R for Data Science｜前言、数据可视化

本帖最后由 SunFuture 于 2025-11-10 21:54 编辑

这系列文章是我当初发在某公众号上的，搬来分享给大家。
编程语言中，R是我认为最适合数据处理的。

《R for Data Science》是由被誉为“让 R 语言涅槃重生的男人”——Hadley Wickham 主编的一本入门教材。全书以 tidyverse 包为核心，由浅入深地讲解了数据可视化、数据框处理、Quarto文档等多方面的知识，为读者构建起简洁优雅的 R 语言数据科学大框架。

本书在线阅读网址：https://r4ds.hadley.nz/

前言

上图是完成一个数据科学项目的基本模型。

1. 导入（文本文件、数据库、网页API）。显然，不将数据导入，就无法对其进行数据科学研究。
2. 规整。目的是让数据结构尽量整洁，从而使分析者关注问题本身。
3. 转换。包括缩小观测值范围、创建新变量、计算汇总数据等操作。
4. 可视化。直观的图形能揭示数据中隐含的信息，同时也能验证某些猜想。
5. 建模。是可视化的补充，若要进一步精确回答问题，就需要用模型解决。
6. 交流。无论图画得多漂亮，模型建得多棒，最重要的是与其他人交流数据信息，集思广益。

上面的六个步骤都离不开编程。虽然数据科学研究者不需要登峰造极的编程技巧，但是学习一些基础的编程知识能够更方便地完成一些简单任务。

1. 数据可视化

1.1 引言

ggplot2是所有R可视化工具中最优雅的之一。
本章需载入下列R包：

library(tidyverse)
library(palmerpenguins) # 包含示例数据
library(ggthemes) # 提供色盲调色板

1.2 绘制企鹅数据图

本书开篇甩出一系列问题：企鹅的脚蹼长度和体重之间的关系是怎样的？是线性？非线性？这种关系是否因企鹅的种类而异？与地理位置有关吗？针对这些问题，我们将进行可视化操作以回答。

首先了解一些术语：

• 变量(variable)是可以测量的数量、质量等属性。
• 值(value)是测量变量时变量的状态。变量的值可能会因测量而异。
• 观测值(observation)是在相近条件下进行的一组测量 （通常就是在同一时间对同一对象的所有值）。一个观测值将包含多个值，每个值都与不同的变量相关联。
• 表格数据(tabular data)是一组值，每个值都与一个变量和一个观测值相关联。

接下来输入palmerpenguins::penguins以打开示例数据的数据框。注意到并未显示出所有变量。

> palmerpenguins::penguins
# A tibble: 344 × 8
   species island  bill_length_mm bill_depth_mm
   <fct>   <fct>            <dbl>         <dbl>
 1 Adelie  Torger…           39.1          18.7
 2 Adelie  Torger…           39.5          17.4
 3 Adelie  Torger…           40.3          18  
 4 Adelie  Torger…           NA            NA  
 5 Adelie  Torger…           36.7          19.3
 6 Adelie  Torger…           39.3          20.6
 7 Adelie  Torger…           38.9          17.8
 8 Adelie  Torger…           39.2          19.6
 9 Adelie  Torger…           34.1          18.1
10 Adelie  Torger…           42            20.2
# ℹ 334 more rows
# ℹ 4 more variables: flipper_length_mm <int>,
#   body_mass_g <int>, sex <fct>, year <int>
# ℹ Use `print(n = ...)` to see more rows

也可使用glimpse(penguins)，查看所有变量和每个变量的前几个观测值的替代视图。

> glimpse(penguins)
Rows: 344
Columns: 8
$ species           <fct> Adelie, Adelie, Adelie, Adelie, Ad…
$ island            <fct> Torgersen, Torgersen, Torgersen, T…
$ bill_length_mm    <dbl> 39.1, 39.5, 40.3, NA, 36.7, 39.3, …
$ bill_depth_mm     <dbl> 18.7, 17.4, 18.0, NA, 19.3, 20.6, …
$ flipper_length_mm <int> 181, 186, 195, NA, 193, 190, 181, …
$ body_mass_g       <int> 3750, 3800, 3250, NA, 3450, 3650, …
$ sex               <fct> male, female, female, NA, female, …
$ year              <int> 2007, 2007, 2007, 2007, 2007, 2007…

