5 以 `ggplot2` 進行資料視覺化

本章為 Wickham and Grolemund (2016) 第 1 章內容。

本部分要談的是資料探索。

Figure 5.1: Data exploring.

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   2.0.0     ✓ forcats 0.5.1

## Warning: package 'ggplot2' was built under R version 4.1.1

## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

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¹，如：

nz <- map_data("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：

bar <- ggplot(data = diamonds) +
  geom_bar(mapping = aes(x = cut, fill = cut), show.legend = FALSE, width = 1) +
  theme(aspect.ratio = 1) + labs(x = NULL, y = NULL)

bar + coord_polar()

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：

p <- ggplot(data = mpg, mapping = aes(x = cty, y = hwy)) +
  geom_point() + geom_abline()

p + coord_fixed()  # 如果不加 coord_fixed()，比例將會跑掉。

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

Wickham, Hadley, and Garrett Grolemund. 2016. R for Data Science. First Edition. O’Reilly Media, Inc.

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。↩︎

5 以 ggplot2 進行資料視覺化