R语言-ggplot2数据可视化实战指南:从基础到进阶

R语言ggplot2数据可视化 R数据科学 - ggplot2数据可视化 阅读详情

1. 从零开始:理解ggplot2的“语法”哲学

如果你用过R语言的基础绘图函数,比如plot()、hist(),可能会觉得它们像在用画笔直接涂鸦,想画什么就加一笔。但ggplot2不一样,它更像是在用一套严谨的“语法”来“造句”,最终组合成一幅完整的画。这套语法由Hadley Wickham大神提出,核心思想叫“图形语法”。听起来有点玄乎?别怕,我用大白话给你解释。

想象一下,你要画一张散点图。在ggplot2里,你不是直接命令电脑“画点”,而是先告诉它:我的数据是mtcars这个表格,我要用wt(车重)作为X轴,mpg(每加仑英里数)作为Y轴。这一步,就是搭建句子的“主谓宾”结构,对应的函数是ggplot()和aes()(美学映射)。aes()是这个语法的灵魂,它负责把数据框里的列(变量)映射到图形的视觉属性上,比如X位置、Y位置、颜色、形状、大小等等。

光有结构还不行,你得决定这个句子最终呈现为什么“体裁”。是散点图、折线图还是柱状图?这就是“几何对象”(Geoms)出场的时候了。你想画点,就加geom_point();想画线,就加geom_line()。这些几何对象函数就像不同的画笔,负责把映射好的数据“画”出来。

我刚开始学的时候,总忘记那个加号+。这个加号是ggplot2语法里连接不同“图层”的关键。你可以把它理解成乐高积木的拼接。先搭好底板(数据和映射),然后往上叠加第一层积木(几何对象),再叠加第二层(比如修改坐标轴),再叠加第三层(比如改主题样式)。每一层都是独立的,修改起来特别方便,不会牵一发而动全身。这种图层思想,是ggplot2强大和灵活的基础。

下面我们从一个最最基础的例子开始,亲手感受一下这个搭建过程。我们用R语言自带的mtcars数据集,它记录了32辆不同汽车的性能参数。

# 首先,确保你已经安装并加载了ggplot2包
# install.packages("ggplot2") # 如果没安装,先运行这行
library(ggplot2)

# 第一块积木:初始化画布并声明数据和映射
p <- ggplot(data = mtcars, aes(x = wt, y = mpg))
# 此时p只是一个空白的、有坐标系的画布,什么图形都没有

# 第二块积木:叠加散点图层
p <- p + geom_point()
# 看!点出现了

# 第三块积木:给图表加上标题和坐标轴标签
p <- p + labs(title = "车重与油耗的关系",
              x = "车重 (千磅)",
              y = "每加仑英里数 (MPG)")

# 显示图形
print(p)

运行这段代码,你就能得到一张最基本的散点图。整个过程就像在说:“嘿,ggplot,用mtcars数据,把wt映射到X轴,mpg映射到Y轴,然后给我用点画出来,最后加上这些文字说明。” 是不是比想象中简单?记住这个“初始化 -> 叠加图层”的流程,你就已经入门了。

2. 核心几何对象:让你的数据“活”起来

知道了怎么搭积木,接下来就得看看我们手头有哪些形状的积木块可用。ggplot2提供了几十种geom_开头的函数,对应不同的图表类型。别被数量吓到,常用的就十几种,而且用法大同小异。这里我挑几个最核心、最实用的给你详细讲讲,并配上代码和效果说明。

散点图 (geom_point) 与抖动点图 (geom_jitter) 散点图是查看两个连续变量关系的基础。但有时候数据点会重叠在一起,看不清分布。这时geom_jitter()就派上用场了,它在数据点位置周围增加一点随机扰动,让重叠的点“散开”。

# 基础散点图
ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point()

# 抖动点图,特别适合分类数据与连续数据结合的场景
# 我们先创建一个发动机类型(vs)的因子变量
mtcars$vs_f <- factor(mtcars$vs, labels = c("V型", "直列"))
ggplot(mtcars, aes(x = vs_f, y = mpg)) +
  geom_jitter(width = 0.2, height = 0, # width控制水平方向的抖动幅度
              color = "steelblue",
              alpha = 0.7) # alpha控制透明度

geom_jitter的width和height参数很重要,它们控制了抖动的范围。通常对于分类X轴,我们只设置水平方向的轻微抖动(width=0.2),而保持Y轴值不变(height=0)。

