ggplot2作图详解1：入门函数qplot
ggplot2的功能不用我们做广告，因为它的作者Hadley
Wickham就说ggplot2是一个强大的作图工具，它可以让你不受现有图形类型的限制，创造出任何有助于解决你所遇到问题的图形。一点也不谦虚。
H.W.还说了另外一句话，“学习ggplot2你得忘记一些东西”，所以也有人说ggplot2是作图软件中的太极功。有点高深。
那好吧，我就怀着无比崇敬的心情来学一学这太极图法。先安装软件包：
install.packages("ggplot2")
1 qplot函数参数
Hadley Wickham同学很善解人意，知道我们接受一种新事物不会太容易，所以设计了个qplot函数。qplot
即“快速作图”（quick plot），顾名思义，能快速对数据进行可视化分析。它的用法和R
base包的plot函数很相似，主要作用是让读者/用户在不知不觉中洗脑。先看看它的参数：
qplot(x, y = NULL, ..., data, facets = NULL,
margins = FALSE, geom = "auto", stat = list(NULL),
position = list(NULL), xlim = c(NA, NA),
ylim = c(NA, NA), log = "", main = NULL,
xlab = deparse(substitute(x)),
ylab = deparse(substitute(y)), asp = NA)
x, y： 意义明确，不用说了
这个可以有，为数据框（data.frame）类型；如果有这个参数，那么x，y的名称必需对应数据框中某列变量的名称
图形/数据的分面。这是ggplot2作图比较特殊的一个概念，它把数据按某种规则进行分类，每一类数据做一个图形，所以最终效果就是一页多图
margins： 是否显示边界
图形的几何类型（geometry），这又是ggplot2的作图概念。ggplot2用几何类型表示图形类别，比如point表示散点图、line表示曲线图、bar表示柱形图等。
统计类型（statistics），这个更加特殊。直接将数据统计和图形结合，这是ggplot2强大和受欢迎的原因之一。
position： 图形或者数据的位置调整，这不算太特殊，但对于图形但外观很重要
xlim, ylim, xlab, ylab, asp： 初步可以按照plot函数的相应参数来理解
作为入门的第一节，下面主要讲data和geom参数。
2 qplot做散点图
2.1 使用向量数据
和plot函数一样，如果不指定图形的类型，qplot默认做出散点图。对于给定的x和y向量做散点图，qplot用法也和plot函数差不多：
library(ggplot2)
x &- 1:1000
y &- rnorm(1000)
plot(x, y, main="Scatter plot by plot()")
qplot(x,y, main="Scatter plot by qplot()")
2.2 使用数据框数据
虽然可以直接使用向量数据，但ggplot2更倾向于使用数据框类型的数据作图。使用数据框有几个好处：数据框可以用来存储数值、字符串、因子等不同类型
等数据；把数据放在同一个R数据框对象中可以避免使用过程中数据关系的混乱；数据外观的整理和转换方便。ggplot2中使用数据框作图的最直接的一个效
果就是：你可以直接用数据的分类特性（数据框中的列变量）来决定图形元素的外观，这个过程在ggplot2中称为映射（mapping），是自动的。
在演示使用数据框作图的好处之前我们先了解以下ggplot2提供的一组有关钻石的示范数据 diamonds:
str(diamonds)
## 'data.frame':
53940 obs. of
10 variables:
0.23 0.21 0.23 0.29 0.31 0.24 0.24 0.26 0.22 0.23 ...
: Ord.factor w/ 5 levels "Fair"&"Good"&..: 5 4 2 4 2 3 3 3 1 3 ...
: Ord.factor w/ 7 levels "D"&"E"&"F"&"G"&..: 2 2 2 6 7 7 6 5 2 5 ...
$ clarity: Ord.factor w/ 8 levels "I1"&"SI2"&"SI1"&..: 2 3 5 4 2 6 7 3 4 5 ...
61.5 59.8 56.9 62.4 63.3 62.8 62.3 61.9 65.1 59.4 ...
