ggplot2|线性回归图

专题介绍：R是一种广泛用于数据分析和统计计算的强大语言，于上世纪90年代开始发展起来。得益于全世界众多爱好者的无尽努力，大家继而开发出了一种基于R但优于R基本文本编辑器的R Studio（用户的界面体验更好）。也正是由于全世界越来越多的数据科学社区和用户对R包的慷慨贡献，让R语言在全球范围内越来越流行。其中一些R包，例如MASS，SparkR， ggplot2，使数据操作,可视化和计算功能越来越强大。R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。R作为一种统计分析软件，是集统计分析与图形显示于一体的。它可以运行于UNIX、Windows和Macintosh的操作系统上，而且嵌入了一个非常方便实用的帮助系统，相比于其他统计分析软件，R的学术性开发比较早，适合生物学和医学等学术学科的科研人员使用。

是新朋友吗？记得先点R语言关注我哦～

《R语言实践》专栏·第8篇

文 | RUser

3007字 |8分钟阅读

【R语言】开通了R语言群，大家相互学习和交流，请扫描下方二维码，备注：姓名-R群，我会邀请你入群，一起进步和成长。

我们先回顾一下，我已经总结和分享了ggplot2包绘制折线图、面积图、柱形图、散点图和气泡图等，相关文章如下：

本文介绍ggplot2包绘制线性回归图。

一、为什么要画线性回归图？

当两个连续变量的散点图满足某种线性关系时，利用线性回归图可以进一步描述这种线性关系。在散点图上，把线性回归模型可视化，从而形成了线性回归图。由此可知，画线性回归图，第一步，绘制散点图；第二步，构建变量之间的线性回归模型，第三，根据模型所学参数，添加线性直线。

二、线性回归图案例

第一步：R包管理。

# R 包管理library(pacman)p_load(ggplot2, ggthemes, grid, dplyr, HistData)p_load(ggfortify)

第二步：数据导入和理解

data("Galton")?Galtonstr(Galton)head(Galton)summary(Galton)

第三步：拟合一个线性回归模型。

数学表达式：

# 3 线性回归表达式fit <- lm(child ~ parent, data = Galton)summary(fit)

第四步：绘制基础的线性回归图

p1 <- ggplot(  data = Galton,  mapping = aes(x = parent, y = child)) +  geom_point(shape = 1) +  geom_smooth(method = 'lm')p1

第五步：不显示置信度区间

p2 <- ggplot(  data = Galton,  mapping = aes(x = parent, y = child)) +  geom_point(shape = 1) +  geom_smooth(method = 'lm', se = FALSE)p2

第六步：图形修饰

6.1 定制轴标签

p3 <- p2 + scale_x_continuous(name = "Parent height") +  scale_y_continuous(name = "Child height")p3

6.2 增加标题

p4 <- p3 +   labs(title = "Galton regression line",       subtitle = "Source: R Core Team")p4

6.3 主题使用

1）经济学主题

# 字体设置windowsFonts(  # 中文字体  lishu = windowsFont(family = "LiSu"),            # 隶书  yahei = windowsFont(family = "Microsoft YaHei"), # 微软雅黑  xinwei = windowsFont(family = "STXingwei"),      # 华文新魏  kaiti = windowsFont(family = "KaiTi"),           # 楷体  heiti = windowsFont(family = "SimHei"),          # 黑体  # 英文字体  arial = windowsFont(family = "Arial"),             # Arial字体  newman = windowsFont(family = "Times New Roman"),  #Times New Roman字体     hand = windowsFont(family = "Lucida Calligraphy"), # Lucida手写体  Helvetica = windowsFont(family = "Helvetica")      # 印刷体)# 经济学主题p5 <- ggplot(Galton, aes(x = parent, y = child)) +  geom_point(shape = 1) + geom_smooth(method = lm, se = FALSE) +  labs(title = "Galton regression line",       subtitle = "Source: R Core Team") +  scale_x_continuous(name = "Parent height") +  scale_y_continuous(name = "Child height") +  theme_economist() + scale_fill_economist() +  theme(axis.line.x = element_line(size = 1, colour = "black"),        axis.title = element_text(size = 12),        legend.position = "bottom",        legend.direction = "horizontal",        legend.box = "horizontal",        legend.text = element_text(size = 10),        text = element_text(family = "yahei"),        plot.title = element_text(family = "yahei"))p5

