第 13 天

探索資料分析（2）

除了內建的 Base Plotting System 可以繪製圖形，有很高比例的 R 語言使用者更依賴使用 ggplot2 這個繪圖套件，它簡潔、彈性高以及美觀的輸出，是吸引這些使用者的原因。gg 意指 grammer of graphics，核心理念是利用正規而有結構的文法來探索資料，它的作者是 Hadley Wickham 與 Winston Chang。

安裝 ggplot2 套件

我們先來複習一下怎麼進行安裝套件，透過命令列（Console）安裝的方法是輸入：

> install.packages("ggplot2")

透過 RStudio 介面安裝的步驟是在右下角的 packages 頁籤點選 install：

接著是輸入安裝套件的名稱：ggplot2。

載入 ggplot2 套件

接著我們複習怎麼載入套件，透過命令列（Console）載入的方法是輸入：

library(ggplot2)

透過 RStudio 介面載入的方法是在右下角的 packages 頁籤下找到 ggplot2 然後將前面的核取方框打勾即可。

一個簡單的 ggplot2 散佈圖

成功安裝且載入 ggplot2 套件以後，我們用一個簡單的散佈圖藉此暸解它的語法邏輯：

> library(ggplot2)

> ggplot(cars, aes(x = speed, y = dist))

這段程式會建立出一個 ggplot 的物件並且綁定 cars 的兩個變數到這個物件之上，這裡我們可以觀察到 ggplot2 繪圖來源是資料框，素材是資料框中的變數，aes() 則負責將素材綁定至 X 軸與 Y 軸，aes 是 aesthetic mappings 的縮寫。

接下來我們還要告訴 ggplot 物件要用什麼樣的形式呈現這個繪圖，這時會利用 geom_() 指定繪圖的形式，geom 是 geometric objects 的縮寫，底線後面則會加上樣式，以我們現在繪製簡單的散佈圖需求而言，使用 geom_point() 就可以加上點的樣式：

> library(ggplot2)

> ggplot(cars, aes(x = speed, y = dist)) + geom_point()

ggplot2 繪圖

在開始檢視不同樣式的資料探索圖形之前，我們用下表對這些 geom_() 有一個概觀：

探索數值分佈

由於 ggplot2 的繪圖來源是一個資料框，讓我們將 rnorm(1000) 儲存為一個 hist_df 資料框中的 norm_nums 變數，再使用 geom_histogram() 繪製直方圖來探索數值的分佈：

> library(ggplot2)
> 
> set.seed(123)
> norm_nums <- rnorm(1000)
> hist_df <- data.frame(norm_nums = norm_nums)
> ggplot(hist_df, aes(x = norm_nums)) + geom_histogram()
`stat_bin()` using `bins = 30`. Pick better value with
`binwidth`.

由於直方圖的分箱數（bins）使用了 30 個分箱這個預設值，我們可以透過調整 binwidth 參數來更改，適當增加 binwidth 會減少分箱數，反之減少 binwidth 會增加分箱數，至於增加與減少的幅度，視資料的範圍斟酌：

> library(ggplot2)
> 
> set.seed(123)
> norm_nums <- rnorm(1000)
> hist_df <- data.frame(norm_nums = norm_nums)
> ggplot(hist_df, aes(x = norm_nums)) + geom_histogram(binwidth = 0.1) # 比預設的分箱數多
> ggplot(hist_df, aes(x = norm_nums)) + geom_histogram(binwidth = 0.5) # 比預設的分箱數少

探索不同類別與數值分佈的關係

使用 geom_boxplot() 繪製盒鬚圖來探索不同類別與數值分佈的關係，我們探索內建資料 iris 中不同鳶尾花品種（Species 變數）的萼片長度（Sepal.Length 變數）分佈差異：

> library(ggplot2)

> ggplot(iris, aes(x = Species, y = Sepal.Length)) + geom_boxplot()

探索數值與日期（時間）的關係

使用 geom_line() 繪製線圖來探索數值與日期（時間）的關係：

> library(ggplot2)
>
> x <- seq(from = as.Date("2017-01-01"), to = as.Date("2017-01-31"), by = 1)
> set.seed(123) # 確保我們得到一樣的 y
> y <- sample(1:100, size = 31, replace = TRUE)
> line_df <- data.frame(x = x, y = y)
> ggplot(line_df, aes(x = x, y = y)) + geom_line()

