R 数据可视化 —— ggplot 统计图层
前言
虽然我们介绍了这么多节的 ggplot2，我们在绘制图层时基本上使用的都是 geom_*() 函数，却很少使用 stat_*() 函数。
当然，使用 geom_*() 函数已经可以完成绝大部分的绘图工作了，那还有必要使用 stat_*() 函数吗？
我们来看一例子，假设有如下数据
> select(diamonds, cut, price)
# A tibble: 53,940 x 2
cut price
<ord> <int>
1 Ideal 326
2 Premium 326
3 Good 327
4 Premium 334
5 Good 335
6 Very Good 336
7 Very Good 336
8 Very Good 337
9 Fair 337
10 Very Good 338
# … with 53,930 more rows
我们想要绘制一个柱状图，用于展示每种切工的平均价格。
常规的方法是，使用 tidyverse 的函数来对数据进行整理，然后计算出需要的统计数值，并映射到相应的图形属性，即
select(diamonds, cut, price) %>%
group_by(cut) %>%
summarise(
mean_price = mean(price),
.groups = "drop"
) %>%
ggplot(aes(cut, mean_price, fill = cut)) +
geom_col()
现在，我们并不满足于此。现在，我们想要在柱状图上添加误差线
当然，这也很简单，我们可以再对数据进行统计计算，然后绘制
select(diamonds, cut, price) %>%
group_by(cut) %>%
summarise(
mean_price = mean(price),
.groups = "drop",
se = sqrt(var(price)/length(price))
) %>%
mutate(lower = mean_price - se, upper = mean_price + se) %>%
ggplot(aes(cut, mean_price, fill = cut)) +
geom_col() +
geom_errorbar(aes(ymin = lower, ymax = upper), width = 0.5)
en...，为了绘制这么一个简单的图片，我们写的代码比图片都长。
因为我们的观念还停留在，先准备好数据，然后将数据映射到图形属性。
这样就导致需要对数据进行很多统计计算，并不符合数据的整洁之道。
我们可以这样想，既然所有的统计信息都来源于同一个数据，那我们何不直接将数据传递给 ggplot，让数据的统计计算在内部进行呢？
我们可以这样改写
select(diamonds, cut, price) %>%
ggplot(aes(cut, price, fill = cut)) +
stat_summary(geom = "bar") +
stat_summary(geom = "errorbar", width = 0.5)
两行代码就能搞定，为啥要写那么多呢，节约的时间喝杯茶多好。
原理解析
学习和理解了 stat_summary 函数的工作原理，那么其他的 stat_* 函数也就很好理解了。
那我们该如何理解 stat_summary 呢？还是来举个例子吧
使用上面的数据，我们绘制切工与价格的点图
select(diamonds, cut, price) %>%
ggplot(aes(cut, price, colour = cut)) +
geom_point()
然后使用不带参数的 stat_summary 来替换 geom_point 看看会发生什么
select(diamonds, cut, price) %>%
ggplot(aes(cut, price, colour = cut)) +
stat_summary()
绘制的是 pointrange 对象。
我们先看看 stat_summary 函数
stat_summary(
mapping = NULL,
data = NULL,
geom = "pointrange",
position = "identity",
...,
fun.data = NULL,
fun = NULL,
fun.max = NULL,
fun.min = NULL,
fun.args = list(),
na.rm = FALSE,
orientation = NA,
show.legend = NA,
inherit.aes = TRUE,
fun.y,
fun.ymin,
fun.ymax
)
默认绘制的是 pointrange，那 pointrange 需要定义哪些属性映射呢？
-
x或y -
ymin或xmin -
ymax或xmax
但是，我们并没有定义 ymin、ymax，那应该是 stat_summary 计算出了相应的值，并传递给 pointrange
如何验证我们的猜想？首先，我们看到运行上述代码会输出一个警告信息
No summary function supplied, defaulting to `mean_se()`
也就是说，默认情况下会应用 mean_se() 函数变换
我们来看看 mean_se() 做了什么操作
> mean_se
