如何使用 ggplot2 ？

```{r}
library(dplyr)
library(reshape2)
library(ggplot2)
View(anscombe)
anscombe.new&<-mutate(anscombe, n = seq(1:nrow(anscombe))) str(anscombe.new) #melt narrow.data&<-melt(anscombe.new, id.vars = ("n")) head(narrow.data) narrow.data2&<-mutate(narrow.data, group = substr(variable,2,2), variable = substr(variable,1,1)) #dcast narrow.data2&<-dcast(narrow.data2, n + group~variable) View(narrow.data2) #plot ggplot(narrow.data2, aes(x = x, y = y, colour = group))+ geom_point()+ geom_smooth(method = "lm")+ facet_grid(.~group) ```

可以得到如下的圖。

5.2 創建圖形對象

```{r}
library(ggplot2)
p&<-ggplot(data = diamonds, aes(x = carat, y = price, colour = cut)) ```

參數映射，只需要把需要映射到圖形屬性的變數名放到aes()函數內即可。

5.3 添加圖層

```{r}
p1&<-p+layer(geom = "point") ```

對於每一個圖層，我們只需要設定stat或者geom參數即可。這是因為每一個幾何對象都對應一個默認的統計變換和位置參數，而每一個統計變換都對應著一個默認的幾何參數對象。

```{r}
p2&<-p+layer(stat = "identity") ```

也可以使用快捷函數來簡化以上代碼。

```{r}
p3&<-p+geom_point() ```

以上三種方式都可以生成同一幅圖形。

5.4 數據

ggplot2需要傳入一個data.frame格式的數據。數據的前期準備前面已有介紹。而數據在圖形圖像中是以副本的方式保存的，這說明我們可以保存圖形對象（ggsave()）以待下次載入(load())。

5.5 圖形屬性映射aes()

aes()用來將數據變數映射到圖形中。
如aes(x ,y,colour=z)；
又如aes(x,y,group = z)——將數據分成若干組，並用相同的方式對每個組進行渲染。值得一提的是，當現有的單個變數不能夠正確的分組而兩個變數的組合可以正確分組時，可以使用interaction()函數進行分組。

5.6 幾何對象

幾何對象：簡稱geom，控制生成的圖像類型，如geom_line(),geom_point(),geom_bar().

5.7 統計變換

統計變換可以向原數據集中插入新的變數。示例。如

```{r}
#geom
hist1&<-ggplot(diamonds, aes(carat))+ geom_histogram(aes(y = ..density..),binwidth = 0.1) #或者stat hist2&<-ggplot(diamonds,aes(carat))+ layer(stat = "bin", binwidth = 0.1) ```

以上統計變換生成了一些新的變數count,density,x。我們可以在aes()中調用這些變數。

5.8 位置調整

```{r}
library(ggplot2)
library(gridExtra)
hist1&<-ggplot(data = diamonds, aes(x = clarity, fill = cut))+ geom_histogram(position = "dodge") hist2&<-ggplot(data = diamonds, aes(x = clarity, fill = cut))+ geom_histogram(position = "fill") hist3&<-ggplot(data = diamonds, aes(x = clarity, fill = cut))+ geom_histogram(position = "stack") grid.arrange(hist1,hist2,hist3, ncol = 3, nrow = 1) ```

5.9 對象整合

```{r}
d&<-ggplot(data = diamonds, aes(x = carat)) d1&<-d+ stat_bin(aes(ymax = ..count..), binwidth = 0.1,geom = "area") d2&<-d+ stat_bin(aes(size = ..density..),binwidth = 0.1, geom = "point",position = "identity") grid.arrange(d1, d2, ncol = 2, nrow = 1) ```