条形图 (geom_bar) 与直方图 (geom_histogram) 新手最容易混淆的就是它俩。简单记:条形图(geom_bar)的Y轴通常是计数或另一个变量的统计值(如均值);而直方图(geom_histogram)的Y轴是自身数据的频数,用于展示单个连续变量的分布。

# 条形图:统计不同气缸数(cyl)的车辆数量
ggplot(mtcars, aes(x = factor(cyl))) + # X是分类变量
  geom_bar(fill = "lightcoral", color = "black") +
  labs(x = "气缸数量", y = "车辆数")

# 直方图:查看车重(wt)的分布情况
ggplot(mtcars, aes(x = wt)) + # 只指定一个连续变量X
  geom_histogram(binwidth = 0.5, # binwidth决定每个柱子的宽度,影响图形平滑度
                 fill = "lightgreen",
                 color = "darkgreen",
                 alpha = 0.8) +
  labs(x = "车重 (千磅)", y = "频数")

画直方图时,binwidth(组距)的选择很有讲究。太小了图形会锯齿状,太大了会掩盖细节。多试几个值,看看哪个最能反映数据的真实分布。

箱线图 (geom_boxplot) 与小提琴图 (geom_violin) 它们都是展示数据分布(尤其是多组数据对比)的利器。箱线图展示了中位数、四分位数和离群点,信息浓缩。小提琴图则像是平滑了的、对称的密度图,能更直观地看到数据的“胖瘦”(密度)。

# 按发动机类型(vs_f)分组,查看油耗(mpg)的分布
p_box <- ggplot(mtcars, aes(x = vs_f, y = mpg, fill = vs_f)) +
  geom_boxplot(alpha = 0.6, outlier.color = "red", outlier.size = 3) +
  labs(title = "箱线图")

p_violin <- ggplot(mtcars, aes(x = vs_f, y = mpg, fill = vs_f)) +
  geom_violin(alpha = 0.6, trim = FALSE) + # trim=FALSE显示完整的密度轮廓
  geom_boxplot(width = 0.1, fill = "white", alpha = 0.7) + # 在小提琴图里叠加一个窄箱线图
  labs(title = "小提琴图 (内嵌箱线图)")

# 使用gridExtra包并排显示
library(gridExtra)
grid.arrange(p_box, p_violin, ncol = 2)

我特别喜欢在小提琴图里用geom_boxplot(width=0.1)叠加一个窄箱线图,这样既能看密度,又能精准定位中位数和四分位数,一举两得。

拟合曲线 (geom_smooth) 探索变量间关系时,我们常想看看大致的趋势线。geom_smooth()就是干这个的。它默认使用LOESS局部回归(数据量<1000时),但你可以指定其他方法。

ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point() +
  geom_smooth(method = "lm",  # 使用线性模型拟合
              formula = y ~ x,
              se = TRUE,      # 显示置信区间(默认的灰色阴影带)
              color = "darkred",
              fill = "pink") +
  labs(title = "散点图与线性拟合线",
       subtitle = "灰色区域为95%置信区间")

se参数控制是否显示置信区间。在探索性分析时建议打开(se=TRUE),它能告诉你拟合的不确定性。在做最终报告图时,如果图形太乱,可以考虑关闭(se=FALSE)。method参数除了"lm"(线性),还可以是"glm"、"loess"等,应对不同的数据关系。

3. 分组与分面:多维数据的解剖刀

当你的数据包含分类变量时(比如车型、性别、实验组别),单纯画一个总图可能信息量不够。ggplot2提供了两种强大的工具来揭示不同子集的数据模式:分组和分面。它们都通过在aes()美学映射中设置参数来实现,但效果截然不同。

分组:在同一张画布上区分 分组的核心思想是:用不同的颜色、形状、线条类型等视觉元素,在同一张图里区分不同的数据子集。这非常适合比较少数几个类别。

# 将变速箱类型(am)也转为因子
mtcars$am_f <- factor(mtcars$am, labels = c("自动", "手动"))

# 分组散点图:用颜色区分发动机类型(vs_f),用形状区分变速箱类型(am_f)
ggplot(mtcars, aes(x = wt, y = mpg,
                   color = vs_f,      # 颜色分组
                   shape = am_f)) +   # 形状分组
  geom_point(size = 3) +
  scale_color_manual(values = c("V型" = "tomato", "直列" = "steelblue")) + # 手动指定颜色
  scale_shape_manual(values = c(16, 17)) + # 手动指定形状,16是实心圆,17是实心三角
  labs(color = "发动机类型", shape = "变速箱类型") # 修改图例标题