function (x, mult = 1)
{
x <- stats::na.omit(x)
se <- mult * sqrt(stats::var(x)/length(x))
mean <- mean(x)
new_data_frame(list(y = mean, ymin = mean - se, ymax = mean +
se), n = 1)
}
<bytecode: 0x7fca56dfa5d0>
<environment: namespace:ggplot2>
我们可以看到，该函数返回的数据框包含三个值，正好是 pointrange 所需要传入的参数
我们可以使用 layer_data() 函数，来提取图层中使用的数据
> p <- select(diamonds, cut, price) %>%
+ ggplot(aes(cut, price, colour = cut)) +
+ stat_summary()
>
> layer_data(p, 1)
No summary function supplied, defaulting to `mean_se()`
colour x group y ymin ymax PANEL flipped_aes size linetype shape fill alpha stroke
1 #440154FF 1 1 4358.758 4270.025 4447.491 1 FALSE 0.5 1 19 NA NA 1
2 #3B528BFF 2 2 3928.864 3876.302 3981.426 1 FALSE 0.5 1 19 NA NA 1
3 #21908CFF 3 3 3981.760 3945.953 4017.567 1 FALSE 0.5 1 19 NA NA 1
4 #5DC863FF 4 4 4584.258 4547.223 4621.293 1 FALSE 0.5 1 19 NA NA 1
5 #FDE725FF 5 5 3457.542 3431.600 3483.484 1 FALSE 0.5 1 19 NA NA 1
然后与使用 mean_se() 函数的计算结果对比
> select(diamonds, cut, price) %>%
+ group_by(cut) %>%
+ summarise(mean_se(price))
# A tibble: 5 x 4
cut y ymin ymax
* <ord> <dbl> <dbl> <dbl>
1 Fair 4359. 4270. 4447.
2 Good 3929. 3876. 3981.
3 Very Good 3982. 3946. 4018.
4 Premium 4584. 4547. 4621.
5 Ideal 3458. 3432. 3483.
我们可以看到，y、ymin、 ymax 这三个参数的值与 mean_se() 的计算结果是一致的
使用
既然可以定了变换函数，那我们定义自己的统计变换，就可以根据需要对图形进行一些个性化调整了。
stat_summary() 函数的参数 fun.data 可以指定统计变换函数，默认为 mean_se()
fun.data 传入的函数，要求返回数据框，而数据框变量名为属性映射参数
下面我们来绘制一些个性化的图片
1. 95% 置信区间误差线
select(diamonds, cut, price) %>%
ggplot(aes(cut, price, fill = cut)) +
stat_summary(geom = "bar") +
stat_summary(
geom = "errorbar", width = 0.5,
fun.data = ~mean_se(., mult = 1.96)
)
注意：我们使用 ~ 符号来构造匿名函数，相当于
function(x) {mean_se(x, mult = 1.96)}
2. 指定填充色
我们使用变换函数来设置满足条件的分组的颜色，将分组的中值大于和小于阈值的组用颜色分开
func_median_color <- function(x, cut_off) {
tibble(y = median(x)) %>%
mutate(fill = if_else(y < cut_off, "#80b1d3", "#fb8072"))
}
select(diamonds, cut, price) %>%
ggplot(aes(cut, price)) +
stat_summary(
fun.data = func_median_color,
fun.args = c(cut_off = 2800),
geom = "bar"
)
image
我们将额外的参数传递给 fun.args，替换匿名函数的方式，即相当于
fun.data = ~ func_median_color(., cut_off = 2800)
3. 设置点线图点的大小
我们根据分组中的观测值的数目来设置点线图中点的大小
select(diamonds, cut, price) %>%
ggplot(aes(cut, price, colour = cut)) +
stat_summary(
fun.data = function(x) {
mean_se(x) %>%
mutate(size = length(x) * 5 / nrow(diamonds))
}
)