5.9.2 將不同來源的數據畫在同一張圖
舉例：用模型擬合出來的預測值來擴充原數據集；

```{r}
#例子來源於stackoverflow
df1&<-data.frame(x=1:10,y=rnorm(10)) df2&<-data.frame(x=1:10,y=rnorm(10)) ggplot(df1,aes(x,y))+geom_line(aes(color="First line"))+ geom_line(data=df2,aes(color="Second line"))+ labs(color="Legend text") ```

六. 調整策略——讓圖形更有表現力

七. 深度加工——專業化主題定製

八. Next Generation——ggvis

ggvis介紹： &

• 三本書：
• • ggplot2-數據分析與圖形藝術
  • ggplot2_The_Elements_for_Elegant_Data_Visulization_in_R
  • R可視化核心手冊？
• 兩個博客系列地址：
• • 可視化 (數據鋪子的小站)
  • xccds1977.blogspot.jp 的頁面
• 一篇cheatsheet總結（給出鏈接）
• • ggplot2-cheatsheet
  • Beautiful plotting in R_ A ggplot2 cheatsheet _ Technical Tidbits From Spatial Analysis Data Science

ggplot2背後有一系列重要的思想，即圖形的語法（Wilkinson, 2005）。正是這種思想，使得初次接觸者往往一頭霧水，也使得重度使用者對其讚不絕口。在使用ggplot2之間，對這些基本思想有初步了解是有必要的。

1. 以「信息」的表達為核心。作圖就是將你從數據（data）中探索的信息與圖形要素（graph）對應起來的過程（mapping）。從數據信息到像素和顏色的轉換過程，在ggplot2中，被稱為「標度變換」（scaling）。如果一個圖中充斥著大量沒有表達信息的圖形內容，那麼這是十分荒唐的。我們見多了那些花里胡哨卻只表達了一個百分比的圖。例如，那種用多個色彩表達出來的「爆裂」式餅圖，其中利用了色彩、面積、位置等複雜的圖形內容，但只表達了簡單的百分比。這隻會讓信息接受者的注意力從信息本身移開，甚至受到誤導。因此，我們首先要牢記的是，信息的表達是目標，各種圖形形式只是為其服務的工具。不能讓工具干擾了甚至淹沒了目標。因此，如果你的目標是做出更「炫」的或更好看的圖形，ggplot2可能並不是你的最佳選擇。如果你的目標是迅速而方便地探索數據中包括的信息，那麼ggplot2可以是你的菜。
2. 結構化思維方式。試想一個作圖過程的結構步驟：我們首先決定探索一下身高與體重之間的關係；然後畫了一個簡單的散點圖；然後決定最好區分性別，圖中點的色彩對應於不同的性別；然後決定最好區分地區，拆成東中西三幅小圖；最後決定加入回歸直線，直觀地看出趨勢。這是一個層層推進的結構過程，在更一個推進中，都有額外的信息被加入進來。因此，作圖的命令也最好能夠直觀地反映出我們思維中的這種結構，反映出這種額外信息的不斷加入。只要在原來的命令上作一個小更新，就可以生成加入了新信息的新圖形來。這樣，命令與思維就是完全吻合的。如果不採用一種結構化的思維方式，例如，一般的散點圖與區分性別的散點圖需要用非常不同的命令寫出，那麼這就會打亂思維者的思維過程。這裡重視的是信息的不斷加入，形式的變化應當服從於信息的加入，而不能打擾到信息的加入。另一方面，同樣的信息最好用幾乎同樣的命令表達出來。例如，一個條形圖與一個餅圖的信息是幾乎一樣的，那麼做出一個條形圖的命令只需要加入一個小改動，就應當變成餅圖。
3. 基本圖形要素的自由組合。如前所述，作圖就是數據信息與圖形要素對應起來的過程。那麼在這一過程中，我們用來表達信息的基本圖形要素有哪些呢？ggplot2將基本圖形要素分為不同的幾何對象(（geom）、不同的幾何對象屬性（aes）、不同的子窗口（facet）等。我們的作圖過程，就是將自己所需要表達的信息對應於上述各種圖形工具。上述圖形工具應當可以進行自由的組合，來用於表達複雜多變的信息。我們可以在散點圖上加上條形圖，然後再區分性別，然後再用子窗口區分地區，等等。如果可以進行這樣自由的組合，研究者就不必再受限了軟體中提供了幾種有限的選擇，而可以根據自己表達信息的需要，用這些基本圖形要素來創造出無窮多種的新圖形來。這些新圖形中是散點圖上又加入了線圖，同時又有性別、地區的信息等等，這些複雜的圖形往往沒有特定的名字。這種自由組合無疑給了研究者巨大的自由發揮空間。

ggplot2中的基本圖形要素包括：

• 不同的幾何對象（geometric object，簡稱geom），如用點（線、形）來表示身高與體系的兩維點。在ggplot2中，共有30多種幾何對象。
• 這些幾何對象的屬性（attributes，簡稱aes），如幾何對象是點，但可以有不同的顏色（大小或形狀），來表示兩種性別。一般，顏色與形狀適合表示分類變數，大小適合表示連續變數。對散點圖而言，每個點最基本的屬性即其橫坐標與縱坐標
• 不同的子窗口（facet）。如可以將幾何對象繪於三個子窗口中，來比較東中西地區。
