R语言做数据可视化分析
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50篇原创文章，关于数据可视化分析。
阅读完本文，你可以知道：
1 R语言的可视化包？
2 R语言实现常用的可视化？
我们身处数据时代，我们倡导数字经济，我们都是数据人。因此，我们合理分析数据以发现有意义的洞见就显得尤为重要。
数据可视化分析是一个重要的工具，可以让你从数据中挖掘出关键的洞见。如果你的分析结果能够恰当的可视化，那可以与利益相关者做有效地沟通。
1 graphics包，R语言base包之一，用于绘制基础的可视化图形，例如：散点图、盒箱图等。
2 lattice包，它在graphics包的基础上做了改进和拓新，适用于多变量数据可视化分析。
3 ggplot2包，它基于Grammar of Graphics的原理设计和实现各种复杂的可视化，把可视化采用分图层叠加的方式来创建。
4 plotly包，它利用开源JavaScript图形库创建可交互式的Web图形。
等等
数据准备，选择了R语言自带的2个数据集，分别如下：
1airquality:1973年5月到9月纽约每日的空气质量测量
2mtcars:Motor Trend Car Road Tests
加载R包和数据集
参考代码
# 加载R包
library(pacman)
p_load(lattice, ggplot2, plotly)
# 数据准备
data("airquality")
data("mtcars")
数据可视化
1 graphics包画图
1.1 散点图
参考代码
# 1.1 散点图
plot(airquality$Ozone, airquality$Wind)
结论：
Wind与Ozone具有一定的负相关性。
1.2 散点图矩阵
参考代码
# 1.2 散点图矩阵
plot(airquality)
1.3 点线图
参考代码
# 1.3 点线图
plot(airquality$Ozone, type = 'b')
1.4 图形添加标签和标题
参考代码
# 1.4 添加标签和标题
plot(airquality$Ozone,
xlab = '观察的index',
ylab = '臭氧的浓度',
main = '纽约的臭氧水平',
col = 'green')
1.5 柱状图
参考代码
# 1.5 柱状图
barplot(airquality$Ozone,
main = '空气中臭氧的浓度',
xlab = 'ozone levels',
col='red',
horiz = FALSE)
1.6 直方图
参考代码
# 1.6 直方图
hist(airquality$Solar.R,
main = '空气中太阳辐射度的值',
xlab = 'Solar rad.',
col='red')
1.7 盒箱图
参考代码
# 1.7 盒箱图
boxplot(airquality[,0:4],
main='多变量盒箱图')
1.8 多图组合展示
参考代码
# 1.8 多图组合展示
par(mfrow=c(3,3), mar=c(2,5,2,1), las=1, bty="n")
plot(airquality$Ozone)
plot(airquality$Ozone, airquality$Wind)
plot(airquality$Ozone, type= "c")
plot(airquality$Ozone, type= "s")
plot(airquality$Ozone, type= "h")
barplot(airquality$Ozone,
main = 'Ozone Concenteration in air',
xlab = 'ozone levels',
col='red',
horiz = TRUE)
hist(airquality$Solar.R)
boxplot(airquality$Solar.R)
boxplot(airquality[,0:4],
main='多变量盒箱图')
2 lattice包画图
2.1 散点图矩阵
参考代码
# 2.1 散点图矩阵
splom(mtcars[c(1,3,4,5,6)], main="MTCARS Data")
2.2 两个因子约束下的散点图
参考代码
# 2.2 两个因子约束的散点图
# 因子变量类型
gear_factor <- factor(mtcars$gear,levels=c(3,4,5),
labels=c("3gears","4gears","5gears"))
cyl_factor <- factor(mtcars$cyl,levels=c(4,6,8),
labels=c("4cyl","6cyl","8cyl"))
xyplot(mtcars$mpg ~ mtcars$wt|cyl_factor*gear_factor,
main="Scatterplots : Cylinders and Gears",
ylab="Miles/Gallon",
xlab="Weight of Car")
3 ggplot2包画图
3.1 散点图
参考代码
# 3.1 散点图
ggplot(data = mtcars, mapping = aes(x = wt, y = mpg)) +
geom_point() +
theme_classic()
3.2 图形修饰
参考代码
# 3.2 图形修饰
ggplot(data = mtcars,
mapping = aes(x = wt,
y = mpg,
color = as.factor(cyl),
size = qsec)) +
geom_point() +
theme_classic()
4 plotly包画图
4.1 散点图
参考代码
# 4.1 散点图
p <- plot_ly(data = mtcars, x = ~hp, y = ~wt)
p
4.2 多直线图
参考代码
# 4.2 多直线图
data1 <- rnorm(100, mean = 10)
data2 <- rnorm(100, mean = 0)
data3 <- rnorm(100, mean = -10)
x <- c(1:100)
data <- data.frame(x, data1, data2, data3)
