用數(shù)據(jù)說話，R語言有哪七種可視化應(yīng)用

今天，隨著數(shù)據(jù)量的不斷增加，數(shù)據(jù)可視化成為將數(shù)字變成可用的信息的一個(gè)重要方式。R語言提供了一系列的已有函數(shù)和可調(diào)用的庫(kù)，通過建立可視化的方式進(jìn)行數(shù)據(jù)的呈現(xiàn)。他用API編寫了第一版Price Discovery，雷鋒網(wǎng)對(duì)他所寫的這篇文章做了編譯，未經(jīng)許可不得轉(zhuǎn)載。

如何選擇正確的圖表類型

四種可選擇的基本類型：

1、  比較類圖表

2、  組成類圖表

3、  分布類圖表

4、  關(guān)系類圖表

為了選擇最適合分析手中數(shù)據(jù)的圖表類型，首先考慮以下幾個(gè)問題：

單個(gè)圖表里，需要幾個(gè)變量？

單個(gè)變量，需要用多少數(shù)據(jù)點(diǎn)來描述？

數(shù)據(jù)是隨時(shí)間的變量，還是離散的，以單體或組的形式？

針對(duì)如何選擇最適宜的圖表，Dr.Andrew Abela 提供了一個(gè)很好的方法示意圖：

在使用圖表分析的時(shí)候，常用的有7種圖表：

1  散點(diǎn)圖

2．  直方圖

3．  柱狀圖和條形圖

4．  箱線圖

5．  面積圖

6．  熱點(diǎn)圖

7．  相關(guān)圖

我們使用“Big Mart data”作為案例來理解 R 可視化的實(shí)現(xiàn)方法， 你可以點(diǎn)擊此處下載完整的數(shù)據(jù)（google doc） 。

雷鋒網(wǎng)將在以下篇幅介紹如何利用 R 實(shí)現(xiàn)可視化：

1、  散點(diǎn)圖

使用場(chǎng)景：散點(diǎn)圖通常用于分析兩個(gè)連續(xù)變量之間的關(guān)系。

在上面介紹的超市數(shù)據(jù)中，如果我們想根據(jù)他們的成本數(shù)據(jù)來可視化商品的知名度，我們可以用散點(diǎn)圖，兩個(gè)連續(xù)的變量這里我們命名為Item_Visibility和Item_MRP。

這里使用R中的ggplot()和geom_point()函數(shù)。

library(ggplot2)          // ggplot2 是R中的一個(gè)函數(shù)庫(kù)

ggplot(train, aes(Item_Visibility, Item_MRP)) + geom_point() + scale_x_continuous("Item

Visibility", breaks = seq(0,0.35,0.05))+ scale_y_continuous("Item MRP", breaks = seq(0,270,by =

30))+ theme_bw()

下圖中增加了一個(gè)新的變量，對(duì)產(chǎn)品進(jìn)行分類的變量，命名為Item_Type，圖中以不同的顏色作為顯示。

R代碼中增加了分組：

ggplot(train, aes(Item_Visibility, Item_MRP)) + geom_point(aes(color = Item_Type)) +

scale_x_continuous("Item Visibility", breaks = seq(0,0.35,0.05))+

scale_y_continuous("Item MRP", breaks = seq(0,270,by = 30))+

theme_bw() + labs(title="Scatterplot")

可以進(jìn)一步可視化，將散點(diǎn)圖以不同的小圖表的形式呈現(xiàn)，下圖中，每一個(gè)小圖表都代表一種不同的產(chǎn)品：

代碼如下：

ggplot(train, aes(Item_Visibility, Item_MRP)) + geom_point(aes(color = Item_Type)) +

scale_x_continuous("Item Visibility", breaks = seq(0,0.35,0.05))+

scale_y_continuous("Item MRP", breaks = seq(0,270,by = 30))+

theme_bw() + labs(title="Scatterplot") + facet_wrap( ~ Item_Type)