• 統計變換（statistical transformation, 簡稱stats）。如在圖中加入一條回歸線，這是將我們看到的數據關係用一個統計線性關係來表示。
• 坐標系（cooridnate system, 簡稱coord）。

學習ggplot2，入手的捷徑命令是qplot。qplot是與傳統的作圖命令非常接近的命令，但加入了一些ggplot2的一些結構化思維要素，可以作為初學者很好的過度。

## 首先了解幾何對象geom

## 時間序列多用線圖和路徑圖
qplot(date, unemploy / pop, data = economics, geom = "line" )
qplot(date, uempmed / pop, data = economics, geom = "line" )


####幾何對象的屬性aes

## 小數據集
set.seed(1410)
dsmall &<- diamonds[sample(nrow(diamonds),100),] ##下面加入幾何對象的屬性（顏色與形狀來表示額外的信息） qplot(carat, price, data=dsmall, colour=color) qplot(carat, price, data=dsmall, shape=cut) qplot(carat, data=diamonds, geom = "density" , colour = color) qplot(carat, data=diamonds, geom = "histogram" , fill = color)

#### 子窗口facet
#### 把幾何對象置於不同的子窗口中進行比較，這些子窗口被稱為facet。與用幾何對象的屬性來表達信息相比，用子窗口來表達信息既有優勢，也有劣勢，這要取決於所要表達的信息內容特點及其應用情境。
qplot(carat, data= diamonds, facets = color ~ . , geom = "histogram")


當然，還可以加入標題（命令為xlab,ylab,main）與坐標軸（xlim, ylim, log）。

要更靈活地操縱幾何圖形與圖形屬性，要實現「基本圖形要素的自由組合」，更理想的工具就是ggplot2了。這裡的一個思路是「+」，用「 +」把各種基本圖形要素象搭積木一樣搭出來。先寫數據集，再確定圖形屬形中的橫縱坐標，然後一步一步地加入各種自己想要的圖形要素。

## 先設定默認的數據與默認的圖形屬性映射(屬性為點的x軸和y軸坐標位置)
p &<- ggplot ( dsmall ) + aes ( carat , price ) ) ## 開始填加幾何對象 p+ geom_point() p+ geom_point() +geom_smooth() ## 開始填加幾何對象的屬性(顏色來表示信息) p+ geom_point(aes(colour=color) ) p+ geom_point(aes(colour=cut) ) p+ geom_text(aes(label=color)) ## 改變一下y軸表示的信息 p+ geom_point ( aes ( y = log ( price) ) ) ## 分組的線圖 p &<- ggplot(Oxboys, aes(age,height, group= Subject)) + geom_line() p p + geom_smooth(aes(group=1), method = "lm", size = 2, se=F)

使用ggplot2還可以更靈活地使用多個數據集，如下面的例子。

## 更改一個數據作圖，只需要%+%
p &<- ggplot(dsmall, aes(carat, price))+ geom_point() p %+% diamonds

當然，也可以方便地加入標題與元數據

## 加上標題(加上labs)
p+labs(title="這是一個圖")

## 標註出價格最高的那個點（再加上一個geom_point）
highest = subset (dsmall , price == max (price))
p + geom_point(data=highest, size=6, colour= "red",alpha=0.5)


還可以變換主題。

## 主題的使用
p + theme_grey()
p + theme_bw()
p + theme_classic()

library("ggthemes")
p + theme_stata()


目測一大波大牛來襲，先佔個坑。談談學習 ggplot2的小體會。雖然網上有一大堆講ggplot2的好處，但是我最先體會也是最直接的體會就是 ggplot2划出的圖簡潔漂亮，就是這麼簡單粗暴。還有就是facet 很好用，可以分析多變數。用多了，ggplot2的好處才能慢慢體現出來。紙上得來終覺淺，絕知此事要躬行。

A statistical graphic
is a mapping from data to
aesthetic attributes (colour,
shape, size) of geometric
objects (points, lines, bars) .