55 61 65 58 58 57 57 55 61 61 ...
326 326 327 334 335 336 336 337 337 338 ...
3.95 3.89 4.05 4.2 4.34 3.94 3.95 4.07 3.87 4 ...
3.98 3.84 4.07 4.23 4.35 3.96 3.98 4.11 3.78 4.05 ...
2.43 2.31 2.31 2.63 2.75 2.48 2.47 2.53 2.49 2.39 ...
可以看到这是数据框（data.frame）类型，有10个变量（列），每个变量有53940个测量值（行）。第一列为钻石的克拉数（carat），为数
字型数据；第二列为钻石的切工好坏（cut），为因子类型数据，有5个水平；第三列为钻石颜色（color），为7水平的因子；后面还有其他数据。由于数
据太多，我们只取前7列的100个随机观测值。数据基本就是我们平时记录原始数据的样式：
set.seed(1000) # 设置随机种子，使随机取样具有可重复性
datax&- diamonds[sample(53940, 100), seq(1,7)]
head(datax, 4)
cut color clarity depth table price
## 1 Ideal
## 4 Ideal
## 3 Ideal
如果要做钻石克拉和价格关系的曲线图，用plot和qplot函数都差不多：
plot(x=datax$carat, y=datax$price, xlab="Carat", ylab="Price", main="plot function")
qplot(x=carat, y=price, data=datax, xlab="Carat", ylab="Price", main="qplot function")
但如果要按切工进行分类作图，plot函数的处理就复杂了，你首先得将数据进行分类提取，然后再一个个作图。虽然可以用循环完成，但作图后图标的添加还得非常小心，你得自己保证数据和图形外观之间的对应关系：
plot(x=datax$carat, y=datax$price, xlab="Carat", ylab="Price", main="plot function", type='n')
cut.levels &- levels(datax$cut)
cut.n &- length(cut.levels)
for(i in seq(1,cut.n)){
subdatax &- datax[datax$cut==cut.levels[i], ]
points(x=subdatax$carat, y=subdatax$price, col=i, pch=i)
legend("topleft", legend=cut.levels, col=seq(1,cut.n), pch=seq(1,cut.n), box.col="transparent", cex=0.8)
但用ggplot2作图你需要考虑数据分类和图形元素方面的问题就很少，你只要告诉它用做分类的数据就可以了：
qplot(x=carat, y=price, data=datax, color=cut, shape=cut, main="qplot function")
如果不喜欢它默认的图形背景，要改变也相当简单，ggplot2预置了几个模板，这些内容我们在后面再详细说：
theme_set(theme_bw())
qplot(x=carat, y=price, data=datax, color=cut, shape=cut, main="qplot function")
数据框可以存储不同的数据，而这些数据是有类型差别的。ggplot2作图对各类数据的要求也非常严格，用于分类的数据必需是因子类型，否则就出错，例如下面的语句就会出错：
qplot(x=carat, y=price, data=datax, shape=depth)
## Error: A continuous variable can not be mapped to shape
3 qplot做曲线图
和plot函数一样，qplot也可以通过设置合适的参数产生曲线图，这个参数就是geom（几何类型）。图形的组合非常直接，组合表示几何类型的向量即可：
qplot(x=carat, y=price, data=datax, color=cut, geom="line", main="geom=\"line\"")
qplot(x=carat, y=price, data=datax, color=cut, geom=c("line", "point"), main="geom=c(\"line\", \"point\")")
4 qplot做统计图
qplot是名副其实的qplot（quick
plot）函数，通过改变几何类型geom参数的值你可以获得各种图形。geom参数可以设置的值和意义是：
point：散点图
line：曲线图
smooth：平滑曲线
jitter：另一种散点图
boxplot：箱线图
histogram：直方图
density：密度分布图
bar：柱状图
前两种我们看过了，bar类型下面另讲，jitter以后有机会再说，看看其他4种类型：
qplot(carat, price, data = diamonds, color=cut, geom = "smooth", main = "smooth")