代碼中，facet_warp將圖像顯示在長(zhǎng)方形圖表中。

2、  直方圖

使用場(chǎng)景：直方圖用于連續(xù)變量的可視化分析。將數(shù)據(jù)劃分，并用概率的形式呈現(xiàn)數(shù)據(jù)的規(guī)律。我們可以將分類根據(jù)需求進(jìn)行組合和拆分，從而通過這種方式看到數(shù)據(jù)的變化。

繼續(xù)使用上面我們引入的超市數(shù)據(jù)的例子，如果我們需要知道不同成本段的商品的數(shù)量，我們可以將所有數(shù)據(jù)畫出一個(gè)直方圖，Item_MRP作為橫坐標(biāo)。如下圖所示：

下面是一個(gè)簡(jiǎn)單的畫直方圖的例子，使用的是R中的ggplot()和geom_histogram()函數(shù)。

ggplot(train, aes(Item_MRP)) + geom_histogram(binwidth = 2)+

scale_x_continuous("Item MRP", breaks = seq(0,270,by = 30))+

scale_y_continuous("Count", breaks = seq(0,200,by = 20))+

labs(title = "Histogram")

3、  柱狀圖和條形圖

使用場(chǎng)景：柱狀圖一般用于表現(xiàn)分類的變量或者是連續(xù)的分類變量的組合。

在超市數(shù)據(jù)的例子中，如果我們需要知道在每一年新開的超市的門店數(shù)量，那么柱狀圖就是一個(gè)很好的圖形分析的方式。用“年”的信息作為坐標(biāo)，如下圖所示：

下面是一個(gè)簡(jiǎn)單的畫柱狀圖的例子，使用的是R中的ggplot()函數(shù)。

ggplot(train, aes(Outlet_Establishment_Year)) + geom_bar(fill = "red")+theme_bw()+

scale_x_continuous("Establishment Year", breaks = seq(1985,2010)) +

scale_y_continuous("Count", breaks = seq(0,1500,150)) +

coord_flip()+ labs(title = "Bar Chart") + theme_gray()

水平柱狀圖

去除代碼中的coord_flIP()變量，可以將直方圖以水平直方圖的方法呈現(xiàn)。

為了得到商品重量（連續(xù)變量）和折扣店（分類變量）的關(guān)系，可使用下面的代碼：

ggplot(train, aes(Item_Type, Item_Weight)) + geom_bar(stat = "identity", fill = "darkblue") +

scale_x_discrete("Outlet Type")+ scale_y_continuous("Item Weight", breaks = seq(0,15000, by =

500))+ theme(axis.text.x = element_text(angle = 90, vjust = 0.5)) + labs(title = "Bar Chart")

堆疊條形圖

堆疊條形圖是柱狀圖的一個(gè)高級(jí)版本，可以將分類變量組合進(jìn)行分析。

超市數(shù)據(jù)的例子中，如果我們想要知道不同分類商品的折扣店數(shù)量，包含折扣店種類和折扣店區(qū)域，堆疊條形圖就是做這種分析最為有效的圖表分析方法。

下面是一個(gè)簡(jiǎn)單的畫堆疊條形圖的例子，使用的是R中的ggplot()函數(shù)。

ggplot(train, aes(Outlet_Location_Type, fill = Outlet_Type)) + geom_bar()+

labs(title = "Stacked Bar Chart", x = "Outlet Location Type", y = "Count of Outlets")

4、  箱線圖

使用場(chǎng)景：箱線圖一般用于相對(duì)復(fù)雜的場(chǎng)景，通常是組合分類的連續(xù)變量。這種圖表應(yīng)用于對(duì)數(shù)據(jù)延伸的可視化分析和檢測(cè)離值群。主要包含數(shù)據(jù)的5個(gè)重要節(jié)點(diǎn)，最小值，25%，50%，75%和最大值。

在我們的案例中，如果我們想要找出每個(gè)折扣店每個(gè)商品銷售的價(jià)格的情況，包括最低價(jià)，最高價(jià)和中間價(jià)，箱線圖就大有用處。除此之外，箱線圖還可以提供非正常價(jià)格商品銷售的情況，如下圖所示。