此外还可运行view(penguins)，打开交互式数据查看器。

我们的目标是用可视化图显示这些企鹅的脚蹼长度和体重、种类之间的关系。所以接下来开始介绍ggplot()这一核心函数。

第一个参数是data，表示我们绘图所需的数据集，此处即ggplot(data = penguins)。但由于我们还没有声明具体绘图方式，因此现在画布尚为空白。

第二个参数为mapping，通常与美学函数(aes)成对出现。aes()函数中x和y的参数要分别映射到 x 轴和 y 轴，在本例中，我们将脚蹼长度映射到x，将体重映射到y，ggplot2 会在参数中查找映射的变量。故而输入：

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
)

现在画布上出现了坐标轴，脚蹼长度为 x 轴，体重为 y 轴。但是还没有图线，因为尚未设置绘图模板。

下面定义绘图模板geom (geometric object)。不同类型的图以不同类型的基础几何图形组成。

• 条形图使用条形 geom_bar()
• 折线图使用线geom_line()
• 箱线图使用箱型 geom_boxplot()
• 散点图使用点geom_point()

注意geom函数与ggplot函数是并列的，二者以加号相连。不妨尝试画一个散点图：

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point()
#> Warning: Removed 2 rows containing missing values or values outside the scale range
#> (`geom_point()`).

我们注意到生成图像时有警告信息，是因为数据中有两只企鹅缺少体重或脚蹼长度值，ggplot2 无法在图上表示缺失值。ggplot2 贯彻不让任何缺失值静默地缺失这一理念。

接下来，我们需要将物种这一变量纳入图中，可以通过使用不同颜色的点来表示不同物种。使用color=<变量>参数即可实现。绘制完成后可以发现ggplot2帮我们附上了一个图例。

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g, color = species)
) +
  geom_point()

为了让图像更直观，最好再添加一个图层，以显示体重和脚蹼长度之间关系的平滑曲线，用geom_smooth()函数表示。由于平滑曲线是一个新的几何对象，与散点图并存，故而函数geom_smooth(method = "lm")也应独立，用加号连接。其中lm表示线性模型(linear model)。

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g, color = species)
) +
  geom_point() +
  geom_smooth(method = "lm")

此代码输出的图包含三条线，分别表示三个物种，看起来颇为凌乱。如果曲线的对象是整个数据，就能做到只输出一条总线，那么如何设置？

实际上，ggplot函数里的参数是影响所有geom的，而各个geom函数里的参数则各自为营而互不干扰。因此可让颜色只在散点图中作为物种区分，从而不影响平滑曲线：

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point(mapping = aes(color = species)) +
  geom_smooth(method = "lm")

现在得到的图像美观多了，但仍有进步空间。考虑到色盲人士，只用颜色区分物种貌似不太妥当，可以将点改为多种形状来区分。使用shape=<变量>参数即可实现。同样也会附上图例。

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point(mapping = aes(color = species, shape = species)) +
  geom_smooth(method = "lm")

最后一步，我们可以添加一个用于解释图像的函数labs()，从而为图添加标题和副标题，并以与美学映射匹配的方式添加坐标轴文字，并定义图例的标签等等。此外，还可以使用 ggthemes 包中的函数改进调色板，进一步照顾色盲人士。

> ggplot(
+     data = penguins,
+     mapping = aes(x = flipper_length_mm, y = body_mass_g)
+ ) +
+     geom_point(aes(color = species, shape = species)) +
+     geom_smooth(method = "lm") +
+     labs(
+         title = "Body mass and flipper length",
+         subtitle = "Dimensions for Adelie, Chinstrap, and Gentoo Penguins",
+         x = "Flipper length (mm)", y = "Body mass (g)",
+         color = "Species", shape = "Species"
+     ) +
+     scale_color_colorblind()

1.3 调用 ggplot2

ggplot函数的核心用法已阐述完毕，下面将以更简洁的形式呈现，省略参数名称（data和mapping）。所以上一节中的某一命令可简化为：

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point()

当然也可以借助R的管道进行简化：

penguins |> 
  ggplot(aes(x = flipper_length_mm, y = body_mass_g)) + 
  geom_point()