qplot(cut, price, data = diamonds, fill=cut, geom = "boxplot", main = "boxplot")
qplot(price, data = diamonds, fill=cut, geom = "histogram", main = "histogram")
qplot(price, data = diamonds, color=cut, geom = "density", main = "density")
能做什么样的图形取决于数据，这点我们都很清楚，所以不同类型的图使用的数据有所不同，参数也有变化。前面我们说ggplot2可以整合不同类型的图形到
一个图中，但很重要的一个前提是要组合的这些形状要能共享一组数据和参数。道理很简单，如果某人绞尽脑汁把散点图和密度分布图融合在一个图中展示，不出一
周他就要住进精神病院。
qplot(price, data = diamonds, color=cut, geom = c("point", "density"))
## Error: geom_point requires the following missing aesthetics: y
5 qplot做柱形图
做柱形图很少直接用原始数据，一般都要通过计算变换如求平均值后再做。这其实是一个统计过程，所以多数柱形图应该也是统计类型的图。ggplot2对柱形
图的处理体现了这一思想：柱形图是一种特殊的直方图。所以ggplot2可以直接用原始数据做出柱形图，这是它的优点之一。下面按钻石切工对价格求平均值
后做柱形图：
qplot(x=cut, y=price, data = diamonds, fill=cut, geom = "histogram",
stat="summary", fun.y="mean")
stat参数表示统计的类型，而fun.y则表示应用于统计的函数。把geom参数值换成bar得到相同的图形：
qplot(x=cut, y=price, data = diamonds, fill=cut, geom = "bar",
stat="summary", fun.y="mean")
如果不嫌麻烦，可以先计算出平均值再柱形图也没什么问题。引物bar图形的本质是统计图形，所以得设置stat参数为identity，即不做统计：
(mean.price &- with(diamonds, aggregate(price~cut, FUN=mean)))
## 3 Very Good
qplot(x=cut, y=price, data=mean.price, fill=cut, geom="bar", stat="identity")
通过学习上面的简单例子可能会有点收获：了解了ggplot2的qplot函数能用什么样的数据做什么图，知道一点关于ggplot2几何类型和统计类型
的概念，如何从传统的R语言作图中转过脑筋来。但也仅此而已。ggplot2作图是基于图层的，从上面qplot函数的使用例子中显然看不出来，除此外还
有很多深层次的概念、理论和函数。
sessionInfo()
## R version 3.0.1 ()
&## Platform: x86_64-pc-linux-gnu (64-bit)
## locale:
[1] LC_CTYPE=zh_CN.UTF-8
LC_NUMERIC=C
[3] LC_TIME=zh_CN.UTF-8
LC_COLLATE=zh_CN.UTF-8
[5] LC_MONETARY=zh_CN.UTF-8
LC_MESSAGES=zh_CN.UTF-8
[7] LC_PAPER=C
[9] LC_ADDRESS=C
LC_TELEPHONE=C
&## [11] LC_MEASUREMENT=zh_CN.UTF-8 LC_IDENTIFICATION=C
## attached base packages:
## [1] tcltk
grDevices utils
## [8] base
## other attached packages:
&## [1] mgcv_1.7-24
ggplot2_0.9.3.1 knitr_1.3.4
## loaded via a namespace (and not attached):
[1] colorspace_1.2-2
dichromat_2.0-0
digest_0.6.3
[4] evaluate_0.4.4
formatR_0.8
grid_3.0.1
[7] gtable_0.1.2
highr_0.1.2
labeling_0.2
&## [10] lattice_0.20-15
MASS_7.3-27
Matrix_1.0-12
&## [13] munsell_0.4.2
nlme_3.1-110
&## [16] proto_0.3-10
RColorBrewer_1.0-5 reshape2_1.2.2
## [19] scales_0.2.3
stringr_0.6.2
tools_3.0.1
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。R语言之ggplot2画图篇 - CSDN博客
R语言之ggplot2画图篇
quick plot
数据集：diamonds
（1）基本用法
library(ggplot2)
