数据可视化ggplot2系列——图层语法和图形组合

R 数据可视化

1. 图层的几何和统计类型

1.1 几何/统计类型设置函数

在ggplot2中，每种几何类型都有对应的（默认）统计类型，反之亦然。两者不分家，所以得放在一起来说。
几何类型的设置函数全部为geom_xxx形式
统计类型设置函数全部为stat_xxx的形式

library(ggplot2)
ls("package:ggplot2", pattern="^geom_.+")
ls("package:ggplot2", pattern="^stat_.+")

下面看一下几何函数geom_point和统计函数stat_identity的参数：

geom_point(mapping = NULL, 
           data = NULL, 
           stat = "identity", 
           position = "identity", 
           na.rm = FALSE, 
           ...) 
stat_identity(mapping = NULL, 
              data = NULL, 
              geom = "point", 
              position = "identity", 
              width = NULL, 
              height = NULL, 
              ...)

有4个参数是一样的：映射（mapping）、数据（data）、位置（position）和点点点（Dot-dot-dot：…）。
H.W.特别强调了mapping和data参数的先后顺序在几何/统计类型设定函数和ggplot函数中的差别：ggplot函数先设定数据，再设定映射；而几何/统计类型函数则相反，因为确定作图或统计之前一般都已经有数据，只需指定映射即可。如果不写参数名，它们的用法是这样的：

ggplot(数据, 映射)
geom_xxx(映射, 数据)
stat_xxx(映射, 数据)

"点点点"参数是R语言非常特殊的一个数据类型，用在函数的参数中表示任意参数，在这里表示传递给图层的任意参数如color, shape, alpha等。
取ggplot2的diamonds数据集的一部分数据：

set.seed(100)
d.sub <- diamonds[sample(nrow(diamonds), 500), ]

前面我们一直用geom_point来做散点图，其实完全可以用stat_identity来做，得到的图形是完全相同的：

theme_set(theme_bw())
p <- ggplot(d.sub, aes(x=carat, y=price))
p + stat_identity()
p + geom_point()

查看图层组成可以看到两者都有geom_point、stat_identity和position_identity：

> (p + stat_identity())$layers
[[1]]
geom_point: na.rm = FALSE
stat_identity: na.rm = FALSE
position_identity 
> (p + geom_point())$layers
[[1]]
geom_point: na.rm = FALSE
stat_identity: na.rm = FALSE
position_identity 

1.2 图层对象

geom_xxx和stat_xxx可以指定数据，映射、几何类型和统计类型，一般来说，有这些东西我们就可以作图了。但实际情况是这些函数不可以直接出图，因为它不是完整的ggplot对象：

p <- geom_point(mapping=aes(x=carat, y=price), data=d.sub)
class(p)
[1] "LayerInstance" "Layer"         "ggproto"      
p
mapping: x = carat, y = price 
geom_point: na.rm = FALSE
stat_identity: na.rm = FALSE
position_identity 

图层只是存储类型为environment的R语言对象，它只有建立在ggplot结构的基础上才会成为图形，在这里哪怕是一个空的ggplot对象框架都很有用。这好比仓库里的帐篷，如果你找不到地方把它们支起来，这些东西顶多是一堆货物：

ggplot() + p

前面说过多个图层的相加是有顺序的，图层和ggplot对象的加法也是有顺序的，如果把ggplot对象加到图层上就没有意义。这种规则同样适用于映射和ggplot的相加：

p + ggplot()
NULL
class(aes(x=carat, y=price) + ggplot(d.sub))
[1] "NULL"
class(ggplot(d.sub) + aes(x=carat, y=price))
[1] "gg"     "ggplot"

2. 图层的位置调整参数

这和位置映射没有关系，当前版ggplot2只有5种：

dodge：“避让”方式，即往旁边闪，如柱形图的并排方式就是这种。
fill：填充方式， 先把数据归一化，再填充到绘图区的顶部。
identity：原地不动，不调整位置
jitter：随机抖一抖，让本来重叠的露出点头来
stack：叠罗汉

p <- ggplot(d.sub, aes(x=cut, y=price, fill=color))
p + geom_bar(stat="summary", fun.y="mean", position="stack")
p + geom_bar(stat="summary", fun.y="mean", position="fill")
p + geom_bar(stat="summary", fun.y="mean", position="dodge")
p + geom_bar(stat="summary", fun.y="mean", position="jitter")

上面柱形图的抖动很没道理，但散点图里面就有效果了：

p + geom_point(position="identity")
p + geom_point(position="jitter")

所以怎么调整还得看图形的需要。
再看看x轴数据连续的图形：

p <- ggplot(d.sub, aes(x=price, fill=cut, color=cut))
p + stat_density(position="stack")
p + stat_density(position="fill")
p + stat_density(position="identity")
p + stat_density(position="identity", fill="transparent")

