ggplot2中qplot的用法

逃离我推掉我的手 2022-06-13 04:19 176阅读 0赞

# 简介 #

本章所用的数据集为ggplot2包中的diamonds数据集，这一章主要涉及qplot的用法，qplot的意思是quick plot，即快速制图。

# 基本用法 #

**library**(ggplot2)  
**head**(diamonds) \# 查看数据集前5列

\#\# carat cut color clarity depth table price x y z  
\#\# 1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43  
\#\# 2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31  
\#\# 3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31  
\#\# 4 0.29 Premium I VS2 62.4 58 334 4.20 4.23 2.63  
\#\# 5 0.31 Good J SI2 63.3 58 335 4.34 4.35 2.75  
\#\# 6 0.24 Very Good J VVS2 62.8 57 336 3.94 3.96 2.48

**set.seed**(1000) \# 设置随机种子，这个数据不固定，随便设，方便重复  
dsmall <- diamonds\[**sample**(**nrow**(diamonds),100),\] \# nrow(diamonds)表示diamonds这个数据集的行数，sample(x,100)表示从x中随机取100个样本  
**str**(dsmall) \# 查看数据结构

\#\# 'data.frame': 100 obs. of 10 variables:  
\#\# $ carat : num 1.23 0.3 0.9 0.31 0.31 1.01 0.5 0.34 0.92 1.01 ...  
\#\# $ cut : Ord.factor w/ 5 levels "Fair"<"Good"<..: 5 5 2 5 5 5 1 5 5 2 ...  
\#\# $ color : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 5 2 5 4 4 3 2 5 1 2 ...  
\#\# $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 4 3 4 7 4 1 3 5 2 3 ...  
\#\# $ depth : num 62.2 61.7 61.9 62.8 61.5 62.2 66.5 62.1 61.9 58.1 ...  
\#\# $ table : num 55 58 58 57 56 54 58 57 55 59 ...  
\#\# $ price : int 7130 499 3989 977 652 3439 1098 765 5051 5627 ...  
\#\# $ x : num 6.81 4.29 6.14 4.33 4.34 6.44 4.87 4.51 6.24 6.57 ...  
\#\# $ y : num 6.85 4.3 6.18 4.3 4.36 6.42 4.9 4.48 6.27 6.65 ...  
\#\# $ z : num 4.25 2.65 3.81 2.71 2.68 4 3.25 2.79 3.87 3.84 ...

**qplot**(carat,price,data = diamonds) \# 绘制价格(price)与克拉(carat)的散点图

![ggplot2笔记001-基础绘图][ggplot2_001-]

**qplot**(**log**(carat),**log**(price),data = diamonds) \# 对价格(price)与克拉(carat)做对数变换后的散点图

![ggplot2笔记001-基础绘图][ggplot2_001- 1]

**qplot**(carat, x\*y\*z, data = diamonds) \# 对克拉(carat)与体积(x\*y\*z)做散点图

![ggplot2笔记001-基础绘图][ggplot2_001- 2]

# 分类变量对应的颜色、大小、形状等属性 #

qplot中有各种表示分类变量的属性，例如颜色，大小等。可以将数据集中的分类变量与之相应匹配。

**str**(dsmall) \# 再查看一下数据结构

可以发现，color是因子类型的，可以用"颜色"属性将其区别开：

**qplot**(carat, price, data = dsmall, colour = color)

![ggplot2笔记001-基础绘图][ggplot2_001- 3]

qplot(carat, price, data = dsmall, colour = color)这条命令就表示用颜色属性将数据集中的颜色分类区别开，再看一个例子，用形状将切工(cut)类型区别开：

**qplot**(carat, price, data = dsmall, shape = cut)

![ggplot2笔记001-基础绘图][ggplot2_001- 4]

其实，也可以用颜色将切工(cut)区别开：

**qplot**(carat, price, data = dsmall, colour = cut)

![ggplot2笔记001-基础绘图][ggplot2_001- 5]

原理都一样，即一个数据集中的分类变量可以对应qplot中相应的分类属性（例如颜色是可以区分的，形状也可以是区分的，这些都能代表一种分类）。

## 图形透明度 ##

可以用Ｉ()来控制图形的透明度，可以看以下例子：

\#　install.packages("gridExtra") \# 要用到grid.arrange()这个函数，需要安装这个包  
**library**(gridExtra)