length(diamonds)
set.seed(1410)#设定种子数
dsmall&-diamonds[sample(nrow(diamonds),100),]#随机产生样本数
qplot(carat,price,data=diamonds)#画散点图
qplot(log(carat),log(price),data=diamonds)
color、size、shape
qplot(carat,price,data=dsmall,colour=color)
qplot(carat,price,data=dsmall,shape=cut)
&span style=&font-family: Arial, Helvetica, sans-&&qplot(carat,price,data=dsmall,alpha=I(1/20))&/span&设置透明度
取值可以为：point、smooth、boxplot、path、line
对于连续型变量：geom可取histogram、freqpoly、density
对于离散型变量：bar
qplot(carat,price,data=dsmall,geom=c(&point&,&smooth&))
qplot(carat,price,data=dsmall,geom=c(&point&,&smooth&),span=0.2)
qplot(carat,price,data=dsmall,geom=c(&point&,&smooth&),span=1)
数据（Data）和映射（Mapping）
将数据中的变量映射到图形属性，映射控制了二者之间的关系
标度（Scale）
标度负责控制映射后图形属性的显示方式，具体形式上看是图例和坐标刻度
几何对象（Geometric）
几何对象代表我们在图中实际看到的图形元素，如点、线、多边形等
统计变换（Statistics）
对原始数据进行某种计算，如对二元菜点图加上一条回归线
坐标系统（Coordinate）
坐标系统控制坐标轴并影响所有图形元素，坐标轴可以进行变换以满足不同的需要
图层（Layer）
数据、映射、几何对象、统计变换等构成一个图层，图层可以允许用户一步步的构建图形，方便单独对图层进行修改
分面（Facet）
条件绘图，将数据按某种方式分组，然后分别绘图。分布就是控制分组绘图的方式和排列形式
（1）geom_point
p&-ggplot(data=mpg,mapping=aes(x=cty,y=hwy))
p+geom_point()
summary(p)
summary(p+geom_point())
#将年份映射到颜色属性
p&-ggplot(mpg,aes(x=cty,y=hwy,colour=factor(year)))
p+geom_point()
（2）增加平滑线
p+geom_point()+stat_smooth()
p&-ggplot(mpg,aes(x=ctymy=hwy))
p+geom_point(aes(colour=factor(year)))+stat_smooth()
（3）两种等价的绘图方式
p&-ggplot(mpg,aes(x=cty,y=hwy))
p+geom_point(aes(colour=factor(year)))+stat_smooth()
d&-ggplot()+
geom_point(data=mpg,aes(x=cty,y=hwy,colour=factor(year)))+
stat_smooth(data=mpg,aes(x=cty,y=hwy))#此时除了底层画布外，有两个图层，分别定义了geom和stat
（4）用标度来修改颜色取值
p&-ggplot(mpg,aes(x=cty,y=hwy))
p+geom_point(aes(colour=factor(year)))+stat_smooth()+scale_color_manual(values=c(&blue&,&red&))
（5）将排量映射到散点大小
p+geom_point(aes(colour=factor(year),size=displ))+
stat_smooth()+
scale_color_manual(values=c(&blue2&,&red4&))
p+geom_point(aes(colour=factor(year),size=displ),alpha=0.5,position=&jitter&)+
stat_smooth()+
scale_color_manual(values=c(&blue2&,&red4&))+
scale_size_continuous(range=c(4,10))
（6）用坐标控制图形显示的范围
p+geom_point(aes(colour=factor(year),size=displ),alpha=0.5,position=&jitter&)+
stat_smooth()+
scale_color_manual(values=c(&blue2&,&red4&))+
scale_size_continuous(range=c(4,10))+
coord_cartesian(xlim=c(15,25),ylim=c(15,40))
（7）利用facet分别显示不同年份的数据
p+geom_point(aes(colour=class,size=displ),alpha=0.5,position=&jitter&)+