这里的关键是,分组变量(vs_f, am_f)必须放在aes()里面。ggplot2会自动为每个分组创建图例。你可以用scale_*_manual()系列函数来精确控制每个分组对应的颜色、形状,让图表更符合你的审美或报告要求。

分面:拆分成多个小图 当分类变量水平较多,或者你想更清晰地、并排地比较不同子集时,分面是更好的选择。它会把数据按分类变量拆分成多个独立的、结构相同的小图。

# 使用facet_grid(),按发动机类型(vs_f)和变速箱类型(am_f)生成网格状小图
ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE) +
  facet_grid(vs_f ~ am_f,  # 公式:行变量 ~ 列变量
             labeller = label_both) + # 在小图标题中同时显示变量名和水平
  labs(title = "车重与油耗关系:按发动机与变速箱类型分面")

facet_grid(row_var ~ col_var)会生成一个真正的网格,行和列都由变量控制。如果你只有一个分类变量,或者变量水平很多,想灵活排列,可以用facet_wrap(~ var, ncol=3)。facet_wrap会把所有小图像铺瓷砖一样排列,并自动换行,ncol参数可以指定每行放几个图。

分组与分面结合 这两种方法完全可以强强联合,先分面,再在每个小图里进行分组。

# 先按变速箱类型(am_f)分面,再在每个面内用颜色区分发动机类型(vs_f)
ggplot(mtcars, aes(x = wt, y = mpg, color = vs_f)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE) +
  facet_wrap(~ am_f, ncol = 2) +
  scale_color_brewer(palette = "Set1") + # 使用ColorBrewer配色方案
  theme(legend.position = "bottom") # 把图例放到底部

这个组合拳非常有用。比如在商业分析中,你可以先按“地区”分面,再在每个地区的图中用线条颜色区分“产品线”,一眼就能看出不同地区各产品线的趋势差异。

4. 深度美化:从“能看”到“好看”

到了这一步,你的图已经能正确表达信息了,但可能看起来还有点“土”,像是默认的Excel图表。别急,ggplot2的美化能力超乎想象。我们可以从标尺、主题、注释三个层面,让它变得专业又美观。

标尺控制:映射的指挥官 之前我们提到aes()把数据映射到视觉属性。而scale_系列函数,就是精确控制这个映射关系的指挥官。它决定了颜色映射成哪几种、坐标轴范围是多少、图例怎么显示。

# 创建一个气泡图:点的大小映射到排量(disp),颜色映射到马力(hp)
p <- ggplot(mtcars, aes(x = wt, y = mpg,
                        size = disp,    # 大小映射到连续变量
                        color = hp)) +  # 颜色映射到另一个连续变量
  geom_point(alpha = 0.7) +
  # 1. 控制颜色标尺:使用连续色阶,并自定义图例标题
  scale_color_gradient(low = "blue", high = "red",
                       name = "马力") +
  # 2. 控制大小标尺:调整点的大小范围和图例
  scale_size_continuous(range = c(2, 10), # 点大小的最小和最大值
                        breaks = c(100, 200, 300, 400), # 图例上显示哪些断点
                        name = "排量") +
  # 3. 控制坐标轴标尺:设置X轴和Y轴的显示范围和标签
  scale_x_continuous(limits = c(1, 6),
                     breaks = seq(1, 6, by = 1), # 刻度线位置
                     labels = paste0(seq(1, 6), "千磅")) + # 刻度标签
  labs(title = "气泡图:车重、油耗、排量与马力的关系")

print(p)

scale_color_gradient用于连续变量到颜色的映射,你可以定义从低到高(low到high)的颜色。对于分类变量,则用scale_color_manual或scale_color_brewer(使用预设的配色板)。scale_size_continuous中的range参数我经常调整,默认的范围可能不合适,导致点太大或太小。

主题系统:图表的“整容术” 主题(theme)控制所有非数据元素的样式,比如背景、网格线、字体、图例位置等。ggplot2有几个内置主题,一键切换风格:

  • theme_gray(): 默认的灰色背景主题。
  • theme_bw(): 经典的白底黑框主题,适合学术出版。
  • theme_classic(): 更简洁的白底,只有X轴和Y轴线,没有网格线。
  • theme_minimal(): 极简风格。
# 快速切换主题
p + theme_bw()
p + theme_classic()

