《R for Data Science (2e)》免费中文翻译 (第9章) --- Layers（2）

 

写在前面

本系列推文为《R for Data Science (2)》的中文翻译版本。所有内容都通过开源免费的方式上传至Github，欢迎大家参与贡献，详细信息见：
Books-zh-cn 项目介绍：
Books-zh-cn：开源免费的中文书籍社区
r4ds-zh-cn Github 地址：
https://github.com/Books-zh-cn/r4ds-zh-cn
r4ds-zh-cn 网站地址：
https://books-zh-cn.github.io/r4ds-zh-cn/

---

目录

• 9.5 统计转换

• 9.6 位置调整

• 9.7 坐标系统

• 9.8 图形的分层语法

• 9.9 总结

9.5 统计转换

考虑使用 geom_bar() 或 geom_col() 绘制的基本条形图（bar chart）。 下图显示了 diamonds 数据集中的钻石（diamonds）总数，按 cut 分组。diamonds 数据集位于 ggplot2 包中，包含 ~54,000 颗钻石的信息，包括每颗钻石的 price, carat, color, clarity, and cut。 该图表显示，高质量 cuts 的钻石数量多于低质量 cuts 的钻石。

ggplot(diamonds, aes(x = cut)) + geom_bar()

 

在 x-axis，图表显示 cut，这是 diamonds 的一个变量。 在 y-axis，它显示 count，但 count 不是 diamonds 中的变量！ count 从何而来？ 许多图表，例如 scatterplots，都会绘制数据集的原始值。 其他图表，例如 bar charts，会计算要绘制的新值：

• Bar charts, histograms, and frequency polygons 对数据进行分 bin，然后绘制 bin counts，即每个 bin 中的点数。

• Smoothers 将模型拟合到您的数据，然后根据模型绘制预测。

• Boxplots 计算分布的 five-number summary，然后将该 summary 显示为特殊格式的 box。

用于计算图形新值的算法称为 stat，是统计变换（statistical transformation）的缩写。Figure 9.2 显示了此过程如何与 geom_bar() 配合使用。

 

Figure 9.2: 创建条形图时，我们首先从原始数据开始，然后将其聚合以计算每个条形中的观察值数量，最后映射这些计算变量以绘制美观的图。

您可以通过检查 stat 参数的默认值来了解 geom 使用哪个 stat。 例如，?geom_bar 显示 stat 的默认值为 "count"，这意味着 geom_bar() 使用 stat_count()。stat_count() 与 geom_bar() 记录在同一页面上。 如果向下滚动，名为 "Computed variables" 的部分会解释它计算两个新变量：count 和 prop。

每个 geom 都有一个默认的 stat；每个 stat 都有一个默认的 geom。 这意味着您通常可以使用 geoms，而不必担心底层的统计转换。 但是，您可能需要显式使用 stat 的三个原因如下：

1. 您可能想要覆盖默认 stat。 在下面的代码中，我们将 geom_bar() 的 stat 从 count （默认）更改为 identity。 这让我们可以将条形的高度映射到 y 变量的原始值。

   diamonds |>count(cut) |>ggplot(aes(x = cut, y = n)) +geom_bar(stat = "identity")
   

    

   

2. 您可能想要覆盖从转换变量到美学的默认映射。 例如，您可能想要显示比例条形图，而不是计数：

   ggplot(diamonds, aes(x = cut, y = after_stat(prop), group = 1)) + geom_bar()
   

    

   

   要查找可由 stat 计算的可能变量，请在 geom_bar() 的帮助中查找标题为 "computed variables" 的部分。

3. 您可能希望更加关注代码中的统计转换。 例如，您可以使用 stat_summary()，它总结每个唯一 x 值的 y 值，以引起人们对您正在计算的 summary 的注意：

   ggplot(diamonds) + stat_summary(aes(x = cut, y = depth),fun.min = min,fun.max = max,fun = median)
   

    

   

ggplot2 提供了 20 多种 stats 供您使用。 每个 stat 都是一个函数，因此您可以通过通常的方式获得帮助，例如 ?stat_bin。

9.5.1 练习

1. 与 stat_summary() 关联的默认 geom 是什么？ 如何重写前面的绘图以使用 geom 函数而不是 stat 函数？

2. geom_col() 的作用是什么？ 它与 geom_bar() 有什么不同？

3. 大多数 geoms 和 stats 都是成对出现的，几乎总是一起使用。 列出所有配对的列表。 他们有什么共同点？ （提示：通读文档。）

4. stat_smooth() 计算哪些变量？ 什么参数控制其行为？

5. 在我们的比例条形图中，我们需要设置 group = 1。 为什么呢？换 句话说，这两张图有什么问题呢？

   ggplot(diamonds, aes(x = cut, y = after_stat(prop))) + geom_bar()
   ggplot(diamonds, aes(x = cut, fill = color, y = after_stat(prop))) + geom_bar()
   

