點(diǎn)圖簡(jiǎn)介

點(diǎn)圖又叫Cleveland dot plot,克利夫蘭點(diǎn)圖。可以在水平線上繪制大量的點(diǎn)，更好的表示點(diǎn)之間的關(guān)系。強(qiáng)調(diào)數(shù)據(jù)的排序展示以及數(shù)據(jù)之間的差距。

點(diǎn)圖一般是橫向展示，所以y軸為類別型變量，x軸為需要展示的數(shù)據(jù)值。

dotchart函數(shù)

dotchart(x, labels = NULL, groups = NULL, gdata = NULL,
         ann = par("ann"), xaxt = par("xaxt"), frame.plot = TRUE, log = "",
         cex = par("cex"), pt.cex = cex,
         pch = 21, gpch = 21, bg = par("bg"),
         color = par("fg"), gcolor = par("fg"), lcolor = "gray",
         xlim = range(x[is.finite(x)]),
         main = NULL, xlab = NULL, ylab = NULL, ...)

R語(yǔ)言的base包里面自帶的dotchart函數(shù)可以繪制點(diǎn)圖。

上面簡(jiǎn)介中的例子copy自dotchart的函數(shù)幫助文檔。

dotchart(VADeaths, main = "Death Rates in Virginia - 1940")

數(shù)據(jù)是1940年每1000人的死亡率。數(shù)據(jù)按照年齡段來(lái)區(qū)分，并且按照地方，男女性分組。

> VADeaths
      Rural Male Rural Female Urban Male Urban Female
50-54       11.7          8.7       15.4          8.4
55-59       18.1         11.7       24.3         13.6
60-64       26.9         20.3       37.0         19.3
65-69       41.0         30.9       54.6         35.1
70-74       66.0         54.3       71.1         50.0

dot 比較圖

我想比較特定地方的男女死亡率的比較。這樣的話，數(shù)據(jù)需要處理。下面的code處理的比較麻煩。但是達(dá)到了我要的效果。

ruralDFMale <- data.frame(rownames(VADeaths),VADeaths[,1], c("Male","Male","Male","Male","Male"))
names(ruralDFMale ) <- c("AgeGroup", "DeathRate","Gender" )

ruralDFFeMale <- data.frame(rownames(VADeaths),VADeaths[,2], c("Female","Female","Female","Female","Female"))
names(ruralDFFeMale) <- c("AgeGroup", "DeathRate","Gender" )

ruralDF <- rbind(ruralDFMale, ruralDFFeMale)

colorFun <- function(gender) {
    colorVec <- vector()
    for(g in gender) {
        if(g == "Female") {
            colorVec <- c(colorVec, "Red")
        } else {
           colorVec <- c(colorVec, "Blue")
        }
    }
    colorVec 
}
dotchart(ruralDF$DeathRate, main = "Death Rates in Virginia - 1940", groups=ruralDF$AgeGroup,color=colorFun(ruralDF$Gender))

處理過(guò)后的數(shù)據(jù)

> ruralDF
       AgeGroup DeathRate Gender
50-54     50-54      11.7   Male
55-59     55-59      18.1   Male
60-64     60-64      26.9   Male
65-69     65-69      41.0   Male
70-74     70-74      66.0   Male
50-541    50-54       8.7 Female
55-591    55-59      11.7 Female
60-641    60-64      20.3 Female
65-691    65-69      30.9 Female
70-741    70-74      54.3 Female

圖中的紅色為女性，藍(lán)色為男性。結(jié)果符合一般的常識(shí)，女性的壽命高于男性。所以同一年齡段的女性死亡率比男性低。

補(bǔ)充：R語(yǔ)言作圖——violin plot(小提琴圖)

小仙同學(xué)決定學(xué)習(xí)R語(yǔ)言來(lái)提升自己作圖的“格調(diào)”的時(shí)候，心中還有有些疑慮的(嘿嘿，我這么懶，可不愿意做無(wú)用功了?)。仔細(xì)想了想，貌似又找到了兩個(gè)學(xué)習(xí)R的理由。

一是R可以幫助我們避免重復(fù)勞動(dòng)，實(shí)現(xiàn)“一勞永逸”的終極夢(mèng)想。盡管非常不想承認(rèn)這一事實(shí)，在科研的過(guò)程中，小仙同學(xué)制造出了大量“無(wú)效”的數(shù)據(jù)(sign…)，但也不得不“絞盡腦汁”、“竭盡全力”地進(jìn)行花式分析，試圖找出合理的解釋。這時(shí)候用Excel或者Origin作圖的劣勢(shì)就顯現(xiàn)出來(lái)了，每換一種分析方法或者是數(shù)據(jù)，我們都需要經(jīng)過(guò)“插入圖表”、“調(diào)整顏色”、“調(diào)整間距”等等繁雜的工序畫出一張可以拿去“面圣”的圖。小仙同學(xué)一想到這些就感覺(jué)“累覺(jué)不愛(ài)”了。