圖中，黑色的點(diǎn)為離值群。離值群的檢測(cè)和剔除是數(shù)據(jù)挖掘中很重要的環(huán)節(jié)。

下面是一個(gè)簡(jiǎn)單的畫箱線圖的例子，使用的是R中的ggplot()和geom_boxplot函數(shù)。

ggplot(train, aes(Outlet_Identifier, Item_Outlet_Sales)) + geom_boxplot(fill = "red")+

scale_y_continuous("Item Outlet Sales", breaks= seq(0,15000, by=500))+

labs(title = "Box Plot", x = "Outlet Identifier")

5、  面積圖

使用場(chǎng)景：面積圖通常用于顯示變量和數(shù)據(jù)的連續(xù)性。和線性圖很相近，是常用的時(shí)序分析方法。另外，它也被用來繪制連續(xù)變量和分析的基本趨勢(shì)。

超市案例中，當(dāng)我們需要知道隨著時(shí)間的眼神，折扣店商品的品種走勢(shì)，我們可以畫出如下的面積圖，圖中呈現(xiàn)了折扣店商品的成交量的變化。

下面是一個(gè)簡(jiǎn)單的畫面積圖的例子，用于分析折扣店商品成交數(shù)量的走勢(shì)，使用的是R中的ggplot()和geom_area函數(shù)。

ggplot(train, aes(Item_Outlet_Sales)) + geom_area(stat = "bin", bins = 30, fill = "steelblue") +

scale_x_continuous(breaks = seq(0,11000,1000))+

labs(title = "Area Chart", x = "Item Outlet Sales", y = "Count")

6 、  熱點(diǎn)圖

使用場(chǎng)景：熱點(diǎn)圖用顏色的強(qiáng)度（密度）來顯示二維圖像中的兩個(gè)或多個(gè)變量之間的關(guān)系?？蓪?duì)圖表中三個(gè)部分的進(jìn)行信息挖掘，兩個(gè)坐標(biāo)和圖像顏色深度。

超市案例中，如果我們需要知道每個(gè)商品在每個(gè)折扣店的成本，如下圖中所示，我們可以用三個(gè)變量Item_MRP，Outlet_Identifier和Item_type進(jìn)行分析。

暗的數(shù)據(jù)表示Item_MRP低于50，亮的數(shù)據(jù)表示Item_MRP接近250。

下面是R代碼，使用了ggplot()函數(shù)做簡(jiǎn)單的熱點(diǎn)圖。

ggplot(train, aes(Outlet_Identifier, Item_Type))+

geom_raster(aes(fill = Item_MRP))+

labs(title ="Heat Map", x = "Outlet Identifier", y = "Item Type")+

scale_fill_continuous(name = "Item MRP")

7、  關(guān)系圖

使用場(chǎng)景：關(guān)系圖用作表示連續(xù)變量之間的關(guān)聯(lián)性。每個(gè)單元可以標(biāo)注成陰影或顏色來表明關(guān)聯(lián)的程度。顏色越深，代表關(guān)聯(lián)程度越高。正相關(guān)用藍(lán)色表示，負(fù)相關(guān)用紅色表示。顏色的深度隨著關(guān)聯(lián)程度的遞增而遞增。

超市案例中，用下圖可以展現(xiàn)成本，重量，知名度與折扣店開業(yè)的年份和銷售價(jià)格之間的關(guān)系?？梢园l(fā)現(xiàn)，成本和售價(jià)成正相關(guān)，而商品的重量和知名度成負(fù)相關(guān)。

下面是用作簡(jiǎn)單關(guān)系圖的R代碼，使用的是corrgram()函數(shù)。

install.packages("corrgram")

library(corrgram)

corrgram(train, order=NULL, panel=panel.shade, text.panel=panel.txt,

main="Correlogram")

通過以上的分類介紹和R程序的簡(jiǎn)單介紹，相信你可以使用R中的ggplot庫(kù)進(jìn)行自己的數(shù)據(jù)可視化分析了。 。