Data Visualization with ggplot2 (W7)

R 的繪圖系統

眾所皆知，R 語言的繪圖能力非常強大。相較其它統計套裝軟體，R 讓使用者能對圖的細部做許多調整，甚至去創造出獨特的圖片 (i.e. 不屬於傳統統計圖範疇內的圖)。

但隨著強大繪圖功能伴隨而來的便是異常複雜的繪圖函數。傳統的 R 即擁有很厲害的繪圖系統：base R graphics 與 lattice 套件皆是功能非常強大的繪圖系統，但其學習曲線也相當陡峭，因此，實習課僅會介紹 ggplot2 這個較易上手 (但功能仍相當強大) 的繪圖系統 (套件)。

今天用到的資料: diamonds

• diamonds 是 ggplot2 套件的內建資料。這筆資料記錄著 5 萬多筆鑽石的售價以及各種資訊。可使用 ?diamonds 閱讀此資料各變項的說明。

carat	cut	color	clarity	depth	table	price	x	y	z
0.23	Ideal	E	SI2	61.5	55	326	3.95	3.98	2.43
0.21	Premium	E	SI1	59.8	61	326	3.89	3.84	2.31
0.23	Good	E	VS1	56.9	65	327	4.05	4.07	2.31
0.29	Premium	I	VS2	62.4	58	334	4.20	4.23	2.63
0.31	Good	J	SI2	63.3	58	335	4.34	4.35	2.75
0.24	Very Good	J	VVS2	62.8	57	336	3.94	3.96	2.48

因為 diamonds 相當龐大，為減少運算時間，這裡從 diamonds 抽出 1500 筆資料儲存於 diam

library(dplyr)
library(ggplot2)

diam <- diamonds %>% sample_n(size = 1500)

Template 1

• 最基本的 ggplot 模板：

  ggplot(data = <DATA>) +
    <GEOM_FUNCTION>(mapping = aes(<MAPPINGS>))

• 使用模板繪製散布圖：

  

  ggplot() 的結構

散布圖 (Scatter plot)

• 使用下方程式碼，可繪製出鑽石的重量 (克拉) 與價錢 (美元) 的關係 (散布圖)

  library(ggplot2)
  
  ggplot(data = diam) +
    geom_point(mapping = aes(x = carat, y = price))

  

圖層

• 在 ggplot 的概念中，圖片是由一層層的圖層堆疊起來的：

  1. 第一層 (ggplot()) 是底圖 (初始化繪圖函數)。在這層定義的內容 (e.g. data) 可被之後的圖層使用。

     ggplot(data = diam)   # 底層

     

  2. 第二層 (geom_point()) 畫在底圖之上。圖層之間以 + 連結起來,要將第一與第二層連起來，得在繪製第一層圖層的程式碼之後加上一個 +：

     ggplot(data = diam) +                                # 底層
       geom_point(mapping = aes(x = carat, y = price))    # 第二層

     

  3. 如果想增加其它圖層，只要再繼續使用 +:

     ggplot(data = diam) +                                # 底層
       geom_point(mapping = aes(x = carat, y = price)) +  # 第二層
       geom_smooth(mapping = aes(x = carat, y = price))   # 第三層

     

Mapping: 將資料對應至視覺屬性

• 要能繪製統計圖，必須先將抽象的資料 (i.e. data frame) 對應至實際可見的視覺屬性上 (e.g. 位置、形狀、大小、顏色、透明度等) 。不同的統計圖，所需的「資料與視覺屬性間的對應關係」就不同。

• 要繪製一個散布圖，我們必須將 data frame 中的一個變項對應至 x 軸、另一個變項對應至 y 軸，以將 data frame 中的每筆觀察值 (抽象資料) 轉換成圖上的一個個點 (視覺屬性)

• geom_*() 中的參數 mapping，即在定義「data frame 中的資料與統計圖上之視覺屬性的關係」：

  ggplot(data = diam) +
    geom_point(mapping = aes(x = carat, y = price, color = clarity))

  

  • 在 aes() 裡面定義資料與視覺屬性間的關係
    • x = carat: 將 diam 中的變項 carat 對應至散布圖的 x 軸
    • y = price: 將 diam 中的變項 price 對應至散布圖的 y 軸
    • x 與 y 會共同決定一個點的位置
    • color = clarity: 將 diam 中的變項 clarity 對應至散布圖上點的顏色

Aesthetic Mappings

長條圖 (Bar chart)

• 概念上，繪製長條圖與繪製散布圖是很不一樣的：
  • 散布圖上的視覺屬性可以直接對應到 data frame 裡的資料
  • 長條圖的視覺屬性 (bar 的長度) 無法直接對應到 data frame 裡的資料。它對應到的是由 data frame 裡的資料經過彙整的結果:
    • x 軸上是某變項裡的各個類別組成的
    • y 軸代表各個類別出現的次數