看起来很奇妙，改变一个参数就得到不同的图形。

3. 图层组合

图层的组合不是连续使用几个几何或统计类型函数那么简单。ggplot函数可以设置数据和映射，每个图层设置函数（geom_xxx和stat_xxx） 也都可以设置数据和映射，这虽然给组合图制作带来很大便利，但也可能产生一些混乱。如果不同图层设置的数据和映射不同，将会产生什么后果？得了解规则。

3.1 简单组合

不同的图层使用同一套数据，只是几何类型或统计类型有差别。这是最简单也是最常用的，用ggplot函数设置好数据和映射，把几个图层加起来即可：

datax <- data.frame(x=1:10, y=rnorm(10)+1:10)
p <- ggplot(datax, aes(x=x, y=y))
p + geom_point() + geom_line()
p + geom_point() + geom_smooth(method="lm")

ggplot2的图层设置函数对映射的数据类型是有较严格要求的，比如geom_point和geom_line函数要求x映射的数据类型为数值向量，而 geom_bar函数要使用因子型数据。如果数据类型不符合映射要求就得做类型转换，在组合图形时还得注意图层的先后顺序：

> p <- ggplot(datax, aes(x=factor(x), y=y)) + xlab("x")
> p + geom_bar(stat="identity", fill="gray") + geom_line(aes(group=1), size=2) + geom_point(color="red")
> p + geom_bar(stat="identity", fill="gray") + geom_smooth(aes(group=1), method="lm", se=FALSE, size=2)

上面第一个图除了花哨一点外没有任何科学意义，如果放在论文中会被骂得狗血喷头：一套数据重复作图还都是一个意思，是不是脑子有病？但这里只是说明作图方法。作图过程应先设置x映射为因子型（分类坐标轴），用于作柱形图，因为它要求x映射是因子型数据，不能使用连续型数值坐标轴。x映射为因子的数据作散点图的调整步骤相对简单，设置group映射即可。

3.2 不同映射的组合

映射反映的是数据变量。多数情况下一个图形中使用的是同一个数据集，只是变量不同。通常情况下x，y轴至少有一个是相同的，可以用不同图层叠加不同的数据变量：

> p <- ggplot(d.sub, aes(x=carat)) + ylab("depth (blue) / table (red)")
> p + geom_point(aes(y=depth), color="blue") + geom_point(aes(y=table), color="red")

但是为什么要这么做呢？预先处理一下数据再作图会更好，图标都已经帮你设好了：

library(reshape2)
datax <- melt(d.sub, id.vars="carat", measure.vars=c("depth", "table"))
ggplot(datax, aes(x=carat, y=value, color=variable)) + geom_point()

3.3 不同类型数据的组合

如果在geom_xxx函数中改变数据会怎么样呢？不同类型的数据一般不会有完全相同的变量，否则就不是“不同类型”了，所以映射也会相应做修改。下面把钻石数据diamonds和汽车数据mtcars这两个风牛马不相及的数据放在一起看看。
（首先声明：下面的方法只是演示，图形没有任何科学意义。科学图形应该能让观众直观地了解数据，而不是让明白者糊涂让糊涂者脑残。有不少人喜欢用双坐标作混合数据图，个人认为那是很愚昧的做法。）
diamonds数据我们在前面已经了解过了，先看看R datasets包里面的mtcars数据：

library(datasets)
head(mtcars, 5)

好，开始玩点玄乎的：

p <- ggplot(data=d.sub, aes(x=carat, y=price, color=cut))
layer1 <- geom_point(aes(x=carb, y=mpg), mtcars, color="black")
(p1 <- p + layer1)

图中数据点是正确的，但坐标轴标题却对不上号。看看ggplot对象的数据、映射和图层：

head(p1$data, 4)
p1$mapping
p1$layers

数据和映射都还是ggplot原来设置的样子，layer2图层设置的都没有存储到ggplot图形列表对象的data和mapping元素中，而是放在了图层中，但图层中设定的数据不知道跑哪里。
如果再增加一个图层，把坐标轴标题标清楚：

layer2 <- geom_point(aes(y=depth))
(p1 <- p1 + layer2 + xlab("carb(black) / carat") + ylab("mpg(black) / depth"))

很有意思。layer2重新指定了y映射，但没碰原来ggplot对象设置的x和color映射，从获得的图形来看y数据改变了，x和color还是原ggplot对象的设置。查看一下映射和图层：

p1$mapping 
p1$layers 

可以这么理解：ggplot2图层作图时依次从ggplot对象和图层中获取数据/映射，如果两者映射有重叠，后者将替换前者，但只是在该图层中进行替换而不影响ggplot对象。
如果ggplot对象的映射比图层的映射多，而图层又使用了不同的数据，这是什么情况？看看：

p + geom_point(aes(x=carb, y=mpg), mtcars)
## Error: arguments imply differing number of rows: 32, 0

由于图层继承了ggplot对象的color映射，但又找不到数据，所以没法作图。解决办法是把原有的映射用NULL取代，或者设为常量（非映射）：

p + geom_point(aes(x=carb, y=mpg, color=NULL), mtcars) p + geom_point(aes(x=carb, y=mpg), mtcars, color="red")