\#\# Loading required package: grid

x1 <- **qplot**(carat, price, data = diamonds, alpha = **I**(1/10))  
\#alpha= I(1/10)用于控制透明度,ggplot2\_2\_6  
x2 <- **qplot**(carat, price, data = diamonds, alpha = **I**(1/100))  
x3 <- **qplot**(carat, price, data = diamonds, alpha = **I**(1/200))  
x4 <- **qplot**(carat, price, data = diamonds, alpha = **I**(1/400))  
**grid.arrange**(x1, x2, x3,x4)

![ggplot2笔记001-基础绘图][ggplot2_001- 6]

# 几何对象 #

这一部分用前面的dsmall数据集。

**qplot**(carat, price, data = dsmall) \# 简单的散点图

![ggplot2笔记001-基础绘图][ggplot2_001- 7]

接着，在简单的散点图上加上平滑曲线：

**qplot**(carat, price, data = dsmall, geom = **c**("point", "smooth")) \# 简单的散点图加上了平滑曲线,geom = c("point", "smooth")表示将points用smooth连接起来

![ggplot2笔记001-基础绘图][ggplot2_001- 8]

换成原始数据集diamonds的效果：

**qplot**(carat, price, data = diamonds, geom = **c**("point", "smooth"))

![ggplot2笔记001-基础绘图][ggplot2_001- 9]

在取消了误差范围时的平滑曲线：

**qplot**(carat, price, data = dsmall, se=FALSE,geom = **c**("point", "smooth"))

![ggplot2笔记001-基础绘图][ggplot2_001- 10]

在添加曲线时，还有其他的参数可以使用，method="loess"，当n比较小时是默认选项，用局部回归的方法。曲线的平滑程度由span控制，范围是\[0,1\]，如下所示：

p1 <- **qplot**(carat, price, data = dsmall, geom = **c**("point", "smooth"), span =0)  
p2 <- **qplot**(carat, price, data = dsmall, geom = **c**("point", "smooth"), span =0.2)  
p3 <- **qplot**(carat, price, data = dsmall, geom = **c**("point", "smooth"), span =0.6)  
p4 <- **qplot**(carat, price, data = dsmall, geom = **c**("point", "smooth"), span =1)  
**grid.arrange**(p1,p2,p3,p4)

![ggplot2笔记001-基础绘图][ggplot2_001- 11]

# 箱线图与扰动点图 #

扰动点图

j1 <- **qplot**(color, price/carat, data = diamonds, geom = "jitter", alpha =**I**(1/5))  
\# geom为设定图形类型，jitter为扰动点图,ggplot2\_2\_18  
\# jitter是绘图扰动图的参数,alpha = I(1/5)用于控制透明度  
j2 <- **qplot**(color, price/carat, data = diamonds, geom = "jitter", alpha =**I**(1/50))  
j3 <- **qplot**(color, price/carat, data = diamonds, geom = "jitter", alpha =**I**(1/200))  
j4 <- **qplot**(color, price/carat, data = diamonds, geom = "boxplot", alpha =**I**(1/5))  
**grid.arrange**(j1,j2,j3,j4)

![ggplot2笔记001-基础绘图][ggplot2_001- 12]

# 直方图与密度曲线图 #

h1 <- **qplot**(carat, data = diamonds, geom = "histogram")+**xlab**("直方图")  
\#直方图  
  
h2 <- **qplot**(carat, data = diamonds, geom = "density")+**xlab**("密度曲线图")  
\#密度曲线图   
h3 <- **qplot**(carat, data = diamonds, geom = "density",adjust = 1)+**xlab**("密度曲线图adjust = 1")  
\#adjust控制曲线的平滑程度，数值越大，越平滑,默认为1  
h4 <- **qplot**(carat, data = diamonds, geom = "density",adjust = 2)+**xlab**("密度曲线图adjust = 2")ust控制曲线的平滑程度，数值越大，越平滑  
**grid.arrange**(h1,h2,h3,h4)

![ggplot2笔记001-基础绘图][ggplot2_001- 13]

**可以通过改变组距的方式来调节图形的平滑度，参数为****binwidth:**

d1 <- **qplot**(carat, data = diamonds, geom = "histogram", binwidth = 1, xlim =**c**(0,3))  
d2 <- **qplot**(carat, data = diamonds, geom = "histogram", binwidth = 0.1, xlim = **c**(0,3))  
d3 <- **qplot**(carat, data = diamonds, geom = "histogram", binwidth = 0.01,xlim = **c**(0,3))  
**grid.arrange**(d1,d2,d3,ncol=3, nrow=1)

![ggplot2笔记001-基础绘图][ggplot2_001- 14]

分类变量映射到图形属性中的结果：

**qplot**(carat, data = diamonds, geom = "density", colour = color )

![ggplot2笔记001-基础绘图][ggplot2_001- 15]

