从课程《R 语言快速入门》 中，我们已经了解过 Hadley Wickham 的 tidyverse 生态链，知道了完整的数据分析大约包括以下流程：
Image may be NSFW.
Clik here to view.
Source: Hadley Wickham, R for Data Science, 2016.
可视化（Visualise）不仅是数据探索（Explore）中至关重要的一个环节，而且充满趣味和成就感（所见即所得）。我们既可以用图形来验证猜想，也可以从图形中发现不为人知的秘密。因此，从基础的可视化工具开始接触数据科学通常是一个不错的选择。本课程即将带你感受 R 最受欢迎的作图工具包 ggplot2 的魅力，为你的数据科学之路奠定一个良好的开端。
通过本课程的学习，你将
ggplot2 ggplot2 1.2 实验知识点 ggplot2 1.3 实验环境 R 3.4.1 Xfce 终端 1.4 适合人群本课程难度较小，适合已经掌握 R 基本语法，想了解 ggplot2 作图方法和入门数据科学的朋友。
二、实验内容 2.1 ggplot2R 语言包含多种作图工具，每种工具自有一套逻辑体系， ggplot2 则凭借它的优雅与灵活受到大部分数据科学家的喜爱。
在 2.1 节中，你将理解 ggplot2 作图的基本思想，拥有一套完整的语法模版，从模版中你将得知一个图形的要素有哪些。此外，如果你只是想迅速获得对数据的直观感受，我们还将介绍简化的作图方法。
2.1.1 基本思想我们先进入一个实例，一边应用 ggplot2 中的函数，一边探索它的基本思想。
打开桌面上的 Xfce 终端，从云端下载实验所需数据。 car.csv 文件中保存了 2011 年中国各地区每百户家用汽车保有量数据。
$ wget http://labfile.oss.aliyuncs.com/courses/978/car.csvImage may be NSFW.
Clik here to view.
进入 R 环境： $ sudo R
Image may be NSFW.
Clik here to view.
ggplot2 是 tidyverse 生态链的核心 package，因为实验环境中已经安装有 tidyverse package，所以我们可以直接加载它。如果你是在 RStudio 中操作，记得先用 install.packages() 命令安装 tidyverse 。
> library(tidyverse)Image may be NSFW.
Clik here to view.
上图中，虚线以上部分是 tidyverse 包含的核心 package，虚线以下部分是 tidyverse 和其它 package 冲突的函数，使用这些函数时需要指明来源。接下来我们使用 tidyverse 中的 read_csv() 函数读取实验数据，并保存在 da 中。
> da <- read_csv('car.csv')Image may be NSFW.
Clik here to view.
值得注意的是， read_csv() 的结果是一个 tibble 对象，tibble 本质上也是 data frame 的一种，行为观测值，列为变量，但和 R 中常见的 data.frame 不同，它有许多良好的性质。比如，我们想查看 da 变量的结构或者前几行，不需要再用 str() 或 head() 函数，而是直接运行 da 就可以了。 tidyverse 中大部分数据都是 tibble 结构。
# 查看 da> da
Image may be NSFW.
Clik here to view.
从上图中我们可以看到，da 是一个 31 行、6 列的 tibble 对象，它的前 10 行被呈现出来。6 个变量依次为省份（或直辖市）、地区（E 为东部、M 为中部、NE 为东北、W 为西部）、家用汽车每百户平均保有量、人均GDP、城镇人口比重、交通工具消费价格指数，变量类型前两个为 char、后四个为 double。关键信息只需一个小小的命令就能被呈现出来，这就是 tibble 人性化的地方。
至此，准备工作已经做好，下面我们就来探索 ggplot2 的基本思想。
假设我们想观察各省市家用汽车平均保有量和人均 GDP 之间有什么关系，我们可以作出 car 随 GDP 变动的散点图。
Step 1:
ggplot(data = da)Image may be NSFW.
Clik here to view.
只定义数据参数 data ，此时 ggplot() 生成一张空白的画布。 Step 2: ggplot(data = da, mapping = aes(x = GDP, y = car))
Image may be NSFW.
Clik here to view.
除 data 外，还定义了映射参数 mapping ，将 GDP 映射到 x 轴，car 映射到 y 轴，此时图形有了坐标轴。 Step 3: ggplot(data = da, mapping = aes(x = GDP, y = car)) +
geom_point()
Image may be NSFW.
Clik here to view.