但内置主题往往不能满足定制化需求。这时就需要用theme()函数进行精细调整。theme()的参数非常多,但结构清晰,遵循element_系列函数。

# 深度自定义主题
p_custom <- p +
  theme(
    # 1. 整体文本样式
    text = element_text(family = "SimHei", size = 12), # 设置字体(Windows下常用)
    plot.title = element_text(hjust = 0.5, size = 16, face = "bold"), # 标题居中、加粗
    axis.title = element_text(face = "bold"), # 坐标轴标题加粗
    # 2. 坐标轴与网格线
    axis.line = element_line(color = "black", size = 0.8), # 坐标轴线加粗
    panel.grid.major = element_line(color = "grey90", linetype = "dashed"), # 主网格线
    panel.grid.minor = element_blank(), # 去掉次网格线
    panel.background = element_rect(fill = "white", color = NA), # 面板背景
    plot.background = element_rect(fill = "lightyellow", color = "black", size = 1), # 图表整体背景
    # 3. 图例调整
    legend.position = "right", # 位置:右
    legend.background = element_rect(fill = "white", color = "grey"),
    legend.key = element_blank() # 去掉图例键的背景框
  )
print(p_custom)

调整主题是个细致活。我的经验是,先从一两个最不顺眼的地方改起,比如把标题居中(hjust=0.5),或者把默认的灰色网格线(panel.grid)调浅一点。可以把自己满意的主题设置保存成一个对象,比如my_theme <- theme(...),以后做新图时直接加上+ my_theme,就能保持风格统一。

精准注释:让图表会说话 好的注释能直接引导观众看到重点。ggplot2除了用labs()添加标题、坐标轴标签外,还可以用geom_text()、geom_label()和annotate()添加文本或形状注释。

# 找出油耗最高和最低的车型
highlight_data <- mtcars[which.max(mtcars$mpg), ] # 最高mpg
highlight_data <- rbind(highlight_data, mtcars[which.min(mtcars$mpg), ]) # 最低mpg

ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE, color = "grey50") +
  # 用geom_text为特定点添加标签
  geom_text(data = highlight_data,
            aes(label = rownames(highlight_data)), # 用行名(车型)作为标签
            vjust = -1, # 垂直调整位置,避免重叠
            hjust = 0.5,
            size = 3,
            fontface = "italic") +
  # 用annotate添加一个说明性的矩形和箭头
  annotate("rect", xmin = 4.5, xmax = 5.5, ymin = 10, ymax = 15,
           alpha = 0.2, fill = "red") +
  annotate("text", x = 5, y = 16,
           label = "重点关注区域:\n车重高、油耗低",
           size = 3.5) +
  annotate("segment", x = 5, xend = 5.2, y = 15.5, yend = 14,
           arrow = arrow(length = unit(0.2, "cm")), color = "red")

annotate()函数非常强大,它允许你在图上任意位置添加几何对象(geom),而不依赖于数据框。参数geom指定类型,如"text"、"rect"、"segment"等。在添加文本标签时,注意用vjust和hjust微调位置,用nudge_x和nudge_y参数也可以整体偏移。

5. 实战进阶:组合、导出与高效技巧

掌握了单个图表的绘制和美化,在实际项目中我们常常需要把多个图组合在一起,导出为高质量的图片,并追求更高的工作效率。这部分就是帮你把技能打包,形成工作流的最后一步。

多图组合:用gridExtra和patchwork讲故事 R基础包的par(mfrow=c())对ggplot2对象无效。最常用的多图组合包是gridExtra和patchwork。gridExtra的grid.arrange()函数简单直接。

library(gridExtra)
library(ggplot2)

# 创建三个不同的子图
p1 <- ggplot(mtcars, aes(x = factor(cyl), fill = factor(cyl))) +
  geom_bar() + ggtitle("不同气缸数的车辆数") + theme(legend.position = "none")

p2 <- ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl))) +
  geom_point() + geom_smooth(method = "lm", se = FALSE) +
  ggtitle("车重与油耗关系(按气缸数分组)")

p3 <- ggplot(mtcars, aes(x = factor(cyl), y = mpg, fill = factor(cyl))) +
  geom_violin(alpha = 0.6) + geom_boxplot(width = 0.1) +
  ggtitle("不同气缸数下的油耗分布") + theme(legend.position = "none")