\#colour把分类变量映射到颜色属性上  
**qplot**(carat, data = diamonds, geom = "histogram", fill = color)

![ggplot2笔记001-基础绘图][ggplot2_001- 16]

\# 把color变量映射到填充属性上：

# 条形图： #

**qplot**(color, data = diamonds, geom = "bar") \# 只计算各种颜色的数量，注意y轴的标签

![ggplot2笔记001-基础绘图][ggplot2_001- 17]

以颜色为x轴，以克拉数为y轴绘制图形：

**qplot**(color, data = diamonds, geom = "bar", weight = carat)+**scale\_y\_continuous**("carat")

![ggplot2笔记001-基础绘图][ggplot2_001- 18]

\#weight为加权平均值，scale\_y\_continuous("carat")表示y轴是连续型变量

# 时间序列中的线条图和路径图 #

以economics数据集为例演示，此数据集包含了美国过去1967-2007年间的数据，如下所示：

**head**(economics)

\#\# date pce pop psavert uempmed unemploy  
\#\# 1 1967-06-30 507.8 198712 9.8 4.5 2944  
\#\# 2 1967-07-31 510.9 198911 9.8 4.7 2945  
\#\# 3 1967-08-31 516.7 199113 9.0 4.6 2958  
\#\# 4 1967-09-30 513.3 199311 9.8 4.9 3143  
\#\# 5 1967-10-31 518.5 199498 9.7 4.7 3066  
\#\# 6 1967-11-30 526.2 199657 9.4 4.8 3018

date是时间，uempmed是失业星期数的中位数，unemploy是失业人数，pop是人数（不清楚单位）

第一张图：失业率随时间的变化：

**qplot**(date, unemploy/pop, data = economics, geom = "line")

![ggplot2笔记001-基础绘图][ggplot2_001- 19]

第二张图：失业星期数的中位数随时间的变化：

**qplot**(date, uempmed, data = economics, geom = "line")

![ggplot2笔记001-基础绘图][ggplot2_001- 20]

加入时间变量后的图形：

year <- function(x) **as.POSIXlt**(x)$year + 1900  
**qplot**(unemploy / pop, uempmed, data = economics, geom = **c**("point", "path"))

![ggplot2笔记001-基础绘图][ggplot2_001- 21]

**qplot**(unemploy / pop, uempmed, data = economics, geom = "path", colour =**year**(date))

![ggplot2笔记001-基础绘图][ggplot2_001- 22]

**qplot**(unemploy / pop, uempmed, data = economics, geom = **c**("point", "path"),colour = **year**(date))

![ggplot2笔记001-基础绘图][ggplot2_001- 23]

**解释一下：**

1.  在上面的一段命令中，as.POSIXlt()表示的是以1900年为界，将日期类型的数据转化为POSIXlt格式，as.POSIXlt(x)$year是将其中的年份减去1900后剩余的，因此，第一行要加一个1900，其中数据后面带CST，意思是标准时间。第一行构建了一个函数，这个函数的意思是提取日期类型中的年。
2.  第二行命令，是以失业率为x轴，失业星期数的中位数为y轴绘图，并且将其中的点用路径连接起来,因此用到的参数是geom = c("point", "path")。
3.  第三行命令，区别是加了colour = year(date)，意思是把年份变量映射到颜色上。
4.  第四行命令，与第三行的区别是去掉了点，只要路径。

# 分面 #

**qplot**(carat, data = diamonds, facets = color ~ ., geom = "histogram",binwidth = 0.1, xlim = **c**(0,3))\#ggplot2\_2\_37,facets = color ~ . 以颜色为条件的直方图

![ggplot2笔记001-基础绘图][ggplot2_001- 24]

上面命令表示，以克拉(carat)为x轴，以颜色(color)为分面的参数，即把不同的颜色放到不同的直方图中，用到的参数为facets = color~.，其中的最小组距设置为0.1，即binwidth=0.1，x轴的范围为\[0,3\]。

另外的例子：

**qplot**(carat, ..density.., data = diamonds, facets = color ~., geom ="histogram", binwidth = 0.1, xlim = **c**(0,3))

![ggplot2笔记001-基础绘图][ggplot2_001- 25]

