劉小澤開始寫于18.9.4晚，這必定是一個(gè)持續(xù)性更新的過程
昨天jimmy一發(fā)朋友圈，單篇閱讀量很快超過了我們的關(guān)注人數(shù)??開心之余，今晚拿起了數(shù)據(jù)科學(xué)這本書看了起來～正如書的安排，將第一部分分給了可視化，確實(shí)讓人耳目一新，學(xué)習(xí)R可視化并且用最好用的ggplot2工具，讓學(xué)習(xí)變成一種享受。
我會(huì)按學(xué)習(xí)的內(nèi)容梳理重點(diǎn)問題
前言
需要整潔的數(shù)據(jù)tidy data
每一列是一個(gè)變量，每一行是一個(gè)觀測
需要安裝tidyverse包
包括了ggplot2/tibble/readr/purrr/dplyr，使用tidyverse_update()檢查更新
指定對象
包的名稱后用兩個(gè)冒號，如dplyr::mutate()
ggplot繪圖
繪圖模版
ggplot(data = <DATA>) +
<GEOM_FUNCTION>(mapping = aes(<MAPPING>))
這個(gè)思路很棒！也講出了ggplot的作圖邏輯
- 無論什么圖，首先需要輸入的就是數(shù)據(jù)集
<DATA>，這時(shí)繪制的是一張白紙； - 接下來就看你需要做什么圖了，就是選擇幾何對象的過程，比如要做散點(diǎn)圖，就將
<GEOM_FUNCTION>替換成geom_point； - 有了幾何對象，接下來就要考慮，我們數(shù)據(jù)集中的數(shù)據(jù)怎么映射上去呢，x軸代表什么，y軸又代表什么呢？這個(gè)就是
<MAPPING>需要做的事情——指定映射變量； - 指定完變量后，就要想，怎么設(shè)置字體大小(size)，形狀(shape)、【填充|邊框】顏色(fill | color)、透明度(alpha)等等，這些叫圖形屬性，也都是在
<GEOM_FUNCTION>中完成； - 繪制完一個(gè)圖層后，當(dāng)然可以繼續(xù)新加圖層，覆蓋到原來之上（比如這里的散點(diǎn)圖）
繪圖注意
-
不要將無序變量映射為有序圖形屬性，什么樣的變量就用什么樣的屬性
有序圖形屬性包括：size；無序?qū)傩园ǎ簊hape、size
進(jìn)行圖形屬性設(shè)置時(shí)，有的屬性是有序的圖形屬性，比如size，就是它是和數(shù)據(jù)的大小順序有關(guān)的，反映出來的結(jié)果應(yīng)該是：數(shù)值越大，點(diǎn)的大小越大。
但是如果用一個(gè)無序的變量（比如mpg數(shù)據(jù)集中的class變量，它只是一個(gè)分類的作用）去映射size，結(jié)果就會(huì)根據(jù)不同類別的class表現(xiàn)大小，基本上結(jié)果是看不出來什么問題的ggplot(data = mpg)+ geom_point(mapping = aes(x = displ, y = hwy, size= class))
ggplot2最多同時(shí)使用6種形狀
-
繪圖模版的倒數(shù)第二條中，設(shè)置顏色用字符串，設(shè)置大小用毫米，設(shè)置形狀用數(shù)值。關(guān)于形狀：
空心-邊界顏色-color 【0-14】 實(shí)心-填充顏色-color；【15-20】 填充-邊界顏色-color，填充顏色-fill【21-24】
一行代碼寫不完，可以用+然后換行，但是+必須在結(jié)尾
圖形分面：特別適合添加分類變量
單個(gè)變量：facet_wrap(~變量，nrow=)
兩個(gè)變量：facet_grid(變量1~變量2)ggplot中有大于30種幾何對象，就是做出來的圖形，但是對于不用的圖進(jìn)行設(shè)置的屬性也有些差別，比如：帶線的圖就不能用點(diǎn)圖的shape設(shè)置形狀，可以用linetype設(shè)置實(shí)線、虛線等
show.legend=T/F設(shè)置是否顯示圖例-
創(chuàng)建表格可以用
demo <- tribble( ~a, ~b, "bar_1", 20, "bar_2", 30, "bar_3", 40) -
在<GEOM_FUNCTION>()中還可以添加統(tǒng)計(jì)變換
#stat_summary：匯總統(tǒng)計(jì)，主要計(jì)算數(shù)據(jù)集合的最大值、最小值、平均數(shù)等； #stat_bin：封箱統(tǒng)計(jì)，將數(shù)據(jù)劃分成一個(gè)個(gè)的區(qū)域，然后在外面嵌套匯總統(tǒng)計(jì)； #stat_smooth：線性回歸、非線性回歸以及各種平滑插值算法，用于查找數(shù)據(jù)的規(guī)律； #stat_density：樣本估計(jì)總體的概率密度； -
位置調(diào)整position