除数据和映射参数外，还使用 geom_point() 添加了几何对象，此时图中出现了散点，这些点的分布表示平均汽车保有量和人均 GDP 之间似乎存在正相关关系。
从以上三个分解的步骤中，我们可以体会到 ggplot2 作图的逻辑，即它需要使用一定的 几何对象 （点、线等）来表示整理好的 数据 ，并且在数据和图像属性（如 x、y轴，颜色，形状等）之间建立一定的 映射 。
Step 3 中的命令还可以简写为
# 默认 ggplot 的第一个参数为 data，第二个参数为 mapping，aes的第一个值为 x 轴，第二个值为 y轴。ggplot(da, aes(GDP, car)) +
geom_point()
或改写为
# mapping 的参数设定仅在 geom_point() 中使用ggplot(data = da) +
geom_point(mapping = aes(x = GDP, y = car)) 2.1.2 语法模版
从 2.1.1 节的尝试中，我们可以总结出 ggplot2 的一套语法模版：
ggplot(data = <DATA>) +<GEOM_FUNCTION>(mapping = aes(<MAPPINGS>))
通过后续的学习，你将得到更加完整的语法模版：
ggplot(data = <DATA>) +<GEOM_FUNCTION>(
mapping = aes(<MAPPINGS>),
stat = <STAT>,
positon = <POSITION>,
) +
<COORDINATE_FUNCTION> +
<FACET_FUNCTION> 2.1.3 图形要素
从完整的语法模版中，我们得知 ggplot2 图形有以下要素：
数据 几何对象 属性映射 统计转换 位置调整 坐标系 块面结构你将在接下来的实验中陆续接触到这些概念。
2.1.4 快速图形作法如果我们只是想用最少的代码迅速获得对数据的直观感受，可以使用 qplot() 函数。
qplot(GDP, car, data = da)Image may be NSFW.
Clik here to view.
尽管 qplot() 看起来更简洁，而且理论上可以实现所有 ggplot() 的功能，但是随着图形变得更加复杂， ggplot() 将是一个更好的选择。 2.2 附加变量
从 2.1 节的散点图中，我们似乎找到了 car 和 GDP 的一种正相关关系，这是两个变量之间的关系。
但是，考虑一下，如果我们想往二维图形中添加第三个变量，比如我们想知道各个样本点分别属于什么地区，或者想看不同地区的 car 和 GDP 之间的关系，应该怎么做呢？
两个坐标轴已经被固定了，第三个变量只能通过其它途径反映出来。接下来我们介绍两种途径，一种是 属性映射 ，即把第三个变量作为某种属性赋给图形，另一种是 块面图 ，即按照第三个变量进行分组，在不同组中呈现前两个变量之间的关系。属性映射和块面图都体现了一种分组的思想，只是前者是隐性的，后者是显性的。
2.2.1 属性映射我们将第三个变量 region 赋值给 color ， geom_point() 就会自动把观测值按照 region 分组，每组用不同颜色的点在画布上标出。
ggplot(data = da) +geom_point(mapping = aes(x = GDP, y = car, color = region))
Image may be NSFW.
Clik here to view.
从上图中可以看到，东部省份盘踞在右上角，人均 GDP 和平均汽车保有量都很高，中西部省份则蜷缩在左下角，这体现了我国地区间经济发展的不平衡，共同富裕的发展路线只实现了前面一半，我国仍然处于社会主义初级阶段。
我们把省份名称标注在图上，看看能不能得出更有意思的结论。
ggplot(da, aes(GDP, car)) +geom_point(aes(color = region)) +
geom_text(aes(label = province), check_overlap = TRUE)
Image may be NSFW.
Clik here to view.
check_overlap = TRUE 省略了某些省份的名称，保证文本不会有重叠。
从图中来看，最右上角的点毫无疑问是北京。天津和上海两个城市比较特别，拥有很高的人均 GDP，家用汽车平均保有量却相对较低。对这个现象，我们可以做出许多猜想：影响汽车保有量的是否有其它更重要的因素？人均 GDP 是名义值（未经价格调整），也许这两个城市的物价水平很高，导致实际 GDP 较低。或者，这两个城市的其它交通工具较为发达、交通堵塞严重需摇号购车，家用汽车不是人们的首选出行工具……
左上角的西藏和云南也十分引人注目，它们拥有较低的人均 GDP，家用汽车保有量却相对较高，我们可以猜想，这两个省份地广人稀，家用汽车是必要的出行工具……
图形启发我们进行了这些猜想，它们不一定正确，需要我们进一步设计研究，但我们已经可以感受到数据可视化的力量。
除了 color， geom_point() 还有其它一些属性，比如点的形状（shape）、透明度（alpha）、大小（size）等。
ggplot(data = da) +geom_point(mapping = aes(x = GDP, y = car, shape = region))
Image may be NSFW.