我們可以透過增加 scale_x_date(date_labels) 調整日期顯示的格式，預設是使用 %b %d 這個顯示格式（月份縮寫與日，中間以空格隔開），關於這個縮寫代表的意義可以參考第 04 天：變數類型的判斷與轉換。在下面的程式我們改為使用 %m.%d 月份與日都以數字表示，中間以 . 隔開：

> library(ggplot2)
>
> x <- seq(from = as.Date("2017-01-01"), to = as.Date("2017-01-31"), by = 1)
> set.seed(123) # 確保我們得到一樣的 y
> y <- sample(1:100, size = 31, replace = TRUE)
> line_df <- data.frame(x = x, y = y)
> ggplot(line_df, aes(x = x, y = y)) + geom_line() + scale_x_date(date_labels = "%m.%d")

探索兩個數值的關係

使用 geom_point() 繪製散佈圖來探索兩個數值的關係：

> library(ggplot2)

> ggplot(cars, aes(x = speed, y = dist)) + geom_point()

探索類別

使用 geom_bar() 繪製長條圖來探索類別的分佈，例如 ice_cream_df 資料框紀錄了 100 個人最喜歡的冰淇淋口味：

> library(ggplot2)

> ice_cream_flavor <- rep(NA, times = 100)
> for (i in 1:100){
+     ice_cream_flavor[i] <- sample(c("vanilla", "chocolate", "matcha", "other"), size = 1)
+ }
> ice_cream_df <- data.frame(ice_cream_flavor = ice_cream_flavor)
> ggplot(ice_cream_df, aes(x = ice_cream_flavor)) + geom_bar()

與 Base Plotting System 最大的不同在於，我們不需要再使用 table() 函數先統計各種口味的人數才能繪圖，ggplot2 針對類別變數自動會分別加總。

假如我們的資料本身是已經統計過的資訊，比如長得像這樣：

> ice_cream_flavor <- rep(NA, times = 100)
> for (i in 1:100){
+     ice_cream_flavor[i] <- sample(c("vanilla", "chocolate", "matcha", "other"), size = 1)
+ }
> flavor <- names(table(ice_cream_flavor))
> votes <- as.vector(unname(table(ice_cream_flavor)))
> ice_cream_df <- data.frame(flavor = flavor, votes = votes)
> ice_cream_df
     flavor votes
1 chocolate    32
2    matcha    20
3     other    25
4   vanilla    23

這時繪製長條圖就必須要指定一個參數 stat = "identity"：

> library(ggplot2)
>
> ice_cream_flavor <- rep(NA, times = 100)
> for (i in 1:100){
+     ice_cream_flavor[i] <- sample(c("vanilla", "chocolate", "matcha", "other"), size = 1)
+ }
> flavor <- names(table(ice_cream_flavor))
> votes <- as.vector(unname(table(ice_cream_flavor)))
> ice_cream_df <- data.frame(flavor = flavor, votes = votes)
> ggplot(ice_cream_df, aes(x = flavor, y = votes)) + geom_bar(stat = "identity")

不然會出現這樣的錯誤訊息：

> library(ggplot2)
>
> ice_cream_flavor <- rep(NA, times = 100)
> for (i in 1:100){
+     ice_cream_flavor[i] <- sample(c("vanilla", "chocolate", "matcha", "other"), size = 1)
+ }
> flavor <- names(table(ice_cream_flavor))
> votes <- as.vector(unname(table(ice_cream_flavor)))
> ice_cream_df <- data.frame(flavor = flavor, votes = votes)
> ggplot(ice_cream_df, aes(x = flavor, y = votes)) + geom_bar()
Error: stat_count() must not be used with a y aesthetic.

這是因為 ggplot2 的 geom_bar() 預設會協助我們計算類別變數中的相異個數：stat = "count"，也就是 table() 函數做的事情，假如長條的高度已經在資料框中被計算好，那麼就用 stat = "identity" 就可以了，這是很多初接觸 ggplot2 的使用者會感到困惑的地方，值得我們花一些篇幅解釋。

繪畫函數

使用 stat_function(fun, geom = "line") 將函數繪製出來，我們需要在資料框中設定輸入的值域，舉例來說我們可以將 sin() 函數在 $-\pi$ 與 $\pi$ 之間的輸出描繪出來：

> library(ggplot2)

> sin_df <- data.frame(x = c(-pi, pi))
> sin_df
          x
1 -3.141593
2  3.141593
> ggplot(sin_df, aes(x = x)) + stat_function(fun = sin, geom = "line")