# 使用grid.arrange组合,可以指定复杂的布局
combined_plot <- grid.arrange(
  p1, p2, p3,
  layout_matrix = rbind(c(1, 2), # 第一行放p1和p2
                        c(3, 3))  # 第二行p3独占一行,跨两列
)

而patchwork包语法更直观,像做加法一样组合图形,并且能自动对齐坐标轴和图例,是我现在的主力工具。

# install.packages("patchwork")
library(patchwork)

# 使用 +、/、| 等运算符组合图形
(p1 | p2) / p3 + # (p1和p2并排)在上,p3在下
  plot_annotation(tag_levels = 'A', # 给子图自动添加A、B、C标签
                  title = 'mtcars数据集多角度分析')

patchwork的+是并排,/是上下堆叠,|也是并排但会尝试对齐坐标轴。组合后还能用&运算符一次性为所有子图应用同一个主题,非常方便。

图形导出:确保印刷与展示质量 画好的图最终要放进报告或文章里。ggsave()是ggplot2自带的导出函数,比RStudio的导出按钮更可控。

# 保存上面组合的图形
ggsave(filename = "我的组合分析图.jpg", # 支持.jpg, .png, .pdf, .svg等格式
       plot = combined_plot, # 指定要保存的图形对象,默认保存最后一个显示的图
       width = 12,          # 宽度(单位:英寸)
       height = 8,          # 高度
       dpi = 300,           # 分辨率,印刷至少300dpi,屏幕显示72-150dpi即可
       bg = "white")        # 背景色,防止透明背景在有些地方显示为黑色

几个关键参数:width和height控制尺寸,学术海报或印刷需要大尺寸(如10x8英寸)。dpi(每英寸点数)决定清晰度,网络发布150dpi足够,印刷需要300dpi以上。保存为矢量格式(.pdf, .svg)可以无限放大不失真,但文件可能较大;位图格式(.jpg, .png)文件小,但放大可能模糊。

高效技巧:避免重复代码与探索扩展包

  1. 数据预处理:在将数据传入ggplot()之前,先用dplyr等包处理好。清晰的、整洁的数据(Tidy Data)是ggplot2发挥威力的前提。
  2. 使用列表存储图形对象:当需要批量生成一系列类似图表时,不要写重复的ggplot代码。可以用lapply或purrr::map循环,将图形对象存储在列表中,然后用grid.arrange或patchwork组合。
  3. 探索扩展包:ggplot2的生态系统非常丰富。ggthemes提供了大量精美的现成主题(如模仿经济学人、华尔街日报的样式)。ggrepel可以智能地排布文本标签,避免重叠。gganimate能制作动画图表。plotly的ggplotly()函数可以一键将静态ggplot2图转换为可交互的网页图表。
  4. 调试与查看对象:如果图形没按预期显示,可以用summary(p)或str(p)查看图形对象的内部结构。有时候是数据格式不对(比如该是因子型的变量却是数值型),有时候是图层叠加顺序有问题。

学习ggplot2的过程,就像在掌握一门新的视觉语言。开始时可能会觉得语法有点绕,但一旦熟悉了这种“图层叠加”的思维方式,你就会发现它的逻辑异常清晰和强大。我从最初只能画散点图,到现在能轻松定制出用于学术发表的复杂图表,靠的就是多练、多试、多踩坑。别怕代码报错,每一个错误信息都是进步的阶梯。试着从你的工作或学习数据中找一个小的数据集,从头开始,复制文中的代码,然后一点点修改参数,观察图形的变化。很快,你就能得心应手地用代码讲述数据的故事了。

数据可视化——R语言使用ggplot2工具包绘制精美的条形图 数据可视化——R语言使用ggplot2工具包绘制精美的条形图 概述:使用R语言的ggplot2工具包绘制精美的条形图 使用工具:R语言中的ggplot2工具包, RcolorBrewer颜色工具包 ggplot2是R语言中功能强大的绘图工具包。ggplot2包的目标是提供一个全面的、基于语法的、连贯一致的图形生成系统,允许用户创建新颖的、有创新性的数据可视化图形。ggplot2包的绘图时具有图层的... 阅读详情

相关推荐

【R绘图】ggplot2数据可视化从入门到精通 (保姆级教程)

本文是一篇针对R语言数据可视化的ggplot2教程,旨在帮助用户掌握专业级图表绘制技巧。文章从环境搭建、数据准备到核心语法讲解,详细介绍了ggplot2的图层思维和实用技巧,并提供了多个实战案例(散点图、柱状图、箱线图、热力图等)。通过代码示例和可视化优化建议,帮助用户避免常见错误,快速提升图表质量,实现高效数据表达。适合R语言初学者和希望提升可视化水平的数据分析从业者阅读。