stat_smooth()+
scale_size_continuous(range=c(4,10))+
facet_wrap(~year,ncol=1)
（8）增加图名并精细修改图例
p&-ggplot(mpg,aes(x=cty,y=hwy))
p+geom_point(aes(colour=class,size=displ),alpha=0.5,position=&jitter&)+
stat_smooth()+
scale_size_continuous(range=c(4,10))+
facet_wrap(~year,ncol=1)+
opts(title='汽车油耗与型号')+
labs(x=&每加仑高速公路行驶距离&,y=&每加仑城市公路行驶距离&)+
guides(size=guide_legend(title=&排量&),colour=guide_legend(titile=&车型&,override.aes=list(size=5)))
（9）直方图
p&-ggplot(mpg,aes(x=hwy))
p+geom_histogram()
直方图的几何对象中内置有默认的统计变换
p+geom_histogram(aes(fill=factor(year),y=..density..),alpha=0.3,colour=&black&)+
stat_density(geom=&line&,position=&identity&,size=1.5,aes(colour=factor(year)))+
facet_wrap(~year,ncol=1)
（10）条形图
p&-ggplot(mpg,aes(x=class))
p+geom_bar()
class2&-mpg$class
class2&-reorder(class2,class2,length)
mpg$class2&-class2
p&-ggplot(mpg,aes(x=class2))
p+geom_bar(aes(fill=class2))
p&-ggplot(mpg,aes(class2,fill=factor(year)))
p+geom_bar(position=&identity&,alpha=0.5)
p+geom_bar(position=&dodge&)
p+geom_bar(position=&stack&)
p+geom_bar(position=&fill&)
p+geom_bar(aes(fill=class2))+facet_wrap(~year)
（11）饼图
p&-ggplot(mpg,aes(x=factor(1),fill=factor(class)))+geom_bar(width=1)
p+coord_polar(theta=&y&)
（12）箱线图
p&-ggplot(mpg,aes(class,hwy,fill=class))
p+geom_boxplot()
p+geom_violin(alpha=0.3,width=0.9)+geom_jitter(shape=21)
3.观察密集散点的方法
增加扰动（jitter）
增加透明度（alpha）
二维直方图（stat_bin2d）
密度图（stat_density2d）
p&-ggplot(diamonds,aes(carat,price))
p+stat_bin2d(bins=60)
p+stat_density2d(aes(fill=..level..),geom=&polygon&)+
coord_cartesian(xlim=c(0,1.5),ylim=c(0,6000))+
scale_fill_continuous(high=&red2&,low=&blue4&)
4.风向风速玫瑰图
#随机生成100次风向，并洪到16个敬意内
dir&-cut_interval(runif(100,0,360),n=16)
#随机生成100次风速，并划分成4种强度
mag&-cut_interval(rgamma(100,15),4)
sample&-data.frame(dir=dir,mag=mag)
#将风向映射到x轴，频数映射到y轴，风速大小映射到填充色，生成条形图后再转为极坐标形式即可
p&-ggplot(sample,aes(x=dir,y=..count..,fill=mag))
p+geom_bar()+coord_polar()
本文已收录于以下专栏：
相关文章推荐
plot(),lines(),gplot()等绘图方法不想记笔记，个人觉得它们的图像太丑，不想使用。
x轴是日期型，画图各种困扰，日期显示、日期黏连怎么办？
图例想放底部，或者图像内怎么办？
引言折线图一般用于描述一维变量随着某一连续变量变化的情况，连续变量通常为时间。换句话说，折线图最适合描述时间序列数据的变化情况。当然随着离散变量变化也是可以的，不过这个离散变量必须是有序的。画一条折线...
引言我们经常想观察一批数据的分布形态，直方图、密度图、箱线图、小提琴图和点图等都是很好的实现形式。在此，我们简略介绍直方图、密度图和箱线图，这种三种图形对我们来说更为常用。直方图很多人没搞清楚条形图和...
前面我们使用qplot函数对ggplot2做图的方法进行了初步的了解，并比较了qplot和plot函数的用法。从最终得到的结果（图形）来看，除了外观不同外好像qplot函数和plot函数并没有什么本质...
