小白学数据可视化：单变量连续型可视化——直方图

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。

这是我的第5篇数据可视化（data visualization)的文章。

本文介绍对数据集中重要的连续型单一变量做可视化分析。比方说，金融科技里面用户信用评分的分布，世界各国的国民经济总产值分布等。我们可以使用直方图来揭示连续型单一变量的分布关系。

直方图简介

直方图，大家都不陌生。很多领域里面都会谈到，大同小异。数学里面，说到了直方图；数据分析里面，说到了直方图；数字图像处理里面，也说到了直方图。直方图，不仅仅是一种很有效的可视化分析工具，还是一种巧妙地特征工程方法。

如何做直方图呢?

第一步:对变量分箱。分箱要么指定箱子的数目（ggplot2的直方图默认值是30),要么指定箱子的宽度。
第二步：统计每个箱子所占的频数。
第三步: 针对各个箱子和对应的频数结果绘制图形（与Excel的柱状图相类似了）。

ggplot2包画直方图

第一步：加载R包

library(ggplot2)
library(scales)
library(dplyr)

第二步：准备数据集

# 构建业务场景的数据集
set.seed(1234)
data_df <- data.frame(
  sex = factor(rep(c('Female', 'Male'), each = 1000)),
  weight = round(c(rnorm(1000, mean = 55, sd = 5), rnorm(1000, mean = 65, 5)))
)

第三步：研究变量weight的分布
采用直方图，并且修饰和完善直方图

ggplot(data = data_df, mapping = aes(x = weight)) +
  geom_histogram() +
  labs(title = '体重分布图',
       x = 'weight')

接下来对每个柱子做修饰，利用参数fill填充柱子的颜色，参数color设计柱子边框的颜色。

ggplot(data = data_df, mapping = aes(x = weight)) +
  geom_histogram(fill = 'cornflowerblue',
                 color = 'white') +
  labs(title = '体重分布图',
       x = 'weight')

通过参数bins或者binwidth控制直方图所要展示的柱子数目。

ggplot(data = data_df, mapping = aes(x = weight)) +
  geom_histogram(fill = 'cornflowerblue',
                 color = 'white',
                 bins = 20) +
  labs(title = '体重分布图',
       subtitle = 'bins 的数目是20',
       caption = 'source:数据人网(http://shujuren.org)',
       x = 'weight')

或者

ggplot(data = data_df, mapping = aes(x = weight)) +
  geom_histogram(fill = 'coral',
                 color = 'white',
                 binwidth = 5) +
  labs(title = '体重分布图',
       subtitle = 'binwidth的宽度是5',
       caption = 'source:数据人网(http://shujuren.org)',
       x = 'weight')

直方图默认情况下是采用计数（count）表示，我们采用百分比来表示。

ggplot(data = data_df, mapping = aes(x = weight, y = ..count.. / sum(..count..))) +
  geom_histogram(fill = 'coral',
                 color = 'white',
                 binwidth = 5) +
  labs(title = '体重分布图',
       subtitle = 'bins 的数目是20',
       caption = 'source:数据人网(http://shujuren.org)',
       x = 'weight',
       y = '百分比') +
  scale_y_continuous(labels = percent)

ggplot2包利用ggplot()函数绘制的图像，返回值也可以记录为一个对象，类似变量一样，后续在其基础上，可以继续补充和完善。

在图像对象基础上增添平均线。

# 记录为一个图像对象
pic1 <- ggplot(data = data_df, mapping = aes(x = weight, y = ..count.. / sum(..count..))) +
  geom_histogram(fill = 'coral',
                 color = 'white',
                 binwidth = 5) +
  labs(title = '体重分布图',
       subtitle = 'bins 的数目是20',
       caption = 'source:数据人网(http://shujuren.org)',
       x = 'weight',
       y = '百分比') +
  scale_y_continuous(labels = percent)
# 添加平均线
pic1 + geom_vline(aes(xintercept = mean(weight)), 
                  color = 'blue', 
                  linetype = 'dashed',
                  size = 2)

在图像对象基础上增添核密度曲线。

pic1 + geom_density(aes(y = ..density..), alpha = .2, color = 'red', size = 2)

使用变量sex控制分组，并且对每个组添加均值线。

mean_df <- data_df %>% group_by(sex) %>% summarise(grp_mean = mean(weight))
ggplot(data = data_df, aes(x = weight, color = sex)) +
  geom_histogram(fill = 'white',
                 binwidth = 5,
                 position = 'dodge') +
  geom_vline(data = mean_df, aes(xintercept = grp_mean, color = sex), linetype = 'dashed', size = 2) +
  theme(legend.position = 'top')