R酷的数据科学笔记 1464

如何用ggplot2轻松实现专业级数据可视化:从入门到精通的完整指南

ggplot2是R语言中最强大的数据可视化工具之一,它基于"图形语法"理论,让你能够以直观、灵活的方式创建各种统计图形。无论是简单的散点图还是复杂的多维度可视化,ggplot2都能帮助你将数据转化为清晰、富有洞察力的图表。本文将带你快速掌握ggplot2的核心功能,让你的数据故事更具说服力。 ## 为什么选择ggplot2?数据可视化的终极解决方案 在数据分析领域,有效的可视化是传递洞察的关键

gitblog_00899的博客 855

R语言数据可视化 ggplot2基础1 ggplot2 图形的分层语法 Layered Grammar 简介

R语言数据可视化 ggplot2基础1 ggplot2 图形的分层语法 Layered Grammar 简介分层语法的组成(data-stat-geom-scale-coord-facet)用分层语法理解一段ggplot2代码Subplot 1Subplot 2 ggplot2是tidyverse包的一部分,tidyverse是Hadley Wickham及其团队了为了能够系统性处理数据、图表开发的一个包。对我们统计人来说,尽管R语言提供了很多数据可视化的方法,但ggplot2依然是R语言做可视化的最优雅、

一个不愿透露姓名的博客 1576

R语言常用的数据可视化包总结

本文中的内容来自书籍《R语言数据可视化实战 (微视频全解版) ——大数据图表从入门到精通》。书中有更多的R语言数据可视化分析使用案例,可学习更多的关于R语言数据可视化的内容。 数据可视化,是关于数据视觉表现形式的科学技术研究,它旨在借助图形化手段,清晰有效地传达与沟通信息,是科学可视化与信息可视化的统一。当前,数据可视化在教学、科学研究等方面极为活跃,已成为人工智能和大数据分析的基础内容之一。R语言(简称R)是一款开源的数据分析和可视化软件,主要用于统计分析、图形绘制、数 目录 1: R基础可视化包g

daitulin的博客 1万+

利用R ggplot2包进行数据可视化(一)

一个好的可视化例子 各国家都喜爱哪些宠物? by La Nación 作品地址   该作品于2017年10月14日发表在《阿根廷国家报》上,并获得了2018凯度信息之美奖艺术、娱乐与文化类奖项。该作品以GFK研究所对22个国家的网民进行的调查为基础。   从该作品的图表类型来看,可视为簇状条形图。创作者采用人物和宠物的卡通形象巧妙地替代条形图,极具趣味也不失直观性,受众能够从中获知的信息也比较充...

m0_37544963的博客 2074

R语言:安装和使用ggplot2数据可视化库

一旦安装完成,你可以使用library函数加载ggplot2包,并使用ggplot2绘制各种数据可视化图形。一旦安装完成,你可以使用library函数加载ggplot2包,并使用ggplot2绘制各种数据可视化图形。现在,你已经成功安装并加载了ggplot2包,可以使用它创建各种精美的数据可视化图形。R语言是一种开源的统计分析语言,而RStudio是一个集成开发环境(IDE),用于编写和执行R代码。ggplot2是R语言中一款强大的数据可视化库,它提供了丰富的绘图功能和灵活的图形定制选项。

2301_79366106的博客 3463

R语言ggplot2绘图

R语言使用ggplot2绘图

qq_54423921的博客 8285

玩转数据可视化之R语言ggplot2:(四)单一基础几何图形绘制

玩转数据可视化之R语言ggplot2 小编大四统计在读,目前保研到统计学top3高校继续攻读统计研究生。本系列主要介绍R语言ggplot2的使用 参考资料: ggplot2: Elegant Graphics for Data Analysis 文章目录玩转数据可视化之R语言ggplot24. 玩转数据可视化之ggplot2:单一几何图形绘制 4. 玩转数据可视化之ggplot2:单一几何图形绘制 这些几何图形是ggplot2的基本组成部分。可以用于构造更复杂的几何体。也是ggplot最基础的图形 这些几

阿里云专家博主、数据科学领域优质创作者、统计er在读 1万+

r语言ggplot2一张图多曲线_ggplot2--R语言的数据可视化(附数据和代码)

