 formula,即 ~ 變數名稱
。此外,也可以 nrow
或 ncol
來指定要有幾個 rows 或 columns。如我們要根據 class
來繪製 facets,而排成兩個 rows 的形式,即:
ggplot(data = mpg) +
geom_point(mapping = aes(x = displ, y = hwy)) +
facet_wrap(~ class, nrow = 2)
如果我們要把 facets 畫成兩個變數的組合,那就必須使用 facet_gird()
,其語法如 facet_grid(row ~ col)
。以下的例子,因為 drv
共有三種值:4
、f
、r
,而 cyl
共有四種值:4
、5
、6
、8
,所以:
ggplot(data = mpg) +
geom_point(mapping = aes(x = displ, y = hwy)) +
facet_grid(drv ~ cyl)
如果 row 或 column 其中一者不想要有變數,可以使用 facet_grid()
。
5.5 幾何物件
Geom 是一種圖用來表示資料的幾何物件。例如,bar charts 使用 bar geoms,line charts 使用 line geoms,boxplots 使用 boxplot geoms 等。
要改變圖的 geom,即改變 ggplot()
所加的 geom function,例如我們把剛剛的 geom_point()
改成 geom_smooth
的話將會得到:
# 對於 geom_smooth() 中的 method 與 formula 用法可見其文檔
ggplot(data = mpg) +
geom_smooth(mapping = aes(x = displ, y = hwy), method = 'loess', formula = 'y ~ x')
我們也可以設置 aesthetic。雖然不能設置線的 shape,但可以設定線的 linetype。例如,我們可以根據變數 drv
來繪製三條不同的線:
ggplot(data = mpg) +
geom_smooth(mapping = aes(x = displ, y = hwy, linetype = drv),
method = "loess", formula = "y ~ x")
或者也可以疊加兩種 geom:
ggplot(data = mpg) +
geom_smooth(mapping = aes(x = displ, y = hwy, color = drv, linetype = drv),
method = "loess", formula = "y ~ x") +
geom_point(mapping = aes(x = displ, y = hwy, color = drv))
如果把引數放在 ggplot()
中,則會被視為 global mapping,將會套用到圖中的所有 geom;而放在 geom()
中則會被視為 local mapping,只會套用到該 geom。所以上述的程式碼也可以簡化為:
ggplot(data = mpg, mapping = aes(x = displ, y = hwy, color = drv)) +
geom_smooth(aes(linetype = drv), method = "loess", formula = "y ~ x") +
geom_point()
5.6 統計轉換
diamonds
是 ggplot2
中的一個 dataset,約有 54000 顆鑽石的資料,包含 carat
、cut
、color
、clarity
、depth
、table
、price
等變數。使用 geom_bar()
可以依據某個變數畫出長條圖(bar chart),例如我們想要知道各種 cuts 到底有分別有多少鑽石,可以:
ggplot(data = diamonds) + geom_bar(mapping = aes(x = cut))
在此,\(x\) 軸為 cut
,是 diamonds
中的變數;\(y\) 軸為 count
,並非 diamonds
中的變數,而是自動計算在各個 cut
中鑽石的數量。某些圖會計算新的變數然,例如:
- 長條圖、直方圖(histogram)或 frequency polygons 都會計算個數。
- Smoothers 會適配模型然後畫出預測。
- Boxplots 會計算分佈。
用來計算新的值的演算法稱之為 stat,為 statistical transformation 的簡稱。例如以 ?geom_bar
查看 geom_bar()
的幫助頁面,會發現其使用 stat_count()
。因為每個 geom 都有一個預設的 stat,反之亦然,所以我們可以把 geom 與 stat 交換使用。也因此,如果把上圖的 geom_bar()
換成 stat_count()
也會到相同的結果。
什麼時候需要明確地使用 stat 呢?