9.6 位置调整

条形图还有一个神奇之处。 您可以使用 color aesthetic 或更有用的 fill aesthetic 来为条形图着色：

# Left
ggplot(mpg, aes(x = drv, color = drv)) + geom_bar()# Right
ggplot(mpg, aes(x = drv, fill = drv)) + geom_bar()

 

请注意，如果将 fill aesthetic 映射到另一个变量（例如 class），会发生什么：条形图会自动堆叠（stacked）。 每个彩色矩形代表 drv 和 class 的组合。

ggplot(mpg, aes(x = drv, fill = class)) + geom_bar()

 

使用 position 参数指定的位置调整（position adjustment）自动执行堆叠。 如果您不需要堆叠条形图，可以使用其他三个选项之一："identity", "dodge" or "fill"。

• position = "identity" 将把每个对象准确地放置在图表上下文中的位置。 这对于条形图来说不是很有用，因为它会导致重叠。 要看到重叠，我们需要通过将 alpha 设置为较小的值来使条形稍微透明，或者通过设置 fill = NA 使条形完全透明。

  # Left
  ggplot(mpg, aes(x = drv, fill = class)) + geom_bar(alpha = 1/5, position = "identity")# Right
  ggplot(mpg, aes(x = drv, color = class)) + geom_bar(fill = NA, position = "identity")
  

   

  

  identity position 调整对于 2d geoms 更有用，例如 points，它是默认值。

• position = "fill" 的工作方式类似于堆叠（stacking），但使每组堆叠的条形高度相同。 这使得比较不同组之间的比例变得更加容易。

• position = "dodge" 将重叠的对象直接放在一起。 这使得比较各个值变得更容易。

  # Left
  ggplot(mpg, aes(x = drv, fill = class)) + geom_bar(position = "fill")# Right
  ggplot(mpg, aes(x = drv, fill = class)) + geom_bar(position = "dodge")
  

   

  

还有另一种类型的调整对于条形图没有用，但对于散点图非常有用。 回想一下我们的第一个散点图。 您是否注意到该图仅显示 126 个点，即使数据集中有 234 个观测值？

 

hwy 和 displ 的基础值是四舍五入的，因此这些点出现在网格上，并且许多点彼此重叠。 此问题称为过度绘图（overplotting）。这 种安排使得很难看到数据的分布。 数据点是否均匀分布在整个图表中，或者是否存在包含 109 个值的 hwy 和 displ 的一种特殊组合？

您可以通过将位置调整设置为 "jitter" 来避免这种网格化。position = "jitter" 为每个点添加少量随机噪声。 这会将点分散开，因为没有两个点可能接收到相同数量的随机噪声。

ggplot(mpg, aes(x = displ, y = hwy)) + geom_point(position = "jitter")

 

添加随机性似乎是改善绘图的一种奇怪方法，但虽然它会使您的图表在小尺度上不太准确，但它会使您的图表在大尺度上更具启发性。 因为这是一个非常有用的操作，所以 ggplot2 附带了 geom_point(position = "jitter") 的简写形式：geom_jitter()。

要了解有关 position adjustment 的更多信息，请查找与每个调整相关的帮助页面：?position_dodge, ?position_fill, ?position_identity, ?position_jitter, and ?position_stack。

9.6.1 练习

1. 下面的绘图有什么问题吗？ 你可以如何改进它？

   ggplot(mpg, aes(x = cty, y = hwy)) + geom_point()
   

2. 两个图之间有什么区别（如果有的话）？为 什么？

   ggplot(mpg, aes(x = displ, y = hwy)) +geom_point()
   ggplot(mpg, aes(x = displ, y = hwy)) +geom_point(position = "identity")
   

3. geom_jitter() 的哪些参数控制抖动量？

4. 将 geom_jitter() 与 geom_count() 进行比较和对比。

5. geom_boxplot() 的默认位置调整是多少？ 创建 mpg 数据集的可视化来演示它。

9.7 坐标系统

坐标系统（Coordinate systems）可能是 ggplot2 中最复杂的部分。 默认坐标系是笛卡尔坐标系，其中 x 和 y 位置独立作用以确定每个点的位置。 还有另外两个坐标系偶尔会有帮助。