复习基础作图命令学习基本的ggplot作图命令
这里我们会用R语言中的基础作图系统和ggplot2中的qplot以及ggplot作常见的图。
下面是几种常见的图：
散点图线图条形图直方图...
引言我们还可以对图形中的坐标轴进行处理，包括x、y轴对换、设定坐标轴范围、刻度线修改与去除等等。要想对图形玩得转，坐标轴处理精通不可或缺。坐标轴对换我们使用coord_flip()函数来对换坐标轴。l...
更多内容请见：R、ggplot2、shiny 汇总初始图样：library(ggplot2)
dt = data.frame(A = c(2, 7, 4, 10, 1), B = c('B','A',...
R语言里面一个比较重要的绘图包——ggplot2，是由Hadley Wickham于2005年创建，于2012年四月进行了重大更新，作者目前的工作是重写代码，简化语法，方便用户开发和使用。ggplot...
引言ggplot2包的作图质量毋庸置疑，但是其作图语法对新手来说还是有点难度，ggplot2：数据分析与图形艺术这本书也介绍了ggplot2包的基本哲学思想和操作，个人感觉例子还不够丰富，所以对该包的...
展示ggplot2中基本的一些作图方法
他的最新文章
讲师：何宇健
讲师：董岩
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)ggplot2入门与进阶（上） | 塞迩斯【图文】R语言绘图-(2)_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
R语言绘图-(2)
大小：3.15MB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢ggplot2绘图入门系列之二：图层控制与直方图 | R blogs / lang
我的图书馆
ggplot2绘图入门系列之二：图层控制与直方图 | R blogs / lang
This post was kindly contributed by
- go there to comment and to read
如所述，ggplot2使用图层将各种图形元素逐步添加组合，从而形成最终结果。第一层必须是原始数据层，其中data参数控制数据来源，注意数据形式只能是数据框格式。aes参数控制了对哪些变量进行图形映射，以及映射方式，aes是Aesthetic的缩写。下面我们来绘制一个直方图作为示例。数据集仍采取mpg，对hwy变量绘制直方图。首先加载了扩展包，然后用ggplot函数建立了第一层，hwy数据映射到X轴上；使用+号增加了第二层，即直方图对象层。此时p被视为一种层对象，使用summary函数可得到关于它的更多信息，print(p)命令即可进行绘图。()p &- ( = mpg,aes(x = hwy))p &- p + geom_histogram()(p)data: manufacturer, model, displ, year, cyl, trans,
drv, cty, hwy, fl, class [234x11]mapping:
x = hwyfaceting: facet_grid(. ~ ., FALSE)-----------------------------------geom_histogram:stat_bin:position_stack: (width = NULL, height = NULL)上面的信息告诉我们，p对象含有两层，第一层数据层描述了变量和映射方式，第二层是直方图对象（geom_histogram），geom表示几何对象，它是ggplot中重要的图层控制对象，因为它负责图形渲染的类型。geom_histogram是图形渲染类型的一种，其它类型可参见。每个geom对象都需要有数据输入，数据可以从第一层中自动读取，也可以在aes参数中直接设置。而且每个geom还默认搭配某种统计变换（stat），geom_histogram的默认统计变换是stat_bin。它负责对数据进行分组计数。下面我们尝试两种更为复杂的直方图，首先将数据按照year这个变量划分为两组，用不同的颜色绘制直方图，而且用频率而非计数来刻画Y轴，并添加密度曲线。p &-&(mpg,aes(hwy))p + geom_histogram(position =&'identity',& & alpha=0.5,& & aes(y = ..density..,& & fill =&(year)))&+& & stat_density(geom =&'line',& & position =&'identity',& & aes(colour =&(year)))如果想将两个直方图分开绘制，也可以使用facet_grid参数，结果如下图所示。另：在win系统中用ggplot2绘制直方图，其底部有难看的缺口。但在linux系统中正常，不知原因何在，望知情人士不吝赐教。
TA的最新馆藏
喜欢该文的人也喜欢