p <- plot_ly(data, x = ~x)%>%
add_trace(y = ~data1, name = 'data1',mode = 'lines') %>%
add_trace(y = ~data2, name = 'data2', mode = 'lines+markers') %>%
add_trace(y = ~data3, name = 'data3', mode = 'markers')
p
参考网址：
1https://towardsdatascience.com/a-guide-to-data-visualisation-in-r-for-beginners-ef6d41a34174
附录：完整参考代码
####################
#R语言做数据可视化分析
###################
# 加载R包
library(pacman)
p_load(lattice, ggplot2, plotly)
# 数据准备
data("airquality")
data("mtcars")
# 1 graphics包画图
# 1.1 散点图
plot(airquality$Ozone, airquality$Wind)
# 1.2 散点图矩阵
plot(airquality)
# 1.3 点线图
plot(airquality$Ozone, type = 'b')
# 1.4 添加标签和标题
plot(airquality$Ozone,
xlab = '观察的index',
ylab = '臭氧的浓度',
main = '纽约的臭氧水平',
col = 'green')
# 1.5 柱状图
barplot(airquality$Ozone,
main = '空气中臭氧的浓度',
xlab = 'ozone levels',
col='red',
horiz = FALSE)
# 1.6 直方图
hist(airquality$Solar.R,
main = '空气中太阳辐射度的值',
xlab = 'Solar rad.',
col='red')
# 1.7 盒箱图
boxplot(airquality[,0:4],
main='多变量盒箱图')
# 1.8 多图组合展示
par(mfrow=c(3,3), mar=c(2,5,2,1), las=1, bty="n")
plot(airquality$Ozone)
plot(airquality$Ozone, airquality$Wind)
plot(airquality$Ozone, type= "c")
plot(airquality$Ozone, type= "s")
plot(airquality$Ozone, type= "h")
barplot(airquality$Ozone,
main = 'Ozone Concenteration in air',
xlab = 'ozone levels',
col='red',
horiz = TRUE)
hist(airquality$Solar.R)
boxplot(airquality$Solar.R)
boxplot(airquality[,0:4],
main='多变量盒箱图')
# 2 lattice包画图
# 2.1 散点图矩阵
splom(mtcars[c(1,3,4,5,6)], main="MTCARS Data")
# 2.2 两个因子组合的散点图
# 因子变量类型
gear_factor <- factor(mtcars$gear,levels=c(3,4,5),
labels=c("3gears","4gears","5gears"))
cyl_factor <- factor(mtcars$cyl,levels=c(4,6,8),
labels=c("4cyl","6cyl","8cyl"))
xyplot(mtcars$mpg ~ mtcars$wt|cyl_factor*gear_factor,
main="Scatterplots : Cylinders and Gears",
ylab="Miles/Gallon",
xlab="Weight of Car")
# 3 ggplot2包画图
# 3.1 散点图
ggplot(data = mtcars, mapping = aes(x = wt, y = mpg)) +
geom_point() +
theme_classic()
# 3.2 图形修饰
ggplot(data = mtcars,
mapping = aes(x = wt, y = mpg, color = as.factor(cyl), size = qsec)) +
geom_point() +
theme_classic()
# 4 plotly包画图
# 4.1 散点图
p <- plot_ly(data = mtcars, x = ~hp, y = ~wt)
p
# 4.2 多直线图
data1 <- rnorm(100, mean = 10)
data2 <- rnorm(100, mean = 0)
data3 <- rnorm(100, mean = -10)
x <- c(1:100)
data <- data.frame(x, data1, data2, data3)
p <- plot_ly(data, x = ~x)%>%
add_trace(y = ~data1, name = 'data1',mode = 'lines') %>%
add_trace(y = ~data2, name = 'data2', mode = 'lines+markers') %>%
add_trace(y = ~data3, name = 'data3', mode = 'markers')
p
关于R语言做数据可视化，您有什么想法请留言。
需要深入交流和沟通，请加我的微信：luqin360。备注：实名+工作或者专业，否则不会通过。
数据思考与践行
文章推荐
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！
你可能也喜欢
白介素-17受体信号的自主激活，维持炎症并促进疾病进展
MCT4依赖的乳酸分泌抑制LKB1缺陷肺腺癌的抗肿瘤免疫
