R绘图第五篇：绘制散点图（ggplot2）

ggplot2包中绘制点图的函数有两个：geom_point和 geom_dotplot，当使用geom_dotplot绘图时，point的形状是dot，不能改变点的形状，因此，geom_dotplot 叫做散点图（Scatter Plot），通过绘制点来呈现数据的分布，对点分箱的方法有两种：点密度（dot-density ）和直方点（histodot）。当使用点密度分箱（bin）方式时，分箱的位置是由数据和binwidth决定的，会根据数据进行变化，但不会大于binwidth指定的宽度；当使用直方点分箱方式时，分箱有固定的位置和固定的宽度，就像由点构成的直方图（histogram）。

bin是分箱的意思，在统计学中，数据分箱是一种把多个连续值分割成多个区间的方法，每一个小区间叫做一个bin（bucket），这就意味着每个bin定义一个数值区间，连续值会落到相应的区间中。

对点进行分箱时，点的位置（Position adjustment）有多种调整方式：

identity：不调整
dodge：垂直方向不调整，只调整水平位置
nudge：在一定的范围内调整水平和垂直位置
jitter：抖动，当具有离散位置和相对较少的点数时，抖动很有用
jitterdodge：同时jitter和 dodge
stack：堆叠，
fill：填充，用于条形图

每个位置调整都对应一个函数position_xxx()。

当沿着x轴进行分箱，并沿着y轴堆叠时，y轴上的数字没有意义。

当沿x轴进行分箱并沿y轴堆叠时，由于ggplot2的技术限制，y轴上的数字没有意义。您可以隐藏y轴（如其中一个示例中所示），也可以手动缩放y轴以匹配点数。

使用geom_dotplot()函数来绘制点图：

geom_dotplot(mapping = NULL, data = NULL, position = "identity", ...,

  binwidth = NULL, binaxis = "x", method = "dotdensity",

  binpositions = "bygroup", stackdir = "up", stackratio = ,

  dotsize = , stackgroups = FALSE, origin = NULL, right = TRUE,

  width = 0.9, drop = FALSE, na.rm = FALSE, show.legend = NA,

  inherit.aes = TRUE)

常用的参数注释：

mapping：使用aes()来设置点图美学特征，参数x是因子，参数y是数值
data：数据框对象
position：位置调整（Position adjustment），默认值是identity，表示不调整位置。
method：默认值是dotdensity（点密度分箱），或者histodot（直方点，固定的分箱宽度）
binwidth：该参数用于调整分箱的宽度，该参数受到method参数的影响，如果method是dotdensity，那么binwidth指定分箱的最大宽度；如果method是histodot，那么binwidth指定分箱的固定宽度，默认值是数据范围（range of the data）的1/30。
binaxis：沿着那个轴进行分箱，默认值是x
stackdir：设置堆叠的方向，默认值是up，有效值是down、center、centerwhole和up。
stackratio：点堆叠的密集程度，默认值是1，值越小，堆集越密集；
dotsize：点的大小，相对于binwidth的直径，默认值是1。

使用ToothGrowth数据来绘制点图：

ToothGrowth$dose <- as.factor(ToothGrowth$dose)

一，绘制点图

绘制基本的点图

library(ggplot2)

p <- ggplot(ToothGrowth, aes(x=dose, y=len)) +

  geom_dotplot(binaxis='y', stackdir='center',

               stackratio=1.5, dotsize=1.2)

二，添加汇总数据

向点图中添加汇总数据，使用ggplot2包中的函数

stat_summary(mapping = NULL, data = NULL, geom = "pointrange",

  position = "identity", ..., fun.data = NULL, fun.y = NULL,

  fun.ymax = NULL, fun.ymin = NULL, fun.args = list(), na.rm = FALSE,

  show.legend = NA, inherit.aes = TRUE)

常用参数注释:

fun.data：指定一个函数（function），返回带有变量ymin,y和ymax的数据框

或者，指定三个单独的函数，分别向每个函数传递一个向量，分别返回一个数字，用于表示ymin、y和ymax：

fun.y：
fun.ymax：
fun.ymin：

fun.args=list()：可选的参数，用于指定传递给fun.xxx函数的参数

1，向点图中增加均值和中位数

# dot plot with mean points

p + stat_summary(fun.y=mean, geom="point", shape=,

                 size=, color="red")

# dot plot with median points

p + stat_summary(fun.y=median, geom="point", shape=,

                 size=, color="red")

2，向点图中增加点范围

fun.low.mean <- function(x){mean(x)-sd(x)}

fun.up.mean <- function(x){mean(x)+sd(x)}

ggplot(ToothGrowth, aes(x=dose, y=len)) +

  geom_dotplot(binaxis='y', stackdir='center', stackratio=1.5, dotsize=1.2)+

  stat_summary(fun.y = mean, fun.ymin = fun.low.mean, fun.ymax = fun.up.mean, colour = "red", size = 0.7)

3，使用fun.data向点图中增加点范围

data_summary <- function(x) {

  m <- mean(x)

  ymin <- m-sd(x)

  ymax <- m+sd(x)

  return(c(y=m,ymin=ymin,ymax=ymax))

}

ggplot(ToothGrowth, aes(x=dose, y=len)) +

  geom_dotplot(binaxis='y', stackdir='center', stackratio=1.5, dotsize=1.2)+

  stat_summary(fun.data =  data_summary, colour = "red", size = 0.7)

三，按照分组改变点图的颜色

首先要对点图分组，这通过aes(fill=dose)来实现，然后，使用scale_fill_manual()来设置每个分组的颜色：

ggplot(ToothGrowth, aes(x=dose, y=len, fill=dose)) +

  geom_dotplot(binaxis='y', stackdir='center')+

  scale_fill_manual(values=c("#999999", "#E69F00", "#56B4E9"))

四，添加点图的说明

通过theme函数向点图中增加说明，通过legend.position来控制说明的位置

ggplot(ToothGrowth, aes(x=dose, y=len, fill=dose)) +

  geom_dotplot(binaxis='y', stackdir='center')+

  scale_fill_manual(values=c("#999999", "#E69F00", "#56B4E9"))+

  theme(legend.position="top")

五，向点图中增加标题和轴的标签

通过labs()来添加标题和坐标轴的标签

ggplot(ToothGrowth, aes(x=dose, y=len, fill=dose)) +

  geom_dotplot(binaxis='y', stackdir='center')+

  scale_fill_manual(values=c("#999999", "#E69F00", "#56B4E9"))+

  labs(title="Plot of length  by dose",x="Dose (mg)", y = "Length")+

  theme_classic()

参考文档：

ggplot2高效实用指南

ggplot2入门与进阶（上）

Dot plot

ggplot2 dot plot : Quick start guide - R software and data visualization