想要替換預設的 stat 的時候。
想要換原本的 mapping 時。
ggplot(data = diamonds) +
geom_bar(
mapping = aes(x = cut, y = ..prop.., group = 1)
)
- 想要使用其他的 statistical transformation 的時候。例如使用
stat_summary()
,其會對每個x
都 summarizes 其y
。
ggplot(data = diamonds) +
stat_summary(
mapping = aes(x = cut, y = depth),
fun.min = min,
fun.max = max,
fun = median
)
5.7 Position Adjustment
想要為長條圖著色,除了使用 color
,還可以使用 fill
,兩者的效果也不同:
ggplot(data = diamonds) +
geom_bar(mapping = aes(x = cut, color = cut))
ggplot(data = diamonds) +
geom_bar(mapping = aes(x = cut, fill = cut))
如果 fill
指定為另一個變數的話,就會自動變成「堆疊」的形式,如:
ggplot(data = diamonds, mapping = aes(x = cut, fill = clarity)) +
geom_bar()
這種堆疊是透過位置調整(position adjustment)進行的。position
預設為 position="stack"
,而我們還能把 position
指定成其他三種選項:identity
、dodge
與 fill
:
position = "identity"
:用在 bar chart 上效果有點像stack
,但差別在調整透明度後可以看出來(即alpha = 1/5
);雖然還是不明顯,但差別在identity
的各個物件是會相互堆疊的。例如在下圖中,調整透明度明明應該所有物件的透明度都相同,但越靠下的部分透明度顯然越低,這就是因為越靠下的部分有越多個物件重疊在一起,使得圖形顯得較不透明。
ggplot(data = diamonds, mapping = aes(x = cut, fill = clarity)) +
geom_bar(alpha = 1/5, position = "identity")
position = "fill"
:依據指定的變數(此數為clarity
)堆疊,差別在高度相同,所以便於我們比較組間的比例差別。
ggplot(data = diamonds, mapping = aes(x = cut, fill = clarity)) +
geom_bar(position = "fill")
position = "dodge"
:以此例而言,即是對於每個不同的cut
,都分別把其各個clarity
展現在逐一呈現,而非用堆疊的方式。
ggplot(data = diamonds, mapping = aes(x = cut, fill = clarity)) +
geom_bar(position = "dodge")
此外,當然還有其他 position
的引數可用,例如 position = "jitter"
,其在 bar chart 中沒什麼用,但在散佈圖中有大用。回憶節 5.1 的散佈圖:
ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy))
事實上,mpg
明明有 234 個觀察值,如:
str(mpg)
# tibble [234 × 11] (S3: tbl_df/tbl/data.frame)
# ...
但上面的散佈圖卻只有顯示 126 個點,為什麼?因為 overplotting!有些點的座標相同,所以相互覆蓋了。設置 position = "jitter"
可以解決這個問題,這會在每個點加入一點點 random noise,排除 overplotting 的問題。
ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) +
geom_point(position = "jitter")
5.8 座標系統
除了前面使用的笛卡兒座標系統,還有其他有用的座標系統:
coord_flip()
:繪製旋轉 90 度的直角坐標,如:
ggplot(data = mpg, mapping = aes(x = class, y = hwy)) + geom_boxplot()
ggplot(data = mpg, mapping = aes(x = class, y = hwy)) + geom_boxplot() + coord_flip()
coord_quickmap()
:繪製有正確方位比例的地圖4,如:
<- map_data("nz")
nz
ggplot(nz, aes(long, lat, group = group)) +
geom_polygon(fill = "white", color = "black")
ggplot(nz, aes(long, lat, group = group)) +
geom_polygon(fill = "white", color = "black") + coord_quickmap()
coord_polar()
:繪製極座標圖(polar coordinates),結合 bar char 與 Coxcomb chart,如:
<- ggplot(data = diamonds) +
bar geom_bar(mapping = aes(x = cut, fill = cut), show.legend = FALSE, width = 1) +
theme(aspect.ratio = 1) + labs(x = NULL, y = NULL)
+ coord_polar() bar
coord_fixed
:因為人對與 45 度線的差異感受最明顯,而coord_fixed()
可以讓geom_abline()
(用以產生 reference lines 的 geom)產生的線為 45 度,如:
<- ggplot(data = mpg, mapping = aes(x = cty, y = hwy)) +
p geom_point() + geom_abline()
+ coord_fixed() # 如果不加 coord_fixed(),比例將會跑掉。 p
5.9 標籤
labs()
能使我們為圖加上標題、註解或更改 x
軸、y
軸的名稱,如:
ggplot(data = mpg, mapping = aes(x = class, y = hwy)) +
geom_boxplot() +
coord_flip() +
labs(y = "Highway MPG",
x = "Class",
title = "Highway MPG by car class",
subtitle = "1999-2008",
caption = "Source: http://fueleconomy.gov")
參考文獻
另有
coord_map()
,功能與coord_quickmap()
類似。coord_map()
預設使用麥卡托投影法(Mercator projection)。而兩者的差別在coord_quickmap
為coord_map()
的近似,忽略了地球在不同經緯度比例的曲度差異,因此運行速率較快,但也稍微不準確。↩︎