2）自定义主题

p6 <-  ggplot(Galton, aes(x = parent, y = child)) +  geom_point(shape = 1) + geom_smooth(method = lm, se = FALSE) +  labs(title = "Galton regression line",       subtitle = "Source: R Core Team") +  scale_x_continuous(name = "Parent height") +  scale_y_continuous(name = "Child height") +  theme(panel.border = element_rect(colour = "black", fill = NA, size = .5),        axis.text.x = element_text(colour = "black", size = 9),        axis.text.y = element_text(colour = "black", size = 9),        legend.position = "bottom",        legend.direction = "horizontal",        legend.box = "horizontal",        panel.grid.major = element_line(colour = "#d3d3d3"),        panel.grid.minor = element_blank(),        panel.background = element_blank(),        plot.title = element_text(size = 14, family = "Helvetica", face = "bold"),        text = element_text(family = "Helvetica"))p6

第七步：线性回归模型诊断可视化

1）经济学主题

autoplot(fit, label.size = 3) + theme_economist() +  theme(panel.border = element_rect(colour = "black",                                    fill = NA, size = .5),        axis.text.x = element_text(colour = "black", size = 9),        axis.text.y = element_text(colour = "black", size = 9),        panel.background = element_blank(),        plot.title = element_text(family = "arial"),        text = element_text(family = "arial"))

2）Five Thirty Eight 主题

autoplot(fit, label.size = 3) + theme_fivethirtyeight() +  theme(axis.title = element_text(family = "Atlas Grotesk Regular"),        axis.text.x = element_text(colour = "black", size = 9),        axis.text.y = element_text(colour = "black", size = 9),        legend.position = "bottom",        legend.direction = "horizontal",        legend.box = "horizontal",        plot.title = element_text(family = "yahei", size = 16),        text = element_text(family = "yahei"))

关于线性回归图的绘制，你有什么问题，请留言。

加入R语言群，一起学习更多R语言知识和技能。

附录：完整代码

###########
#线性回归图
##########

# 1 R 包管理
library(pacman)
p_load(ggplot2, ggthemes, grid, dplyr, HistData)
p_load(ggfortify)

# 2 数据导入和理解
data("Galton")
?Galton
str(Galton)
head(Galton)
summary(Galton)

# 3 线性回归表达式
fit <- lm(child ~ parent, data = Galton)
summary(fit)

# 4 绘制基础的线性回归图
p1 <- ggplot(
  data = Galton,
  mapping = aes(x = parent, y = child)
) +
  geom_point(shape = 1) +
  geom_smooth(method = 'lm')
p1

# 5 不显示置信度区间
p2 <- ggplot(
  data = Galton,
  mapping = aes(x = parent, y = child)
) +
  geom_point(shape = 1) +
  geom_smooth(method = 'lm', se = FALSE)
p2

# 6 图形修饰
# 6.1 定制轴标签
p3 <- p2 + scale_x_continuous(name = "Parent height") +
  scale_y_continuous(name = "Child height")
p3