• coord_quickmap() 正确设置地理地图的纵横比。 如果您使用 ggplot2 绘制空间数据，这一点非常重要。 本书没有足够的篇幅来讨论地图，但您可以在 ggplot2: Elegant graphics for data analysis 的 Maps chapter 了解更多信息。

  nz <- map_data("nz")ggplot(nz, aes(x = long, y = lat, group = group)) +geom_polygon(fill = "white", color = "black")ggplot(nz, aes(x = long, y = lat, group = group)) +geom_polygon(fill = "white", color = "black") +coord_quickmap()
  

   

  

• coord_polar() 使用极坐标。 极坐标揭示了 bar chart 和 Coxcomb chart 之间的有趣联系。

  bar <- ggplot(data = diamonds) + geom_bar(mapping = aes(x = clarity, fill = clarity), show.legend = FALSE,width = 1) + theme(aspect.ratio = 1)bar + coord_flip()
  bar + coord_polar()
  

   

  

9.7.1 练习

1. 使用 coord_polar() 将 stacked bar chart 转换为 pie chart。

2. coord_quickmap() 和 coord_map() 有什么区别？

3. 下图告诉您什么关于城市和高速公路 mpg 之间的关系？ 为什么 coord_fixed() 很重要？geom_abline() 的作用是什么？

   ggplot(data = mpg, mapping = aes(x = cty, y = hwy)) +geom_point() + geom_abline() +coord_fixed()
   

9.8 图形的分层语法

我们可以通过添加 position adjustments, stats, coordinate systems, and faceting 来扩展您在 Section 1.3 中学到的图形模板：

ggplot(data = <DATA>) + <GEOM_FUNCTION>(mapping = aes(<MAPPINGS>),stat = <STAT>, position = <POSITION>) +<COORDINATE_FUNCTION> +<FACET_FUNCTION>

我们的新模板采用七个参数，即模板中出现的括号内的单词。 在实践中，您很少需要提供所有七个参数来制作图表，因为 ggplot2 将为除 data、mappings、 、geom 函数之外的所有内容提供有用的默认值。

模板中的七个参数组成了图形语法，这是一个用于构建绘图的正式系统。 图形语法基于这样的见解：您可以将任何绘图独特地描述为 a dataset、a geom、a set of mappings、a stat、a position adjustment、a coordinate system、a faceting scheme、a theme 的组合。

要了解其工作原理，请考虑如何从头开始构建基本图：您可以从 dataset 开始，然后将其转换为您想要显示的信息（with a stat）。 接下来，您可以选择一个 geometric object 来表示转换数据中的每个观测值。 然后，您可以使用 geoms 的 aesthetic properties 来表示数据中的变量。 您可以将每个变量的值 map 到 aesthetic 水平。 这些步骤如 Figure 9.3 所示。 然后，您可以选择一个 coordinate system 来放置 geoms，使用对象的位置（其本身就是一种美学属性）来显示 x 和 y 变量的值。

 

Figure 9.3: 从原始数据到频率表再到条形图的步骤，其中条形的高度代表频率。

此时，您将拥有一个完整的图形，但您可以进一步调整坐标系内 geoms 的位置（a position adjustment）或将图形拆分为子图（faceting）。 您还可以通过添加一个或多个附加图层来扩展绘图，其中每个附加图层都使用 a dataset, a geom, a set of mappings, a stat, and a position adjustment。

您可以使用此方法来构建您想象的任何绘图。 换句话说，您可以使用本章中学到的代码模板来构建数十万个独特的绘图。

如果您想了解更多关于 ggplot2 的理论基础，您可能会喜欢阅读 "The Layered Grammar of Graphics"，这是一篇详细描述 ggplot2 理论的科学论文: https://vita.had.co.nz/papers/layered-grammar.pdf。

9.9 总结

在本章中，您学习了图形的分层语法，从 aesthetics 和 geometries 开始构建简单的绘图，将绘图 facets 成子集，了解如何计算 geoms 的 statistics，在 geoms 可能发生变化时控制位置细节以避免重叠的 position adjustments。 coordinate systems 允许您从根本上改变 x 和 y 的含义。 我们还没有触及的一层是 theme，我们将在 Section 11.5 中介绍它。

ggplot2 cheatsheet (which you can find at https://posit.co/resources/cheatsheets) 和 ggplot2 package website (https://ggplot2.tidyverse.org) 是了解完整 ggplot2 功能的两个非常有用的资源。

从本章中你应该学到的一个重要教训是，当你觉得需要 ggplot2 未提供的 geom 时，最好看看其他人是否已经通过创建一个 ggplot2 扩展包来解决你的问题，该扩展包提供了那个 geom。

 

--------------- 本章结束 ---------------

 

本期翻译贡献：

• @TigerZ生信宝库

注：本文已开启快捷转载，欢迎大家转载，只需标明文章出处即可。