【R画图】使用R绘制其他图形之热图及网络图

热力图是一种非常常用的统计图形，该图将两个变量（一般是离散变量）的交叉汇总信息以颜色的形式展现出来，而映射给颜色变量的是连续型数值变量，下面就以例子说明热力图的优势：

#模拟数据集 set.seed(123) Year <- rep(2006:2015, each = 4) Quater <- rep(c('Q1','Q2','Q3','Q4'), times = 10) Counts <- round(runif(40, min = 10, max = 200)) df <- data.frame(Year = Year, Quater = Quater, Counts = Counts)

热力图可以通过stats包的heatmap()函数绘制，也可以通过ggplot2包中的geom_tile()函数或geom_raster()函数绘制，这里就以ggplot2包中的函数为例：

library(ggplot2) #使用geom_tile()函数 ggplot(data = df, mapping = aes(x = Year, y = Quater, fill = Counts)) + geom_tile() #或者使用geom_raster()函数 ggplot(data = df, mapping = aes(x = Year, y = Quater, fill = Counts)) + geom_raster()

两者绘制的结果区别不大，一般geom_raster()效率更高，且更适合打印。

哎？这里发现三个问题：

1）横坐标年怎么出现小数了？

2）一般认为颜色越深代表的值越大，这里恰好相反

3）季度坐标从上到下正好是反的季度顺序，能否颠倒一下？

解决办法：

1）将横坐标年份离散化，改为因子

2）只需将默认颜色颠倒一下即可：scale_fill_continuous(low = '#56B1F7', high = '#132B43')

3）对于离散变量可以使用scale_y_discrete(limits=c('Q4','Q3','Q2','Q1'))方法实现颠倒，对于连续变量可以直接使用scale_y_reverse()实现刻度的颠倒

具体操作如下：

ggplot(data = df, mapping = aes(x = factor(Year), y = Quater, fill = Counts)) + geom_tile() + scale_fill_continuous(low = '#56B1F7', high = '#132B43') + scale_y_discrete(limits=c('Q4','Q3','Q2','Q1')) + xlab('Year')

这样就能非常快速的查看到哪年那季度的数量较多和较少，总比单纯的数字形式要强：

head(df, 10)

很显然，这是一个长形表，如何将其转换为宽形表呢？这里使用tidyr包中的spread()函数加以实现

#长形表变宽形表 library(tidyr) spread(data = df, key = Quater, value = Counts)

这就是将一个长形表变为宽形表后呈现的数值交叉表，如果这样一个数据给老板看，老板肯定会不耐烦。

还有一种常用的图是网络图，网络图一般用于描述关系强弱或路径分析等，通过网络图可以非常直观的发现数据之间的关联。R中igraph包中的graph()或data.frame.graph()函数实现网络图的绘制。这里仍然以案例的形式展示网络图的绘制：

#使用gcookbook包中的madmen数据集 library(gcookbook) head(madmen)

#加载igraph包 library(igraph) opar <- par(no.readonly = TRUE) par(mar = c(0,0,0,0)) #选择layout.fruchterman.reingold布局，绘制有方向的网络图 g <- graph.data.frame(madmen, directed = TRUE) plot(g, layout = layout.fruchterman.reingold, vertex.size = 8, edge.arrow.size = 0.5, vertex.label = NA) par(opar)

很简单，一幅网络图就绘制好了，通过箭头就可以知道节点与节点之间的方向，也可以看出哪些人物是核心人物。下面用圆形布局绘制网络图：

opar <- par(no.readonly = TRUE) par(mar = c(0,0,0,0)) #选择layout.circle布局，绘制无方向的网络图 g <- graph.data.frame(madmen, directed = FALSE) plot(g, layout = layout.circle, vertex.size = 8, vertex.label = NA) par(opar)

上面的两幅网络图能够很清晰的看出哪些节点之间是紧密联系的，哪些节点是核心节点，但这里并没有具体显示这些节点都代表什么含义，下面看看如何为节点添加标签：

#查看标签内容 V(g)$name

#绘制带标签的节点 opar <- par(no.readonly = TRUE) par(mar = c(0,0,0,0)) g <- graph.data.frame(madmen, directed = FALSE) plot(g, layout = layout.fruchterman.reingold, vertex.size = 8, vertex.label = V(g)$name, vertex.label.cex = 0.6, vertex.label.dist = 0.5) par(opar)

这样是不是就非常清爽啦，就能够具体识别到哪些重要的节点了。

除此，我们还可以在节点与节点之间的连线上做文章，如设置连线的颜色、为某些特殊的连线加上标签、设置标签大小等。

#绘制带标签的节点 opar <- par(no.readonly = TRUE) par(mar = c(0,0,0,0)) g <- graph.data.frame(madmen, directed = FALSE)

这里使用另外一种形式来修改连线之间的属性，即E(g)格式：

#将所有连线设置为黑色 E(g)$color = 'black' #将指定连线设置为红色 E(g)[c(2,8,10)]$color = 'red' #将指定连线的变迁设置为L1,L2,L3 E(g)[c(2,8,10)]$label = c('L1','L2','L3') #设置标签属性和连续属性 plot(g, layout = layout.fruchterman.reingold, vertex.size = 8, vertex.label = V(g)$name, vertex.label.cex = 0.6, vertex.label.color = 'black', vertex.label.dist = 0.5, edge.label.cex = 0.8, edge.label.color = 'blue') par(opar)

更多关于网络图的绘制可查看igragh包帮助文档，帮助文档中有非常丰富的函数，可以绘制各种布局的网络图等。

参数资料：

R数据可视化手册

刘顺祥，数据分析师，热爱数据分析与挖掘工作，擅长使用Ｒ语言，目前自学Python语言。

严禁修改，可以转载，请注明出自数据人网和原文链接：http://shujuren.org/index.php/Article/update/aid/158

更多精彩内容，请点击阅读原文。

数据人网（http://shujuren.org)，数据人学习、交流和分享的家园，专注于从数据中学习，努力发觉数据之洞见，积极利用数据之价值。为“让人懂数据、用数据”之使命坚持做点事情。大家可以来投稿，做分享和传播，可以给反馈。您有什么想法，请反馈给我们，谢谢。数据人网，我们共建和共享。

数据人网构建了数据人圈子，诚邀热爱数据和利用数据朋友入群。加小编微信：luqin360，注明入圈子。