後面的章節就是圍繞這句話展開的。吐槽一下中文版的這本《ggplot2 數據分析與圖形藝術》，估計是我人品太差，買回來沒幾天塑封就破了。還有就是ggplot2現在已經1.0.0了，中文版的用的好像是0.92版的（時間長了忘記了），正式版測試版還是有很多地方不一樣的。Hadley博客里聲稱要更新一下這本書，不過不知道要到猴年馬月了。

《R語言數據可視化手冊》這本書，是彩印印刷的，雖然貴了點，但是看起來很直觀，很方便不需要對照電子版的看了。作者Winston Chang也是Rstudio公司的，Hadley的同事，ggplot2的公共開發者，所以這本書也非常棒。而且作為一本cookbook,需要時候翻一下，還是非常方便的，電子版的書查找起來還是不方便。就是有一個遺憾，裡面的數據是用plyr包整理的，而不是dplyr包，少了一次實戰學習dplyr包的機會。不過也很合理，dplyr包14年1月份才放出來。

Hadley是崇拜的大神，統計之都有關於他的採訪，很值得一讀。 他當初也是准本學醫的哦，激勵著我好好碼代碼，做一個非主流的醫學生。

plotly 的配合可以讓 D3.js 作為 ggplot2 的繪圖引擎，從而讓 ggplot2 具備互動式能力，具體可以參考 ggplot2 | plotly，這個功能賦予 ggplot2 更強大的數據分析能力，也提供了更多的產品化的可能性。這個用熟後，可以把 rCharts 一眾打入冷宮了。

另外最新的 rmarkdown 配合使用 flexdashboard 可以支持布局，因此強烈安利 rmarkdown + flexdashboard + plotly + ggplot2 這一方案。

看源文檔是最佳的學習方式，ggplot2是一個完整的框架體系，單列出來都能作為一門語言，如果一開始就是星星點點的百度、知乎搜索著學習，你會走很多彎路，到最後還得回來看源碼，推薦兩本ggplot2的著作：

《R數據可視化手冊》《ggplo2數據分析與圖形藝術》

在線源文檔：

Function reference ? ggplot2

個人專欄：

R語言數據分析與可視化

多總結框架和體系，實戰與理論結合，不要只看不寫，也不要只寫不總結！

如果你想知道ggplot2可以作出什麼水準的圖表，可以看這一篇：

學習R語言我都做了那些有趣的事情！！！

個人也整理了自己R語言學習新的筆記，其中不乏大量ggplot2內容，僅供參考，拿好不謝！

那些年倒騰的R語言學習筆記，全都在這裡了~

ggplot2與地理大數據結合會更酷（直方圖和散點圖什麼的弱爆了）！
通過不同圖層的疊加，將圖形繪製出來，還可製造出光暈效果。

一切都是模板，一切都是套路。來來，我談下ggplot2里的套路，包學包會，哈哈。

• 第一印象

使用ggplot2繪製圖形比R自帶的繪圖函數方便很多。使用前需要用install安裝包，並用library將包引入程序中

我們看下一張圖裡的代碼繪製了散點圖，可以先大概了解下怎麼用。

有了這個直觀的印象後我們詳細看下面的圖片如何繪製出這樣的圖的。

• 創建畫板

代碼的第一部分是一個ggplot函數，裡面傳入的數據是我們之前得到的航班延誤時間delay數據框。

這個函數的作用是為繪圖創建一個空白的畫板，為後面再畫板上作圖做準備。

只運行ggplot這一行代碼，我們可以看到一個空白的畫板。

• 創建圖層

我們再來看代碼的第2部分，是個geom_point函數，根據函數名稱我們也可以猜出來是在畫板上繪製點。

我們詳細看下這個函數，第1部分是個輸入參數名mapping，第2個部分aes是英文單詞Aesthetic的縮寫。

aes裡面輸入的x值是圖像里的橫坐標，這裡是航行距離。y是縱坐標，這裡是航班到達延誤時間。

Gemo_pint說的更準確是在畫板上加入一個點圖層。如果你用過PS軟體畫圖，就知道最終的圖像是一層一層加上去的。

Ggplot2包是用加號，將每個圖層加到之前創建的畫板。

我們再來為圖形加入一個圖層，用geo_smooth 用ggplot2來為散點圖添加平滑曲線，以方便清楚的看到航行距離與航班延誤時間之間的關係。

我們看到geo_smooth和geom_ponit的使用方法一樣。

• ggpot2的繪圖模板