1.4 分布可视化

如果要将企鹅的种类等**类别变量(categorical variable)**可视化，可使用条形图geom_bar()如下：

ggplot(penguins, aes(x = species)) +
  geom_bar()

如此便可生成对应条形图，但是排列是无序的。借助fct_infreq()函数按照每个类别的数量进行降序排序：

ggplot(penguins, aes(x = fct_infreq(species))) +
  geom_bar()

如果要对企鹅的体重等**数值变量(numerical variable)**进行可视化，可使用直方图geom_histogram()：

ggplot(penguins, aes(x = body_mass_g)) +
  geom_histogram(binwidth = 200)

指令中的 binwidth 参数设置直方图中的间隔宽度。在应用直方图时，需要尝试多种 binwidth参数，以找到最顺眼且最合理的样式。比如设置为20时显然过于密集了：

数值分布还可以用密度图geom_density()进行可视化，相当于连接直方图各个长条的顶点绘制的曲线：

ggplot(penguins, aes(x = body_mass_g)) +
  geom_density()
#> Warning: Removed 2 rows containing non-finite outside the scale range
#> (`stat_density()`).

1.5 关系可视化

为了可视化变量间的关系，我们需要将至少两个变量映射到美学。下面将介绍用于可视化两个或多个变量之间关系的常用绘图。

1.5.1 数值变量和类别变量

要对数值变量和类别变量进行关系可视化，可使用箱线图geom_boxplot()。

箱线图由以下部分组成：

• 一个表示数据中间半部分范围的框，该距离称为四分位距 （IQR），从分布的第 25 个百分位数延伸到第 75 个百分位数。框中间有一条横线，显示分布的中位数，即第 50 个百分位数。这三条线体现数据的分散程度，以及分布是关于中位数对称还是偏向于某一侧。
• 超过框的任一边缘 IQR 1.5 倍的观测值的数据会以点的形式单独标注，称为outliers。
• 从框的两端延伸并到达最远的非异常值点的线称作须线(whisker)。

现在使用箱线图将企鹅体重与物种的关系可视化：

ggplot(penguins, aes(x = species, y = body_mass_g)) +
  geom_boxplot()

关系的可视化也可以使用密度图，不过较前文有所进阶。使用linewidth参数自定义线条粗细：

> ggplot(penguins, aes(x = body_mass_g, color = species)) +
+ geom_density(linewidth = 0.75)

可以用fill参数为密度曲线填充颜色，同时使用alpha参数设置填充的透明度：

ggplot(penguins, aes(x = body_mass_g, color = species, fill = species)) +
  geom_density(alpha = 0.5)

1.5.2 两个类别变量

使用堆叠条形图来可视化两个类别变量的关系。例如要处理物种和岛名的关系：

ggplot(penguins, aes(x = island, fill = species)) +
  geom_bar()

像这样直接生成的条形图反映了绝对数值，但是对于各岛企鹅物种占比的对比不太直观。此时可设置参数position="fill"的方式让相对频率更直观：

ggplot(penguins, aes(x = island, fill = species)) +
  geom_bar(position = "fill")

1.5.3 两个数值变量

书中指出，散点图是可视化两个数值变量之间关系的最常用图。

ggplot(penguins, aes(x = flipper_length_mm, y = body_mass_g)) +
  geom_point()

1.5.4 三个或更多变量

针对三个变量，我们可以加入更多美学要素以表示变量，比如用点的颜色表示物种，用点的形状表示岛屿：

ggplot(penguins, aes(x = flipper_length_mm, y = body_mass_g)) +
  geom_point(aes(color = species, shape = island))

但是这样做的缺陷非常明显，图片十分杂乱，若变量更多则更糟糕。故而有另一种方案：分面。即使用多个子图以表示类别变量。

要进行分面，则使用facet_wrap()函数，参数为符号~后加上需要分面的类别变量名称。例如将岛屿进行分面：

ggplot(penguins, aes(x = flipper_length_mm, y = body_mass_g)) +
  geom_point(aes(color = species, shape = species)) +
  facet_wrap(~island)

1.6 保存绘图

使用ggsave()函数保存最近一次所画图像，参数file可设置图像名称及路径。比如：

ggplot(penguins, aes(x = flipper_length_mm, y = body_mass_g)) +
  geom_point()
ggsave(filename = "penguin-plot.png")