#選項(xiàng)1.identity ggplot(diamonds,aes(x=cut, fill = clarity))+ geom_bar(position = "identity", alpha = 1/4) #設(shè)置透明度 ggplot(diamonds,aes(x=cut, color = clarity))+ geom_bar(position = "identity", fill=NA) #選擇不填充，也就是完全透明，只有邊框 #選項(xiàng)2.fill（和堆疊相似，但各組高度相同）方便比較比例 ggplot(diamonds, aes(x=cut, fill =clarity))+ geom_bar(position = "fill") #選項(xiàng)3.dodge（各組條形并列放置）方便比較數(shù)值 ggplot(diamonds, aes(x=cut, fill = clarity))+ geom_bar(position = "dodge", alpha=1/2) #選項(xiàng)4.適合散點(diǎn)圖的jitter（隨機(jī)抖動(dòng)）避免因數(shù)據(jù)四舍五入而使部分值重疊 #不加抖動(dòng)是這樣 ggplot(mpg)+geom_point(aes(x= displ, y = hwy)) #加了是這樣，可以看出數(shù)據(jù)聚集模式 ggplot(mpg)+geom_point(aes(x= displ, y = hwy), position = "jitter") #快速實(shí)現(xiàn)用geom_jitter ggplot(mpg)+geom_jitter(aes(x= displ, y = hwy)) 作出一條參考線：對角線
geom_abline()；水平geom_hline; 豎直geom_vline
基礎(chǔ)工作流
賦值
雖然=也可以，還是推薦使用<- 。因?yàn)?后來可能會(huì)引起混淆
快速輸入<-，用Alt +減號
對象名稱
小寫字母，_分隔
調(diào)取快捷鍵幫助
alt + shift + K
學(xué)習(xí)dplyr
五大金剛:
filter()按值篩選觀測值；arrange()行重排序；select()按名稱選取變量；mutate()使用現(xiàn)有變量創(chuàng)建新變量；summarize()獲得摘要
【工作方式：函數(shù)(數(shù)據(jù)框，變量名稱+操作) = 》結(jié)果返回新數(shù)據(jù)框】一種設(shè)定：group_by()，可以改變上述函數(shù)的作用范圍
#先加載參考數(shù)據(jù)集——航班概況
install.packages("nycflights13")
library(nycflights13)
filter
想同時(shí)輸出結(jié)果并保存在一個(gè)變量中，可以這樣：
(dec25 <- filter(flights, month == 1, day == 1))
比較數(shù)值—浮點(diǎn)數(shù)較特殊
> sqrt(2)^2 == 2
[1] FALSE
#計(jì)算機(jī)使用有限位數(shù)運(yùn)算，因此sqrt(2)^2結(jié)果是個(gè)近似值，要采用near函數(shù)來判斷
> near(sqrt(2)^2, 2)
[1] TRUE
邏輯運(yùn)算
#找到11月或者12月的航班
filter(flights, month == 11| month == 12)
#但是，如果這樣寫：
filter(flights, month == 11| 12) #結(jié)果大不同
# 因?yàn)槌绦蛳瓤吹氖?1 | 12，返回邏輯值是TRUE， 而TRUE代表數(shù)字1，因此結(jié)果就是相當(dāng)于 filter(flights, month == 1)，會(huì)找到1月份的航班
NA == NA => NA
NA是什么？=》not available的缺失值
打眼看去，很奇怪的表達(dá)，判斷NA == NA，怎么結(jié)果還是NA？
按現(xiàn)實(shí)情況去解釋就好理解了：豆豆的年齡未知（dou <- NA），花花的年齡也未知 （hua <- NA），那么豆豆花花的年齡一樣嗎(dou == hua?)，不知道啊，所以還是NA
當(dāng)然，要判斷NA值，用is.na()
filter()默認(rèn)只保留TRUE的行，排除FALSE、NA，如果要保留NA，例如
filter(df, is.na(x) |x>1 )
簡寫 %in%
選出x是y中的一個(gè)值的所有行
filter(flights, month %in% c(11,12)) #就是上面的簡寫
簡化篩選條件
#如果要找出發(fā)或者到達(dá)延誤時(shí)間小于2小時(shí)的航班【兩種方法】
filter(flights, !(arr_delay >120 | dep_delay > 120))
filter(flights, arr_delay <= 120, dep_delay <=120)
另一個(gè)簡單的選取數(shù)據(jù)函數(shù)between()
可以用于選取數(shù)據(jù)范圍between(x, left, right)
參數(shù)left，right表示數(shù)據(jù)左邊和右邊范圍，返回結(jié)果是邏輯值
歡迎關(guān)注我們的公眾號～_～
我們是兩個(gè)農(nóng)轉(zhuǎn)生信的小碩，打造生信星球，想讓它成為一個(gè)不拽術(shù)語、通俗易懂的生信知識平臺(tái)。需要幫助或提出意見請后臺(tái)留言或發(fā)送郵件到Bioplanet520@outlook.com