通過使用ggplot2繪圖我們看到繪圖很方便，只需要知道下面的模板就可以了。

第1部分是創建繪圖的畫板，其中尖括弧里的內容代表繪圖需要的數據框。

第2部分是添加的圖層，可以用加號添加多個圖層。尖括弧里的geom_function代表不同的ggplot2繪圖函數，可以是像之前的繪製散點圖的函數，也可以是繪製柱狀圖的函數。

你肯能會說你只告訴我一個模板，但是很多圖形我還是不會繪製啊。

其實你也不需要知道每個ggplot2的函數或者如何繪圖。你只需要了解現在講的大概繪圖流程，當遇到需要繪製心目中的圖像時，谷歌下就能看到很多現成的答案。有了谷歌，還怕遇到問題嗎？

你會發現我教的都是學習方法，而不是給你講每個函數如何使用，如果不掌握學習方法，即使你把所有的函數都背下來，遇到問題還是不會如何解決。

如果你還不會使用谷歌，在微信公眾號：猴子聊人物，中回復「谷歌」看到我之前寫的詳細方法。

看，一切都是套路，學習方法很重要。

ggplot2算是R中比較難學的包之一了，主要原因在於繪圖思路和基礎包有很大不同，函數又非常多，資料多而雜，很多文章都是想到哪寫到哪，沒有一個清晰的脈絡。

要了解ggplot2包中的函數，我的建議是扒遍官方文檔的函數來學習，看代碼和做出的圖形自然就懂了。我也是這麼走過來的，知道路途遙遠而艱辛，很多參數都沒有在幫助文檔的例子中呈現，還要自己一個個調，一個個試，然後不斷總結調整一個細節應該到哪個函數中設置（淺顯來說，這是ggplot2使用時和基礎函數最大的不同，基礎函數畫一種圖，一個函數，所有參數都在這個函數裡面了，參數可以做的就是所以你可以調節的內容；而ggplot2作一個圖是要調用很多函數來完成的）。

所以說看幫助文檔的話總結是很關鍵的，因為文檔中是一個個函數列出來的，只是你每次學到一個函數時就會感嘆一聲，原來這個是在這個函數中調的呀，這樣看遍文檔你畫圖才能得心應手、信手拈來。

正是因為深感不方便，於是我自己總結了幾篇文章，思路如下

• 先畫一個基礎圖形，對圖形多個位置進行調整，讓讀者大致知道調這些在哪個函數裡面（第一篇）
• 以柱狀圖為例，看這個包可以實現哪些方面的功能（第二篇）
• 對之前提到的功能進行擴展，幾乎覆蓋相關功能的所有函數與所有參數（後面所有）

前兩篇會讓你對柱狀圖有一個比較清晰的了解，後面幾篇全是針對所有類型圖形的通用做法。所以本系列旨在以柱狀圖為例，剖析ggplot2作圖的規律，讀者看完自然就可以觸類旁通到其他類型的圖形中了。

註：本系列文章涉及到非常非常多參數細節的調整，相比於官網只多不少，所以要花費較長時間來學習，但是學完畫圖肯定可以信手拈來了。

文章目錄如下

R|ggplot2(一)|一個完整的繪圖流程

R|ggplot2(二)|覆蓋柱狀圖各種需求

R|ggplot2(三)|coord 系列函數坐標軸轉換

R|ggplot2(四)|stat_ geom_ 和position

R|ggplot2(五)|scale 修改默認設置

R|ggplot2(六)|套用主題模板

R|ggplot2(七)|自定義主題

看了看大家回答，感覺ggplot功能好強大，原理參照熱門回答，下面舉幾個例子來看ggplot2的用法

數據來自AER包中的信用卡信息數據（CreditCard），包括了

例子一：老闆對做數據的阿旺說，阿旺啊，給我看看這次客戶的年齡分布情況

阿旺說，好嘞！

（這個直接用的hist，不是ggplot，因為我覺得一維的用hist更好看一些）

hist(CreditCard$age, breaks=100, main="Histogram of age", xlab="age in years", xlim=c(0,70))


如果你一定要用ggplot那滿足你：

ggplot(data=CreditCard,aes(age))+geom_histogram(bins=20,alpha=0.5,fill="black")


例子二：老闆看到這次顧客的年齡分布圖後，想了想，阿旺啊，給我看看各年齡層收入情況

阿旺說，好嘞！

ggplot(CreditCard, aes(age,income)) +geom_point(stat="identity")


老闆看了看，可以再突出下重點嗎？