Clik here to view.
你可以使用 ?geom_point 命令查看帮助文档中的 Aesthetics，获取更多属性。 2.2.2 块面图
另一种增加变量的方法是块面图，我们使用 facet_wrap() 将观测值按照 region 分组，就可以看到不同地区的 car 和 GDP 之间的关系了。
ggplot(data = da) +geom_point(mapping = aes(x = GDP, y = car)) +
facet_wrap(~ region, nrow = 2)
Image may be NSFW.
Clik here to view.
除了 facet_wrap() 以外， ggplot2 中还有 facet_grid() 函数可以画块面图。你可以在帮助文档中看它们有什么不同。 2.3 几何对象
至今我们接触到的 ggplot2 中的几何对象有点和文本，除了这两个以外较为常用的还有线。下面我们分别来看散点图和折线图。
2.3.1 散点图上面实验我们画的大多数都是散点图，因此无需赘述，但有种情形值得引起注意。
如果我们面临的是大样本，看看会发生什么。
# mpg 是 tidyverse 中一个内置的数据集，共 234 行，11列ggplot(data = mpg) +
geom_point(mapping = aes(x = displ, y = cty))
Image may be NSFW.
Clik here to view.
数一数会发现，图中点的个数小于 234，这叫做 “overplotting” 问题，有些点被临近的点覆盖掉，而且所有点看起来分布得十分均匀。
如果我们想获得更贴近现实（数据）的散点图，可以设置 position = 'jitter' 。
ggplot(data = mpg) +geom_point(mapping = aes(x = displ, y = cty), position = 'jitter')
Image may be NSFW.
Clik here to view.
2.3.2 拟合曲线
使用 geom_smooth 获得一条拟合观测值的曲线：
ggplot(data = da) +geom_smooth(mapping = aes(x = GDP, y = car))
Image may be NSFW.
Clik here to view.
在图中同时呈现散点和拟合的曲线，并且令 se = FALSE 去掉曲线的置信区间：
ggplot(data = da) +geom_point(mapping = aes(x = GDP, y = car)) +
geom_smooth(mapping = aes(x = GDP, y = car), se = FALSE)
Image may be NSFW.
Clik here to view.
令 method = 'lm' 获得拟合的直线
ggplot(data = da) +geom_point(mapping = aes(x = GDP, y = car)) +
geom_smooth(mapping = aes(x = GDP, y = car), se = FALSE, method = 'lm')
Image may be NSFW.
Clik here to view.
2.3.3 折线图
使用 geom_line() 画折线图：
ggplot(data = da) +geom_line(mapping = aes(x = GDP, y = car))
Image may be NSFW.
Clik here to view.
这样的图看起来没有任何意义。事实上，在时间序列数据的可视化时使用 geom_line() 会比较合适。
economics 也是 tidyverse 的内置数据集，我们画出失业率随日期变动的折线图：
ggplot(data = economics) +geom_line(mapping = aes(x = date, y = unemploy/pop))
Image may be NSFW.
Clik here to view.
2.3.4 图层叠加
在前面的实验中，你已经接触了一些图层叠加的操作，比如带有拟合曲线的散点图、标注文本的散点图等。
图层叠加是 ggplot2 中一个非常重要的理念，正是它让 ggplot2 变得灵活，让我们可以不拘泥于固定的图例设置，自有地创造出想要的图形。
下面我们再来看一个例子，这个例子让点和曲线的颜色都根据 region 进行了分组：
ggplot(da, aes(GDP, car, color = region)) +geom_point() +
geom_smooth(se = FALSE)
Image may be NSFW.
Clik here to view.