# 6.2 增加标题
p4 <- p3 + 
  labs(title = "Galton regression line",
       subtitle = "Source: R Core Team")
p4

# 6.3 主题使用
# 字体设置
windowsFonts(
  # 中文字体
  lishu = windowsFont(family = "LiSu"),            # 隶书
  yahei = windowsFont(family = "Microsoft YaHei"), # 微软雅黑
  xinwei = windowsFont(family = "STXingwei"),      # 华文新魏
  kaiti = windowsFont(family = "KaiTi"),           # 楷体
  heiti = windowsFont(family = "SimHei"),          # 黑体
  # 英文字体
  arial = windowsFont(family = "Arial"),             # Arial字体
  newman = windowsFont(family = "Times New Roman"),  #Times New Roman字体   
  hand = windowsFont(family = "Lucida Calligraphy"), # Lucida手写体
  Helvetica = windowsFont(family = "Helvetica")      # 印刷体
)
# 1）经济学主题
p5 <- ggplot(Galton, aes(x = parent, y = child)) +
  geom_point(shape = 1) + geom_smooth(method = lm, se = FALSE) +
  labs(title = "Galton regression line",
       subtitle = "Source: R Core Team") +
  scale_x_continuous(name = "Parent height") +
  scale_y_continuous(name = "Child height") +
  theme_economist() + scale_fill_economist() +
  theme(axis.line.x = element_line(size = 1, colour = "black"),
        axis.title = element_text(size = 12),
        legend.position = "bottom",
        legend.direction = "horizontal",
        legend.box = "horizontal",
        legend.text = element_text(size = 10),
        text = element_text(family = "yahei"),
        plot.title = element_text(family = "yahei"))
p5

# 2）自定义主题
p6 <-  ggplot(Galton, aes(x = parent, y = child)) +
  geom_point(shape = 1) + geom_smooth(method = lm, se = FALSE) +
  labs(title = "Galton regression line",
       subtitle = "Source: R Core Team") +
  scale_x_continuous(name = "Parent height") +
  scale_y_continuous(name = "Child height") +
  theme(panel.border = element_rect(colour = "black", fill = NA, size = .5),
        axis.text.x = element_text(colour = "black", size = 9),
        axis.text.y = element_text(colour = "black", size = 9),
        legend.position = "bottom",
        legend.direction = "horizontal",
        legend.box = "horizontal",
        panel.grid.major = element_line(colour = "#d3d3d3"),
        panel.grid.minor = element_blank(),
        panel.background = element_blank(),
        plot.title = element_text(size = 14, family = "Helvetica", face = "bold"),
        text = element_text(family = "Helvetica"))
p6

# 7 线性回归模型诊断可视化
# 1）经济学主题
autoplot(fit, label.size = 3) + theme_economist() +
  theme(panel.border = element_rect(colour = "black",
                                    fill = NA, size = .5),
        axis.text.x = element_text(colour = "black", size = 9),
        axis.text.y = element_text(colour = "black", size = 9),
        panel.background = element_blank(),
        plot.title = element_text(family = "arial"),
        text = element_text(family = "arial"))
# 2）fivethirtyeight 主题
autoplot(fit, label.size = 3) + theme_fivethirtyeight() +
  theme(axis.title = element_text(family = "Atlas Grotesk Regular"),
        axis.text.x = element_text(colour = "black", size = 9),
        axis.text.y = element_text(colour = "black", size = 9),
        legend.position = "bottom",
        legend.direction = "horizontal",
        legend.box = "horizontal",
        plot.title = element_text(family = "yahei", size = 16),
        text = element_text(family = "yahei"))

伙伴们，我最近在重温李宏毅老师的机器学课程，并且做了一份学习笔记。你若是想学习和应用机器学习，强烈推荐你进入数据科学与人工智能公众号，查看我的学习笔记，亮点是1）点击阅读原文，就可以在手机上非常方便地观看课程视频；2）加入配套的机器学习群，参与讨论和交流，让我们一起来学习和应用机器学习。

你若是要找数据类的工作，或者要招聘数据类人才，可以看下公众号数据人才，它是一个数据人才助手。

我们每天都在学习，我们如何高效学习呢？给大家推荐：费尔曼学习法。（温馨提示：因为要参与视频号教育博主认证，请伙伴们关注、点赞、评论和分享，给予支持，深表感谢。）

好书推荐

1 R语言做商业智能，助你提高商业生产率

2 用R、tidyverse和mlr做机器学习

3 推断统计与数据科学，moderndive和tidyverse包

4 R for machine learning,从经典的机器学习算法入手

5 R for everyone,人人都可学R和用R，以发现数据里的价值

请关注“恒诺新知”微信公众号，感谢“R语言“，”数据那些事儿“，”老俊俊的生信笔记“，”冷🈚️思“，“珞珈R”，“生信星球”的支持！