阿旺說，好嘞！

p&<- ggplot(CreditCard, aes(age,income)) +geom_point(stat="identity") p&<- p+stat_smooth() p

例子三：老闆看了看顧客的年齡+收入分布後，對阿旺說，阿旺啊，大概收入我是知道了，給我看看這些年齡收入下，哪些辦了卡，哪些沒辦卡？

阿旺說，好嘞！

p &<- ggplot(CreditCard, aes(age,income,colour=card)) +geom_point(stat="identity") p&<- p+stat_smooth() p

例子四：老闆說，阿旺啊，有些辦了卡但不是卡主人，你幫我看看有多少人？

阿旺說，好嘞！

ggplot(CreditCard,aes(card,fill=factor(owner))) +
geom_histogram(stat = "count")+
labs(x ="是否辦了卡")


老闆說，具體比例是多少呢？

阿旺說，好嘞！

ggplot(CreditCard,aes(card,fill=factor(owner))) +
geom_bar(position="fill")+
labs(x ="是否辦了卡")


例子五

老闆點了點頭，阿旺啊，豎著有點丑，你要不橫著試試？

阿旺說，好嘞！

ggplot(CreditCard,aes(card,fill=factor(owner))) +
geom_bar(position="fill")+coord_flip()+
labs(x ="是否辦了卡")


（橫著的也沒特別好看的說= ...=）

例子六

老闆說,阿旺啊，我想看看有卡的，沒卡的活躍度情況？

阿旺說，好嘞！

ggplot(CreditCard,aes(x=active,fill=card))+geom_bar()+facet_grid(.~card)


例子七

老闆說，阿旺啊，可以看看有卡沒卡的活躍度嗎？對了還有他們的報告次數

阿旺說，好嘞！

ggplot(data=CreditCard,aes(x=age,y=active,col=factor(owner),size=factor(reports)))+geom_point()+labs(size="reports",col="owner")


例子八

老闆說，阿旺啊，可以看看辦卡的和沒辦卡的月份箱線圖嗎？

阿旺說，好嘞。。

q &<- ggplot(data=CreditCard,aes(x=card,y=months)) q+ geom_boxplot(size=1)

聽說新來的做數據的來福會ggtheme包，

這天，

老闆敲開了來福的門

------全劇終----

（故事純屬虛構，如有雷同，那就雷同吧~）

------------------------------------------------------

總結一下，對於ggplot圖，先輸入數據集，再在aes中輸入橫縱軸變數，同時可以設置顏色尺寸，加號後面是圖類型，（換句話說，沒有加號，無法生成圖）

其實tebleau更方便=。。=點兩下就出來了，圖還真性冷淡-風的好看~

不過加了ggtheme包的ggplot的圖顏值還是很高的。（下圖）

愛折騰的還可以去瞄瞄python的seaborn，在matblotlib基礎上的更好看的畫圖工具，圖也超級好看。

以上。

這題我會～

有回答講了理念知識，而且講的很好，我就主要通過例子講ggolot入門操作了。

在開始使用之前，安裝ggplot2:

install.packages("ggplot2") #如果已經安裝了可以忽略這一步
library(ggplot2) #如果已經載入了可以忽略這一步


（我比較喜歡載入tidyverse包，因為裡面比較全，包括：

• ggplot2, for data visualisation.
• dplyr, for data manipulation.
• tidyr, for data tidying.
• readr, for data import.
• purrr, for functional programming.