需要说明的是，为了简化实验，我们用的是 2011 年的截面数据，因此样本量较小，分组后每组包含的样本就更少了，这样拟合出来的曲线毫无说服力（因此你会看到 There were 11 warnings 的警告信息）。在正式研究中，我们也许会采用面板数据（panel data）扩大样本容量。
为了更加熟练地掌握图层叠加操作，请尝试画出课后练习中的图形。
2.4 统计变换无论是散点图还是折线图，我们都能在图形上看出原始数据来，统计变换则不同，它需要先进行一定的统计操作，再把结果反映在图形上。
2.4.1 柱状图对观测值进行分类统计，我们可以用 geom_bar() 画出柱状图。柱状图只需要指定 x 坐标（离散的分类变量），另一个坐标为 count（计数）。
ggplot(da) +geom_bar(mapping = aes(x = region))
Image may be NSFW.
Clik here to view.
有时候我们拿到的并不是原始数据，而是已经分类计数好的数据，这时候应该怎么办呢？
假设 demo 是我们拿到的数据，通过令 stat = 'identity' ，可以画出和上面一样的柱状图来。
demo <- tribble(~region, ~freq,
"E", 10,
"M", 6,
"W", 12,
"NE", 3
)
ggplot(demo) +
geom_bar(mapping = aes(x = region, y = freq), stat = 'identity') 2.4.2 直方图
假设我们想统计的变量不是离散的，而是一个连续变量，这时候就可以用 geom_histogram() 画直方图。
ggplot(da, aes(GDP)) +geom_histogram(binwidth = 0.5)
Image may be NSFW.
Clik here to view.
注意设置合适的 binwidth 很重要，你需要根据不同的数据尝试多个 binwidth ，选择一个最合适的。
除了直方图外，我们也可以用 geom_freqpoly() 画频率折线图，它与直方图的功能基本一致。
ggplot(da, aes(GDP)) +geom_freqpoly(binwidth = 0.5)
Image may be NSFW.
Clik here to view.
2.4.3 箱线图
箱线图很受统计学家喜爱，因为它以尽可能简单的方式直观地反映了许多数据特征。下图展现了从数据的实际分布到箱线图的过程。
Image may be NSFW.
Clik here to view.
Source: Hadley Wickham, R for Data Science, 2016.
我们使用 geom_boxplot() 画箱线图：
ggplot(da, aes(region, GDP)) +geom_boxplot()
Image may be NSFW.
Clik here to view.
2.5 坐标系 2.5.1 坐标标签
我们可以使用 xlab() 、 ylab() 函数为坐标轴添加标签：
ggplot(da, aes(GDP, car)) +geom_point() +
xlab('Per Capita GDP') +
ylab('Car Ownership (%)')
Image may be NSFW.
Clik here to view.
如果想去掉坐标轴标签，可使用 xlab(NULL) 、 ylab(NULL) ：
ggplot(da, aes(GDP, car)) +geom_point() +
xlab(NULL) +
ylab(NULL)
Image may be NSFW.
Clik here to view.
2.5.2 坐标范围
如果我们只想看人均 GDP 在 2 至 4 之间，平均汽车保有量在 10 至 20 之间的省份，可以使用 xlim() 、 ylim() 函数限定坐标轴范围：
ggplot(da, aes(GDP, car)) +geom_point() +
xlim(2, 4) +
ylim(10,20) +
geom_text(aes(label = province), check_overlap = TRUE)
Image may be NSFW.
Clik here to view.
2.5.3 交换坐标和极坐标
如果我们想交换横纵坐标，可以使用 coord_flip() 函数。特别是当我们在画柱形图或箱线图，横坐标刻度标识很长时，可以交换横纵坐标，这样文字就不会挤在一起。
我们还可以使用 coord_polar() 将笛卡尔坐标系转化为极坐标系。
bar <- ggplot(da, aes(region)) +geom_bar(mapping = aes(fill = region), show.legend = FALSE, width = 1) +
xlab(NULL) +
ylab(NULL)
bar + coord_flip()
bar + coord_polar()
Image may be NSFW.
Clik here to view.
Image may be NSFW.
Clik here to view.
三、课后练习
请尝试画出如下图形（将代码和截图保存在实验报告中）：
1.
Image may be NSFW.
Clik here to view.
2.
Image may be NSFW.
Clik here to view.
3.
Image may be NSFW.
Clik here to view.
4.
Image may be NSFW.
Clik here to view.
四、总结
本实验介绍了 ggplot2 作图的基本思想和语法模版，通过实例展示了如何使用 ggplot2 画出优雅的散点图、折线图、柱形图、直方图、箱线图等基础图形，对其中蕴含的映射理念和图层思想做了详细的讲述。