第六篇：R语言数据可视化之数据分布图（直方图、密度曲线、箱线图、等高线、2D密度图）

数据分布图简介

中医上讲看病四诊法为：望闻问切。而数据分析师分析数据的过程也有点相似，我们需要望：看看数据长什么样；闻：仔细分析数据是否合理；问：针对前两步工作搜集到的问题与业务方交流；切：结合业务方反馈的结果和项目需求进行数据分析。

"望"的方法可以认为就是制作数据可视化图表的过程，而数据分布图无疑是非常能反映数据特征(用户症状)的。R语言提供了多种图表对数据分布进行描述，本文接下来将逐一讲解。

绘制基本直方图

本例选用如下测试集：

直方图的横轴为绑定变量区间分隔的取值范围，纵轴则表示变量在不同变量区间上的频数。绘制时只需将基函数的美学特征集中配置好需要分析的变量，然后创建新的直方图图层即可。R语言示例代码如下：

# 基函数
ggplot(faithful, aes(x = waiting)) +
  # 直方图函数：binwidth设置组距
  geom_histogram(binwidth = 5, fill = "lightblue", colour = "black")

运行结果：

基于分组的直方图

本例选用如下测试集：

直方图的分组图和本系列前面一些博文中讲的一些分组图不同，它不能进行水平方向的堆积 - 这样看不出频数变化趋势；也不能进行垂直方向的堆积 - 这样同样看不出趋势。这里采用一种新的堆积方法：重叠堆积，R语言实现代码如下：

# 预处理：将smoke变量转换为因子类型
birthwt$smoke = factor(birthwt$smoke)

# 基函数：x设置目标变量
ggplot(birthwt, aes(x = bwt, fill = smoke)) +
  # 直方图函数：position设置堆积模式为重叠
  geom_histogram(position = "identity", alpha = 0.4)

运行结果：

也可以采用分面的方法，R语言实现代码如下：

# 预处理1：将smoke变量转换为因子类型
birthwt$smoke = factor(birthwt$smoke)
# 预处理2：改变因子水平名称
birthwt$smoke = revalue(birthwt$smoke, c("0" = "No Smoke", "1" = "Smoke"))

# 基函数
ggplot(birthwt, aes(x = bwt)) +
  # 直方图函数
  geom_histogram(fill = "lightblue", colour = "black") +
  # 分面函数：纵向分面
  facet_grid(smoke ~ .)

运行结果：

绘制密度曲线

本例选用如下测试集：

密度曲线表达的意思和直方图很相似，因此密度曲线的绘制方法和直方图也几乎是相同的。区别仅在于密度曲线的横轴要绑定到连续型变量，另外绘制函数的名字不同。R语言示例代码如下：

# 预处理：将smoke变量转换为因子类型
birthwt$smoke = factor(birthwt$smoke)

# 基函数：x设置目标变量，fill设置填充色
ggplot(birthwt, aes(x = bwt, fill = smoke)) +
  # 密度曲线函数：alpha设置填充色透明度
  geom_density(alpha = 0.3)

运行结果：

绘制基本箱线图

本例选用如下测试集：

箱线图是一种常用数据分布图，下图表示了这种图中各元素的意义：

绘制方法是在基函数中将变量分组绑定到横轴，变量本身绑定到纵轴。此外，为了美观也可以将分组绑定到fill变量并设置调色板。R语言示例代码如下：

# 基函数
ggplot(birthwt, aes(x = factor(race), y = bwt, fill = factor(race))) +
  # 箱线图函数
  geom_boxplot() +
  # 颜色标尺
  scale_fill_brewer(palette = "Pastel2")

运行结果：

往箱线图添加槽口和均值

在上一节绘制的基本箱线图之上，还能进一步绘制以展示更多信息。

其中最常见的是为箱子添加槽口，它能更清晰的表示中位数的位置。R语言实现代码如下：

# 基函数
ggplot(birthwt, aes(x = factor(race), y = bwt, fill = factor(race))) +
  # 箱线图函数
  geom_boxplot(notch = TRUE) +
  # 颜色标尺
  scale_fill_brewer(palette = "Pastel2")

运行结果：

通过stat_summary()函数，还可以在箱线图中标记均值点。R语言实现代码如下：

# 基函数
ggplot(birthwt, aes(x = factor(race), y = bwt, fill = factor(race))) +
  # 箱线图函数
  geom_boxplot(notch = TRUE) +
  # 颜色标尺
  scale_fill_brewer(palette = "Pastel2")

运行结果：

绘制2D等高线

本例选用如下测试集：

绘制2D等高线主要是调用stat_density()函数。这个函数会给出一个基于数据的二维核密度估计，然后我们可基于这个估计值来判断各样本点的"等高"性。接下来首先给出各数据点及等高线的绘制方法，R语言实现代码如下：

# 基函数
ggplot(faithful, aes(x = eruptions, y = waiting)) +
  # 散点图函数
  geom_point() +
  # 密度图函数
  stat_density2d()

运行结果：

        也可以通过设置密度函数美学特征集中的colour参数来给不同密度的等高线着色，R语言实现代码如下：

# 基函数
ggplot(faithful, aes(x = eruptions, y = waiting)) +
  # 密度图函数：colour设置等高线颜色
  stat_density2d(aes(colour = ..level..))

运行结果：

绘制2D密度图

本例选用如下测试集：

等高线图也是密度图的一种，因此绘制密度图和等高线图用的是同一个函数：stat_density()，只是它们传入的参数不同。首先绘制经典栅格密度图，R语言实现代码如下：

# 基函数
ggplot(faithful, aes(x = eruptions, y = waiting)) +
  # 密度图函数：fill设置填充颜色数据为密度，geom设置绘制栅格图
  stat_density2d(aes(fill = ..density..), geom = "raster", contour = FALSE)

运行结果：

也可以将密度变量映射到透明度来渲染，R语言实现代码如下：

ggplot(faithful, aes(x = eruptions, y = waiting)) +
  # 散点图函数
  geom_point() +
  # 密度图函数：alpha设置填充透明度数据为密度，geom设置绘制栅格图
  stat_density2d(aes(alpha = ..density..), geom = "raster", contour = FALSE)

运行结果：