• tibble, for tibbles, a modern re-imagining of data frames.）

下面就可以開始用了。

一個ggplot的完全形態包含多層：

1. data

2. aesthetics

3. geometries

4. facets

5. statistics

6. coordinates

7. themes

看起來很複雜的樣子，但是不要慌，一般情況下並不需要用到所有這些。一個基本的圖需要前三層：data, aesthetics, geometries。

先畫幾個基本的圖看看～

第一個例子：

ggplot(mpg, aes(cty, hwy)) +
geom_point()


第一行包含了data和aesthetics，寫完整是ggplot(data = mpg, mapping = aes(x = cty, y = hwy))。mpg是ggplot2里自帶的汽車數據集，cty和hwy是裡面的兩個變數，分別代表city miles per gallo和highway miles per gallon。第二行是geometry，告訴ggplot圖的類型，這個例子畫的是散點圖，所以是point。兩層之間用「+」連接。

總結起來就是：

ggplot(data, aes(x, y)) +
geom_type()


最常見的圖有散點圖、折線圖、曲線圖、條形圖、直方圖，分別對應geom_point(), geom_line(), geom_smooth(), geom_bar(), geom_histogram()。相應的aes中的變數不一定是x和y，對於條形圖和直方圖就只有一個變數x。

由於接下來的例子也主要來自mpg數據集，放個截圖介紹：

?mpg
1. manufacturer
2. model： model name
3. displ: engine displacement, in litres
4. year: year of manufacture
5. cyl: number of cylinders
6. trans: type of transmission
7. drv: f = front-wheel drive, r = rear wheel drive, 4 = 4wd
8. cty: city miles per gallon
9. hwy: highway miles per gallon
10. fl: fuel type
11. class: "type" of car


下面畫一個曲線圖：

ggplot(mpg, aes(cty, hwy)) +
geom_point() +
geom_smooth()


一張ggplot上可以疊加不同類型的圖，這裡直接在散點圖後面加上了曲線圖。

再來一個條形圖：

ggplot(mpg, aes(class)) +
geom_bar()


這裡畫的是每種車型對應的數量。

還可以擴展一下，讓不同的生產商對應不同顏色：

ggplot(mpg, aes(class, fill = manufacturer)) +
geom_bar()


在每一種車型下，不同的公司用不同顏色表示。是不是很棒？對，我也覺得～

過幾天來加升級ggplot2～

升級中---------------------

除了fill，還可以在aes裡面加color，size，shape：

color &<- ggplot(mpg, aes(cty, hwy, color = class)) + geom_point() size &<- ggplot(mpg, aes(cty, hwy, size = class)) + geom_point() shape &<- ggplot(mpg, aes(cty, hwy, shape = class)) + geom_point()

還有alpha，設置透明度，範圍在0到1之間。

加坐標軸名字和圖的標題：

ggplot(mpg, aes(cty, hwy)) +
geom_point() +
xlab("city miles per gallon") + #x軸名稱
ylab("highway miles per gallon") + #y軸名稱
ggtitle("city vs. highway miles per gallon") #圖標標題


到這裡基本上就可以滿足大多數的作圖要求了。不過以上的介紹遠遠沒有包括所有的圖型，介紹的幾種類型也沒有涵蓋所有的語法，如果想了解更多的話可以看最後的學習資料。

接下來說4. facet。facet可以把一張圖按變數分割成若干小圖。有facet_grid和facet_wrap兩種。下面的例子用facet_wrap按生產商分車型：

ggplot(mpg, aes(class)) +
geom_bar() +
facet_wrap(~manufacturer)


5. statistics 其實geom都包含了默認的stat，比如geom_bar默認的就是geom_bar(stat = "count")。所以下面例子里用stat_count( )的結果和geom_bar( )一樣。

ggplot(mpg, aes(class)) +
stat_count()


6. coordinate 常用的是coord_cartesian，用法是coord_cartesian(xlim = c(xmin, xmax), ylim = c(ymin, ymax))。coordinate系統主要控制坐標軸，告訴ggplot坐標軸上取值的範圍。還是以上圖為例，把y軸的範圍設置成0到80：

ggplot(mpg, aes(class)) +
geom_bar() +
coord_cartesian(ylim = c(0, 80))


7. theme 最後就是圖的個性化了。有些自帶的theme，比如theme_bw、theme_classic等等。下面用theme_classic舉例：

ggplot(mpg, aes(class)) +
geom_bar() +
theme_classic()


也可以自己設置，比如這樣：

ggplot(mpg, aes(class)) +
geom_bar() +
theme(panel.background = element_blank(),
legend.key = element_blank(),
legend.background = element_blank(),
strip.background = element_blank(),
plot.background = element_rect(fill = "#FEE0D2", color = "black", size = 3),
panel.grid = element_blank(),
axis.line = element_line(color = "black"),
axis.ticks = element_line(color = "black"),
strip.text = element_text(size = 16, color = "#99000D"),
axis.title.y = element_text(color = "#99000D", hjust = 0, face = "italic"),
axis.title.x = element_text(color = "#99000D", hjust = 0, face = "italic"),
axis.text = element_text(color = "black"),
legend.position = "none")


（喪心病狂啊）

看完以後可以用R package自帶的數據集練練手：

mtcars

diamond

iris

下面是一波自問自答-----------------

ggplot可以在同一張圖上表現兩個數據集的數據嗎？

可以。我很喜歡的一個例子來自Wickham，在同一張圖上畫了美國的歷史失業率和總統任期：

presidential &<- subset(presidential, start &> economics$date[1])
ggplot(economics) + #第一個數據集economics
geom_rect( #用第二個數據集presidential畫長方形（rectangle），用不同顏色表示不同黨派
aes(xmin = start, xmax = end, fill = party), ymin = -Inf, ymax = Inf, alpha = 0.2,
data = presidential #數據和第一層所用的數據不一樣，所以要明確data = ...
