R语言_ggplot2_Lv1_Position

R语言_学习笔记

• 散点图分面

> mpg2 <- subset(mpg,cyl!=5 & drv %in% c("4","f"))   #注意"%in%"和"=="的区别。
> p1 <- ggplot(mpg2,aes(cty,hwy)) + geom_point(aes(color=factor(cyl))) + scale_color_brewer(palette="Set1")
> p1 + facet_grid(.~cyl)  

• 直方图分面

> p2 <- ggplot(mpg2,aes(cty)) + geom_histogram(binwidth=2,aes(fill=factor(cyl)))
> p2 + facet_grid(cyl~.)   

• 多个因子在不同行不同列 (纵向和横向都分面)

> p3 <- ggplot(mpg2,aes(cty,hwy)) 
> p3 + geom_point(aes(color=drv,shape=cyl)) + facet_grid(drv~cyl, margins="cyl")  
#暂时只想到用颜色和样式或颜色和透明度来描述不同行不同列的点。

• 多个因子在同一行或同一列

> p3 + geom_point(colour="orange2",alpha=.4,size=3)+ facet_grid(cyl+drv~.)   

• 分组和分面的区别

(1)、分组是在一个大的数据集中来作图，只是会用不同的属性来标示不同的变量。
(2)、分组变量 是把同一张图内的数据分成几个部分来处理。
(3)、有时你即使做了分组，也达不到你想要的效果。例如：

> dia <- subset(diamonds,color %in%c("D","E","G","J"))
> ggplot(dia,aes(carat,price)) + geom_point(aes(color=color))   

(1)、分面则是同时在数据集的多个子集上做出相同的图。
(2)、分面变量是把数据分割成几个部分，每个部分分别画在一张小图里。
(3)、分面后，眼前突然豁然开朗，它恰如其分地达到你想要的效果。

> ggplot(dia,aes(carat,price)) + geom_point(aes(color=color)) + facet_grid(.~color)  

• 并列与分面的差距

> ggplot(diamonds,aes(color)) + geom_bar(aes(fill=cut),position="dodge")

> ggplot(diamonds,aes(cut)) + geom_bar(aes(fill=cut),position="dodge") + facet_grid(.~color) +theme(axis.text.x = element_text(angle = 90,  size =8,hjust = 1,colour = "grey50"),legend.position="none") 

分面后发现，图例已是多余，故此处将其剔除。

• 边际图 (即在最后一行，对前面的所有分量进行汇总展示。)

> p4 <- ggplot(mpg2,aes(displ,hwy)) +geom_point(colour="blue2",alpha=.4,size=3)
> p4 + facet_grid(cyl~drv,margins=T)

• 用facet_wrap封装2维分面

> library(plyr)
> movies$decade <- round_any(movies$year,10,floor)
> ggplot(subset(movies,decade>1890),aes(rating)) + geom_histogram(aes(y= ..density..,fill=factor(decade) ),binwidth=0.3) + facet_wrap(~decade,ncol=5)

• 标度控制之scales篇，合理自由化横轴or纵轴，让图形更漂亮。

> library(reshape2)
> em <- melt(economics,id="date")
> ggplot(em,aes(date,value)) + geom_line(aes(group=variable,colour=variable)) + facet_grid(variable~.,scale="free_y") + scale_color_brewer(palette="Set1")

• 标度控制之space篇，合理化宽度(高度)与列(行)的标度范围，使之对应成比例。即更加合理化每一面的所占用的面积大小：数据多的面，占用面积更大。而不是一味的平均主义。

> mpg3 <- within(mpg2, {model <- reorder(model, cty)
                      manufacturer <- reorder(manufacturer, -cty)
})
> models <- ggplot(mpg3,aes(cty,model)) + geom_point(aes(color=manufacturer)) 
> models + facet_grid(manufacturer ~ ., scales = "free", space = "free") + theme(strip.text.y= element_text(angle = 0))

• 完美体现scales和space两个参数的精华

> mpg4 <- subset(mpg, manufacturer %in% c("audi", "volkswagen", "jeep"))
> base <- ggplot(mpg4, aes(fill = model)) +geom_bar(position = "dodge")

(1)、生肉，极度不漂亮

> base + aes(x = model) +facet_grid(. ~ manufacturer,)           

(2)、五分熟，但还是不漂亮

> base + aes(x = model) +facet_grid(. ~ manufacturer,space="free") 

(3)、七分熟，但仍不完美

> base + aes(x = model) +facet_grid(. ~ manufacturer,scales="free_x") 

(4)、熟透了，非常漂亮

> base + aes(x = model) +facet_grid(. ~ manufacturer, scales = "free_x", space = "free") + labs(x="manufacturer") 

• 对连续型变量进行分面

> po <- ggplot(mpg2,aes(cty,hwy)) + labs(x=NULL,y=NULL) 

(1)、控制每个部分的长度

> mpg2$disp_ww <- cut_interval(mpg2$displ, length = 1)
> po + facet_wrap(~disp_ww,nrow=1) + theme(legend.position="none") + geom_point(aes(color=disp_ww)) 

(2)、控制划分的数目

> mpg2$disp_wn <- cut_interval(mpg2$displ, n = 6) 
> po + facet_wrap(~disp_wn,nrow=1) + theme(legend.position="none") + geom_point(aes(color=disp_wn)) 

(3)、控制有相同数目点的个数

> mpg2$disp_nn <- cut_number(mpg2$displ, n = 6)  
> po + facet_wrap(~disp_nn,nrow=1) + theme(legend.position="none") + geom_point(aes(color=disp_nn)) 

• 区别标度的范围和坐标轴的范围

(0)、生肉

> io <- ggplot(mtcars,aes(disp,wt)) + geom_smooth(color="skyblue3") + geom_point(color="darkorange")
> io

(1)、设定标度范围时，任何超出此范围的数据都会被删除，即对原数据集取子集，再重新制图。
（此处相当于利用抽取出来的子集，重新拟合。）

#两条语句等价，都写出来纯属方便理解
> io + xlim(325,500)
> io + scale_x_continuous(xlim=c(325,500))

(2)、设定坐标系范围，用的仍是原来的数据集(还是熟悉的配方，还是熟悉的味道)，只不过只展示一小片图形区域，相当于用放大镜来看图形。

> io + coord_cartesian(xlim=c(325,500))