• geom_bar() 是用來繪製長條圖的函數。在定義 mapping 時，只需將 data frame 的某個變項 (通常為類別變項) 對應至 x，geom_bar() 即會自動依據此變項計算出各類別的次數。換言之，在生成的長條圖中，y 軸 (count) 並非 data frame 的變項，而是 geom_bar() 幫你計算出來的東西，因此在定義 mapping 時，不需定義變項與 y 軸間的 mapping。

  ggplot(data = diam) + 
    geom_bar(mapping = aes(x = cut))

  

• geom_bar() 在繪製長條圖之前，為符合繪圖需求而將傳入的 data frame 進行的運算，稱為 Statistical Transformation:

  

  geom_bar()’s default statistical transformation
  Source: https://r4ds.had.co.nz/data-visualisation.html#statistical-transformations

Statistical Transformations

• 有時候，我們只能拿到已整理好的資料，換言之，我們無法從 x 裡面去計算出裡面各類別的次數 (count)，例如 sum_data 已儲存著 cut 當中各類別的次數 (count)：

  sum_data <- diam %>% 
    group_by(cut) %>%
    summarise(count = n())
  
  sum_data

  #> # A tibble: 5 x 2
  #>   cut       count
  #>   <ord>     <int>
  #> 1 Fair         51
  #> 2 Good        129
  #> 3 Very Good   340
  #> 4 Premium     411
  #> 5 Ideal       569

• 如果想使用 sum_data 之中的變項直接去畫出長條圖，就需要覆寫 「geom_bar() 自動從 x 計算出次數」的預設行為。這個行為可由 geom_bar() 的 stat 參數進行設定。

• geom_bar() 的 stat 預設值是 "count"，讓 geom_bar() 可以從「對應至 x 的變項」計算出此變項裡各類別的次數。

• 若不想自動進行這種計算，而想直接使用 data frame 本身的變項，則可以將 stat 設為 "identity"，此時便可以在 mapping 中直接將 data frame 的變項對應至長條圖的 x 軸 與 y 軸：

  # stat = "identity"
  ggplot(data = sum_data) +
    geom_bar(mapping = aes(x = cut, y = count),
             stat = "identity") +
    labs(title = 'stat = "identity"')
  
  # stat = "count" (geom_bar 預設)
  ggplot(data = diam) +
    geom_bar(mapping = aes(x = cut),
             stat = "count") +
    labs(title = 'stat = "count" (default)')

  

geom_*() 與 stat 預設

• 所有的 geom_*() 函數都會有一個 stat 的預設值：
  • geom_point() 預設 stat = "identity"，所以給定 x 與 y 兩個 mapping，便會將 data frame 中的變項對應至圖上的 x 軸與 y 軸。
  • geom_bar() 預設 stat = "count"，會從對應至 x 的變項中計算出該變項各個類別的次數，並將此次數繪於圖上的 y 軸

Position Adjustments

• 透過提供第二個 mapping, fill, geom_bar 能夠將每個長條再依據第二個類別變項進行細分。

ggplot(data = diam) +
  geom_bar(aes(x = cut, fill = clarity))

# position: stack (default)
ggplot(data = diam) +
  geom_bar(aes(x = cut, fill = clarity),
           position = "stack")

# position: fill
ggplot(data = diam) +
  geom_bar(aes(x = cut, fill = clarity),
           position = "fill")

# postion: dodge
ggplot(data = diam) +
  geom_bar(aes(x = cut, fill = clarity),
           position = "dodge")

Template 2

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

Facet

• 1 個類別變項

  ggplot(data = diam) +
    geom_point(aes(x = carat, y = price)) +
    facet_wrap(vars(cut))

  

• 2 個類別變項

  ggplot(data = diam) +
        geom_point(mapping = aes(x = carat, 
                                 y = price)) +
        facet_grid(rows = vars(cut),
                   cols = vars(clarity))

  

Template 3

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

Geoms

ggplot(mpg) +
  geom_point(aes(class, hwy))
ggsave('mpg_class_hwy_point.png', width = 14, height = 12, units = 'cm')

ggplot(mpg) +
  geom_boxplot(aes(class, hwy))
#ggsave('mpg_class_hwy_boxplot.png', width = 14, height = 12, units = 'cm')

ggplot(mpg) +
  geom_point(aes(class, hwy, color = drv))
#ggsave('mpg_class_hwy_color.png', width = 16, height = 12, units = 'cm')

務必閱讀

• R for Data Science: Data visualisation