R自带的绘图包叫“graphics”,里面带有一些基本的绘图功能,比如饼图、直方图、线图、密度曲线和透视图等。但是如果需要实现更复杂的图形,则需要用到本文的主角“ggplot2”了。ggplot2 在2005年由Weckham创建,可以替代 graphics 包,能够画出更多类型和更精美的图形。近年来R语言迅速成长为第一统计软件的过程中,ggplot2 强大的画图功能起了不小的推动作用。1 ggp...

weixin_39625586的博客 8251

玩转数据可视化之R语言ggplot2:(五)分组画图

玩转数据可视化之R语言ggplot2 🌸个人主页:JoJo的数据分析历险记 📝个人介绍:小编大四统计在读,目前保研到统计学top3高校继续攻读统计研究生 💌如果文章对你有帮助,欢迎关注、点赞、收藏、订阅专栏 本系列主要介绍R语言ggplot2的使用 参考资料: ggplot2: Elegant Graphics for Data Analysis 文章目录玩转数据可视化之R语言ggplot2💘5.玩转数据可视化之R语言ggplot2:组合画图🌲5.1 多个分组,一种美学🌳5.2 在不同层级上分组🌴5.

阿里云专家博主、数据科学领域优质创作者、统计er在读 1万+

【R语言数据科学】:(六)数据可视化之ggplot2详解

R语言数据分析 本系列主要介绍R语言在数据分析领域的应用包括: R语言编程基础、R语言可视化、R语言进行数据操作、R语言建模、R语言机器学习算法实现、R语言统计理论方法实现。 本系列会完成下去,请大家多多关注点赞支持,一起学习~ 参考资料: Data Analysis and Prediction Algorithms with R 文章目录R语言数据分析6.ggplot2介绍6.1 图形的组成部分6.2 ggplot对象6.3 图形类型6.4 美学映射6.5 层级6.6 调整参数6.7 全局和局部美学映

阿里云专家博主、数据科学领域优质创作者、统计er在读 1万+

R语言ggplot2包进阶散点图绘制:从基础到高级定制

本文系统介绍了R语言ggplot2包绘制进阶散点图的完整流程。从基础图形语法入手,详细讲解了如何通过美学映射(aes)将数据变量映射到颜色、大小和形状,以提升图表信息量。文章进一步深入探讨了手动定制颜色、形状与主题的方法,并分享了利用分面(Faceting)与抖动(Jitter)技巧处理多组别与数据重叠问题的策略。最后,通过实战案例演示了如何叠加趋势线、构建边际分布图及组合多图,实现高度定制化的专业级数据可视化。

cicd6pipeline的博客 686

玩转数据可视化之R语言ggplot2:(一)ggplot2实现箱线图、小提琴图、直方图等图形(快速入门)

玩转R语言ggplot2数据可视化 本系列主要介绍R语言ggplot2的使用 参考资料: ggplot2: Elegant Graphics for Data Analysis 文章目录玩转R语言ggplot2数据可视化1.使用案例数据 ggplot2是R语言数据可视化中的重要库之一。本章介绍如何使用ggplot()实现重要的基本图形。 1.使用案例数据 本章中,我们使用ggplot2中的自带数据集mpg, ...

阿里云专家博主、数据科学领域优质创作者、统计er在读 1万+

新书速览|ggplot2科技绘图:基于R语言的数据可视化

第3~9章则专注于ggplot2包的详细讲解,内容包括ggplot2绘图系统、注释与页面布局、创建基本图表、创建统计图表、添加几何元素到图表、统计变换绘图,以及标度函数的应用;毕业于西安通信学院,现就职于国家计算机网络应急技术处理协调中心,熟练掌握工程应用与数据分析工具,从事相关工作十余年,擅长数据可视化并撰写数据分析报告,工作中积累了丰富的数据处理与分析经验,获得国家发明专利多项,发表论文多篇。《ggplot2科技绘图:基于R语言的数据可视化》结构合理,叙述详细,示例丰富,既可以作为从事数据分析处理的。

quanzhankaifaqua的博客 1108

R语言ggplot2基础绘图实战案例解析

R语言自1993年发布以来,已成为统计分析与数据科学领域的核心工具之一,得益于其开源特性与丰富的扩展包生态系统。ggplot2由Hadley Wickham于2005年开发,基于Leland Wilkinson的“图形语法”理论,彻底改变了R中数据可视化的方式。它通过图层化设计,使用户能够以逻辑清晰的方式构建复杂图表。本章将为读者梳理R语言与ggplot2的基本定位,理解其在现代数据可视化流程中的关键作用,为后续深入学习奠定坚实基础。数据可视化不仅是将数字转化为图形的过程,更是信息传达的艺术。