) +
geom_vline( #還是用presidential在每位總統上任時間畫豎線（vertical line）
aes(xintercept = as.numeric(start)),
data = presidential,
colour = "grey50", alpha = 0.5
) +
geom_text( #仍然是用presidential在每段任期內y軸2500的地方「畫」出總統的名字
aes(x = start, y = 2500, label = name),
data = presidential,
size = 3, vjust = 0, hjust = 0, nudge_x = 50
) +
geom_line(aes(date, unemploy)) + #以時間和失業人數作為x軸和y軸畫折線圖
scale_fill_manual(values = c("blue", "red")) #手動設置填充顏色


ggplot可以畫地圖嗎？

可以。下面的例子用ggplot2自帶map_data地圖數據包。R還有其他一些地圖包可以安裝。

world &<- map_data("world") #map_data內輸入world得到包括經緯度和國家的數據 head(world) long lat group order region subregion 1 -69.89912 12.45200 1 1 Aruba &
2 -69.89571 12.42300 1 2 Aruba &
3 -69.94219 12.43853 1 3 Aruba &
4 -70.00415 12.50049 1 4 Aruba &
5 -70.06612 12.54697 1 5 Aruba &
6 -70.05088 12.59707 1 6 Aruba &

ggplot(world, aes(long, lat)) +
geom_polygon(aes(group = group)) + #本質是用經緯度畫多邊形
coord_quickmap() #地圖在上一步已經畫好了，這一步調整以適應地圖的比例


最後還是要再說一次，以上只是一個很簡要的介紹，更多內容參考下面的資料吧～

我的學習資源：

1. R for Data Science (Electronic Book) by Garrett Grolemund and Hadley Wickham (2016). Sebastopol, CA: O"Reilly Media, Inc. Retrieved from: http://r4ds.had.co.nz/

這個有電子版的！ggplot2在第三章Data Visualisation。

2. 有答案提到的ggplot2: Elegant Graphics for Data Analysis

Wickham, H., Sievert, C. (2016). ggplot2: elegant graphics for data analysis. Cham, Schweiz: Springer.

3. DataCamp的互動式網課ggplot par1和part2

Data Visualization with ggplot2

R ggplot2 Tutorial For Data Visualizations

4. 不算是學習資源的Data Visualization Cheat Sheet Cheatsheets

這個是R Studio出的總結表，對ggplot的歸納很全，適合對ggplot有一定了解以後作參考用。

天啊這種帖子都要扯那麼多

https://www.rstudio.com/wp-content/uploads/2015/03/ggplot2-cheatsheet.pdf

官方指南，兩頁紙就。 看完你就全會了。

我說兩本書吧

《ggplot2 數據分析與圖形藝術》

《R數據可視化手冊》

這兩本都有中文，都能下載到源代碼。

共勉。

但是如果數據量大的情況下，這個圖就會變得異常密集而且難看，急需做平滑處理。如下圖：

正巧今天搜到了您的ggplot教程，我回去試了幾下，也看了些幫助文檔，但是始終做不出survfit的生存圖。不知道ggplot能否做km生存曲線的圖。

Python科研統計作圖Plotnine+Seaborn+matplotlib替代R ggplot2系列！（一）