这个例子与第一个不同之处于在用到了..density..（注意前后有两点半角逗号），表示ggplot2把密度（上一个例子是频数）映射到y轴。

# 分面的其他选项 #

这一部分涉及到图形的一些外观参数，与plot()函数中的类似，有xlim,ylim,log,main,xlab,ylab： 第1个例子：基础

**qplot**(  
carat, price, data = dsmall, \# 用到的数据集是dsmall，以price为x轴，以carat为y轴绘图  
xlab = "Price ($)", ylab = "Weight(carat)",　\# x轴的标签是Price ($),y轴的标签是Weight(carat)  
main = "Price-weight relationship"　\# 标题是Price-weight relationship  
)

![ggplot2笔记001-基础绘图][ggplot2_001- 26]

第2个例子：用到了数学表达式

**qplot**(  
carat, price/carat, data = dsmall,  
ylab = **expression**(**frac**(price, carat)),　\# 用到了数学表达式ylab = expression\_r(frac(price, carat))表示y轴的标签是个分数，分母是carat，分子是price  
xlab = "Weight(carats)",  
main = "Small diamonds",  
xlim = **c**(0.2, 1)  
)

\#\# Warning in loop\_apply(n, do.ply): Removed 27 rows containing missing  
\#\# values (geom\_point).

![ggplot2笔记001-基础绘图][ggplot2_001- 27]

第3个例子：取对数

**qplot**(carat, price, data = dsmall,log="xy")　\#log="x"表示对x轴取对数，log="xy"表示对x轴和y轴都取对数

![ggplot2笔记001-基础绘图][ggplot2_001- 28]

\#log = "xy"表示对xy轴都取对数

[ggplot2_001-]: /images/20220613/f8781b3dcf5c4cfa9c3bab3819f43bab.png
[ggplot2_001- 1]: /images/20220613/3048d07c7e3b406f9641236a0b18c735.png
[ggplot2_001- 2]: /images/20220613/4ed2270419d2448089fddea3c5f32ec3.png
[ggplot2_001- 3]: /images/20220613/f0fdb557a30e4694acc6f45ea400df38.png
[ggplot2_001- 4]: /images/20220613/b743bda4bf4e4dd68ae1b6287e8433c9.png
[ggplot2_001- 5]: /images/20220613/d883547f892c4baa96b61bf129526045.png
[ggplot2_001- 6]: /images/20220613/a6db706b21fc4b3abd0983d85741fda5.png
[ggplot2_001- 7]: /images/20220613/57708e438ec443d6a0b9ad3bf521b8a4.png
[ggplot2_001- 8]: /images/20220613/ed5d340714c84e9f8e941eceb67758e7.png
[ggplot2_001- 9]: /images/20220613/a380666cc9b94b1a9bbcb5a18baa951d.png
[ggplot2_001- 10]: /images/20220613/5720adfcad004393a0ad69dbdccab4ca.png
[ggplot2_001- 11]: /images/20220613/70abfe7d76cd465aa3b23157eda856b2.png
[ggplot2_001- 12]: /images/20220613/2c3f644d91a04cddaefb280359644bda.png
[ggplot2_001- 13]: /images/20220613/c9f7963c894045f6998c88a29e11b5c4.png
[ggplot2_001- 14]: /images/20220613/121fa2e21d354ca4b55bf44fde16c5be.png
[ggplot2_001- 15]: /images/20220613/88d6499e3d7f4320a83e2aac18a22564.png
[ggplot2_001- 16]: /images/20220613/375fe4523fbf407eb5fb063d1c92e069.png
[ggplot2_001- 17]: /images/20220613/2f0b9093291d44e69106cbda8506d128.png
[ggplot2_001- 18]: /images/20220613/8440a963811f4ce0931e0caae5127061.png
[ggplot2_001- 19]: /images/20220613/b82443d41b4d4fe69f21c0036a1069c2.png
[ggplot2_001- 20]: /images/20220613/63ceae74a7bc4e3cb0452f1daa13a447.png
[ggplot2_001- 21]: /images/20220613/9a765330f8ac49329d11d888e55ed690.png
[ggplot2_001- 22]: /images/20220613/d503e7beb8d2431aa91d9b939c692ffb.png
[ggplot2_001- 23]: /images/20220613/6974670174ca4a14b717a7f01f920f2f.png
[ggplot2_001- 24]: /images/20220613/9e23a597b2584cecaa60775e528d0a67.png
[ggplot2_001- 25]: /images/20220613/28dc7612a2f3455eb5cebfdc97cb1e12.png
[ggplot2_001- 26]: /images/20220613/585d81d10e134d5eae12a4ba3dd8eb78.png
[ggplot2_001- 27]: /images/20220613/a8ac467e4b4848029e766a7f3925d6bc.png
[ggplot2_001- 28]: /images/20220613/53085d738d3141e6b04388e57532e3af.png