二是R可以自動(dòng)生成比較貌美的圖。不知道大家有沒(méi)有這樣的感受，自己辛辛苦苦畫了半天、調(diào)整的半天的圖會(huì)得到真實(shí)卻很殘忍的評(píng)價(jià)“很丑”（這是小仙同學(xué)心中永遠(yuǎn)的痛）。即使本小仙自以為眼光獨(dú)特、品味高雅，費(fèi)勁嘗試“高級(jí)”的色系，但搭配出來(lái)總是那么不盡人意（實(shí)測(cè)網(wǎng)紅晚晚帶火的“莫蘭迪色”不適用于科研繪圖）。顏色的搭配、飽和度和透明度的調(diào)整沒(méi)有想象中那么容易。折騰了半天，天生就愛(ài)不服氣的本小仙，最后決定還是把專業(yè)的事交給專業(yè)的人做啦（偷偷告訴你，據(jù)說(shuō)有科學(xué)家專門研究paper插圖的配色，所以自己畫的圖沒(méi)有那么貌美的時(shí)候也不要“妄自菲薄”啦）。

好了，叨叨這么多，終于要開始進(jìn)入正題啦。一開始用R繪圖的時(shí)候，小仙同學(xué)其實(shí)是非常痛苦的，因?yàn)闆](méi)有編程基礎(chǔ)，又懟了好幾年瓶瓶罐罐，看到一行行代碼，腦子里飄過(guò)的全是“&%¥#@¥$”。尤其是當(dāng)你有實(shí)驗(yàn)要做、報(bào)告要寫、作業(yè)要交的時(shí)候，平心靜氣地坐下來(lái)踏踏實(shí)實(shí)學(xué)習(xí)真的太難了(有人說(shuō)小仙同學(xué)那么忙是因?yàn)樾实停孟裾嬗行┑览?，我這真是“唉”，有苦說(shuō)不出)。

后來(lái)本小仙的學(xué)習(xí)策略就非常簡(jiǎn)單，用到啥就去搜啥，我對(duì)數(shù)據(jù)結(jié)構(gòu)、語(yǔ)法結(jié)構(gòu)一點(diǎn)都不感興趣，能讓我用最短的時(shí)間內(nèi)畫出我想要的圖，就是最好的方法。即使這樣，小仙同學(xué)還是費(fèi)了一些功夫。因?yàn)榫W(wǎng)上的一些教程，很多都是從別處復(fù)制粘貼過(guò)來(lái)的，本身就不完整。另外一個(gè)原因，某些大神覺(jué)得自己的教程已經(jīng)足夠通俗易懂了，有些大家都知道的基礎(chǔ)知識(shí)根本不需要講（小仙同學(xué)不服，有基礎(chǔ)的同學(xué)不用看教程也可以自己摸索出來(lái)，真正需要教程的就是我們這些小白）。

小仙同學(xué)愿意嘗試一下，把最最全面、稍作修改就能拿去的方法code分享一下，也不枉費(fèi)花了那么多的時(shí)間。

那就先從violin plot開始吧。

(假設(shè)你已經(jīng)安裝了R和RStudio)

Step1. 繪圖數(shù)據(jù)的準(zhǔn)備

首先要把你想要繪圖的數(shù)據(jù)調(diào)整成R語(yǔ)言可以識(shí)別的格式。

一般我們的數(shù)據(jù)都是保存在excel文檔里，這里建議大家在excel中保存成csv格式，讀寫的速度會(huì)比xlsx快很多。（小仙同學(xué)的親身經(jīng)驗(yàn)，我的有些數(shù)據(jù)有兩萬(wàn)行，xlsx在我的耐心范圍內(nèi)讀不進(jìn)去，RStudio崩潰）。

數(shù)據(jù)的格式如下圖：一列表示一種變量，第一行是列名

Step2. 繪圖數(shù)據(jù)的讀取

data<-read.csv(“your file path”, header = T) #注釋：header=T表示數(shù)據(jù)中

的第一行是列名，如果沒(méi)有列名就用header=F

Step3.繪圖所需package的安裝、調(diào)用

install.package(“ggplot2”) #注釋：ggplot2是目前公認(rèn)繪圖很強(qiáng)的一個(gè)安裝包
library(ggplot2) #注釋：package在使用之前需要調(diào)用

Step4.繪圖

data$dose <- as.factor(data$dose) #注釋：此處dose可用你的變量名稱替換，$表示取數(shù)據(jù)集里的某一個(gè)元素

p<-ggplot(data, aes(x = dose, y = len)) #注釋：”x=”，”y=”表示x軸和y軸表示的變量數(shù)值，p表示圖像對(duì)象
p+geom_violin() #注釋：畫出violin plot的函數(shù)

Step5.美化

p+geom_violin(aes(fill = dose)) #注釋:按組別填充不同的顏色

*如果你想手動(dòng)改變顏色，可以使用這一句

p+geom_violin(aes(fill = “dose”))+scale_fill_manual(values=c("#56B4E9"))
#注釋：”#56B4E9”可以用其他顏色的代碼來(lái)替換

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教。

最新評(píng)論