如果是一個自訂函數 my_sqr()，很簡單的 $y = f(x) = x^2$，我們可以將它在 -3 與 3 之間的輸出描繪出來：

> library(ggplot2)
> 
> my_sqr <- function(x){
+     return(x^2)
+ }
> my_sqr_df <- data.frame(x = c(-3, 3))
> ggplot(my_sqr_df, aes(x = x)) + stat_function(fun = my_sqr, geom = "line")

常用的自訂元素

自訂標題、X 軸標籤與 Y 軸標籤

加入 ggtitle()、xlab() 與 ylab() 分別指定：

> library(ggplot2)

> ggplot(cars, aes(x = speed, y = dist)) +
+     geom_point() + 
+     ggtitle("Car speed vs. braking distance") +
+     xlab("Car speed(mph)") + 
+     ylab("Braking distance(ft)")

隱藏格線

ggplot2 繪製的圖形預設都有格線，我們可以加入 theme() 進行非常細緻的格線隱藏設定：

隱藏主要與次要格線：

> library(ggplot2)

> ggplot(cars, aes(x = speed, y = dist)) +
+     geom_point() +
+     theme(panel.grid.major = element_blank(), 
+           panel.grid.minor = element_blank())

調整圖形為水平方向

加入 coord_flip()，這是 coordinate flip 的縮寫。

> library(ggplot2)

> ice_cream_flavor <- rep(NA, times = 100)
> for (i in 1:100){
+     ice_cream_flavor[i] <- sample(c("vanilla", "chocolate", "matcha", "other"), size = 1)
+ }
> ice_cream_df <- data.frame(ice_cream_flavor = ice_cream_flavor)
> ggplot(ice_cream_df, aes(x = ice_cream_flavor)) +
+     geom_bar() +
+     coord_flip()

在直方圖上加上密度曲線

在 geom_histogram() 設定中加入 aes(y = ..density..) 以及加入 geom_density()。

> library(ggplot2)
> 
> set.seed(123)
> norm_nums <- rnorm(1000)
> hist_df <- data.frame(norm_nums = norm_nums)
> ggplot(hist_df, aes(x = norm_nums)) +
    geom_histogram(binwidth = 0.5, aes(y = ..density..), alpha= 0.5) +
    geom_density()

調整資料點的形狀與顏色

在 geom_point() 中加入 shape 與 colour 的設定。

> library(ggplot2)

> ggplot(cars, aes(x = speed, y = dist)) +
+     geom_point(shape = 2, colour = "red") # 資料點改成紅色的空心三角形

應用不同的類別區分資料點的形狀與顏色在 ggplot2 是很容易的：

> library(ggplot2)

> ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width)) +
+     geom_point(aes(shape = Species, colour = Species))

繪畫多個圖形

ggplot2 套件本身並沒有針對繪畫多個圖形這部分設計函數，但我們可以利用另外一個套件 gridExtra 所提供的 grid.arrange() 函數來達到 par(mfrow = c(m, n)) 的效果：

library(ggplot2)
library(gridExtra)

g1 <- ggplot(iris, aes(x = Species, y = Sepal.Length)) +
    geom_boxplot()
g2 <- ggplot(iris, aes(x = Species, y = Sepal.Width)) +
    geom_boxplot()
g3 <- ggplot(iris, aes(x = Species, y = Petal.Length)) +
    geom_boxplot()
g4 <- ggplot(iris, aes(x = Species, y = Petal.Width)) +
    geom_boxplot()
grid.arrange(g1, g2, g3, g4, nrow = 2, ncol = 2)

滄海一粟

如同 Base Plotting System 一樣，雖然我們已經介紹了一定程度的技巧，但是這些功能相較 ggplot2 豐富的參數與功能實在是太微不足道。請您同樣也要耐著性子，在使用時查詢大量的文件、Google 與 StackOverflow。ggplot2 非常好的地方是它的文件除了文字說明以外，還有豐富的示範程式與圖形，對使用者非常友善。

小結

好啦！第十三天的內容就是這麼多，今天說明的是受到廣大 R 語言使用者喜愛的 ggplot2 基礎應用，希望您還喜歡這個繪圖套件！

練習題

將一個畫布切割成為 2X2 個區塊，並使用 ggplot2 繪製任意四種圖形。

延伸資訊

• R Graphics Cookbook
• Graphs with ggplot2
• ggplot2.org