weixin_35266799的博客 1191

深入掌握英飞凌TriCore中断向量表

摘要:本文探讨了英飞凌Tc277芯片中断机制的原理与实现,重点解析了中断向量表基地址的链接文件定义方式、BIV寄存器的初始化过程以及每个中断条目的32字节空间分配规则。通过分析中断向量号(1-255)的计算方法,阐明了中断条目跳转地址(如STM0中断向量号37对应0x800F04A0)的生成逻辑。文章还揭示了.map文件中14字节跳转指令的组成原理,以及最终通过a14寄存器跳转到实际中断函数(如stm0Sr0ISR)的执行流程,为嵌入式开发人员理解中断处理机制提供了清晰的技术路径。

IT技术猿猴的博客 1718

R语言基础| 可视化初探(ggplot2)

在1中,由于性别到颜色的映射出现在函数ggplot中,因此该映射也会应用到geom_piont和geom_smooth中,从而geom_piont中点的颜色表示性别,geom_smooth中生成分别男女的各自趋势线;而在2中,性别到颜色的映射只出现在函数geom_piont中,因此仅能在此处使用,对geom_smooth则没有该映射,因此只出现一条针对所有数值的趋势线。2)一组映射,是数据框中的变量到图形中的可视属性的映射,放置在函数aes()中,aes()函数表示美化或你能看见的东西。

weixin_47195452的博客 1632

PyCharm旧版本下载地址

快捷找到PyCharm历史版本下载地址

piaopiaolanghua的专栏 4475

[R语言] ggplot2入门笔记1—ggplot2简要教程

文章目录1 ggplot2入门笔记1—ggplot2简要教程1. 设置 The Setup2. 图层 The Layers3. 标签 The Labels4. 主题 The Theme5. 分面 The Facets6. 常用函数 Commonly Used Features6.1 绘制时间序列图(使用ggfortify)6.2 在同一ggplot上绘制多个时间序列6.3 条形图6.4 自定义布局...

You and Me 5809

别再对着手册发愁了!手把手教你读懂MIPI-DSI初始化命令(以Rockchip平台为例)

本文深入解析MIPI-DSI初始化命令在Rockchip平台的应用,帮助嵌入式工程师快速掌握LCD屏幕调试技巧。从协议基础到实战指南,详细拆解命令格式、DCS与Generic命令的区别,并提供Rockchip平台的调试全流程与高级技巧,解决常见显示问题。

weixin_42519781的博客 269

Windows11开机必看:3种方法跳过联网激活(含最新OOBE命令)

本文详细介绍了Windows11新机开箱时绕过联网激活的三种实用方法,包括任务管理器终止进程法、命令行强制终止法和最新的OOBE\BYPASSNRO命令法。特别推荐使用微软官方预留的OOBE命令,操作简单且无副作用,帮助用户快速完成系统设置。

weixin_28366353的博客 1654

R语言之数据可视化学习记录3:ggplot2绘图系统

时间: 2018-07-31 教程: 慕课网 《R语言之数据可视化》 讲师:Angelayuan 学习内容: 课程第三章7-9节 数据可视化 3. ggplot2绘图系统 ggplot2绘图有很多的层: - Data:变量 - Aesthetics:美学层(x,y轴、颜色、大小、标签、形状、线宽等) - Geometries:几何客体层(散点图、线图、柱状图、...

woooooood的博客 4044

ROS机器人未知环境自主探索功能包explore_lite最全源码详细解析(二)

本系列文章主要针对ROS机器人常使用的未知环境自主探索功能包explore_lite展开全源码的详细解析,并进行概括总结。 本系列文章共包含六篇文章,前五篇文章主要介绍explore_lite功能包中 explore.cpp、costmap_tools.h、frontier_search.cpp、costmap_client.cpp等源码实现文件中全部函数的详细介绍,第六篇文章进行概括总结,包含自主探索功能包explore_lite的简介,实现未知环境自主探索功能的原理及流程总结,效果演示,使用功能包exp

慕羽★的博客 1649
上一篇: Python爬虫实战:5分钟搞定东方财富A股数据抓取(附完整代码)
下一篇: 深度相机与手眼标定:提升精度的关键策略与实践
张颖月
博客等级 码龄10年 52粉丝 2597原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址