利用ggplot2画出各种漂亮图片详细教程

楼主收藏举报帖子创建时间: 2018-05-11 00:00 回复：13 关注量：141

《使用ggplot2画图》

作者：Guangchuang Yu

原文链接：http://ygc.name/2014/05/11/use-ggplot2/

1、Why use ggplot2

ggplot2是我见过最human friendly的画图软件，这得益于Leland Wilkinson在他的著作《The Grammar of Graphics》中提出了一套图形语法，把图形元素抽象成可以自由组合的成分，Hadley Wickham把这套想法在R中实现。

为什么要学习ggplot2，可以参考ggplot2: 数据分析与图形艺术的序言（btw: 在序言的最后，我被致谢了）。

Hadley Wickham也给出一堆理由让我们说服自己，我想再补充一点，Hadley Wickham是学医出身的，做为学生物出身的人有什么理由不支持呢:)

ggplot2基本要素

数据（Data）和映射（Mapping）
几何对象（Geometric）
标尺（Scale）
统计变换（Statistics）
坐标系统（Coordinante）
图层（Layer）
分面（Facet）
主题（Theme）

这里将从这些基本要素对ggplot2进行介绍。

2、数据（Data）和映射（Mapping)

下面以一份钻石的数据为例，这份数据非常大，随机取一个子集来画图。

require(ggplot2)

data(diamonds)

set.seed(42)

small <- diamonds[sample(nrow(diamonds), 1000), ]

head(small)

## carat cut color clarity depth table pricexyz

## 493450.71 Very Good H SI162.5602096 5.68 5.75 3.57

## 505450.79 Premium H SI161.8592275 5.97 5.91 3.67

## 154341.03 Ideal F SI162.4576178 6.48 6.44 4.03

## 447920.50 Ideal E VS262.2541624 5.08 5.11 3.17

## 346140.27 Ideal E VS161.656 470 4.14 4.17 2.56

## 279980.30 Premium E VS261.758 658 4.32 4.34 2.67

1	summary(small)

##caratcutcolorclaritydepth

##Min. :0.220 Fair : 28 D:121 SI1:258 Min. :55.2

##1st Qu.:0.400 Good : 88 E:186 VS2:231 1st Qu.:61.0

##Median :0.710 Very Good:227 F:164 SI2:175 Median :61.8

##Mean :0.819 Premium:257 G:216 VS1:141 Mean :61.7

##3rd Qu.:1.070 Ideal:400 H:154 VVS2 : 91 3rd Qu.:62.5

##Max. :2.660 I:106 VVS1 : 67 Max. :72.2

##J: 53 (Other): 37

##tableprice xy

##Min. :50.1 Min. :342 Min. :3.85 Min. :3.84

##1st Qu.:56.0 1st Qu.:990 1st Qu.:4.74 1st Qu.:4.76

##Median :57.0 Median : 2595 Median :5.75 Median :5.78

##Mean :57.4 Mean : 4111 Mean :5.79 Mean :5.79

##3rd Qu.:59.0 3rd Qu.: 5495 3rd Qu.:6.60 3rd Qu.:6.61

##Max. :65.0 Max. :18795 Max. :8.83 Max. :8.87

##z

##Min. :2.33

##1st Qu.:2.92

##Median :3.55

##Mean :3.57

##3rd Qu.:4.07

##Max. :5.58

画图实际上是把数据中的变量映射到图形属性上。以克拉(carat)数为X轴变量，价格(price)为Y轴变量。

1	p <- ggplot(data = small, mapping = aes(x = carat, y = price))

上面这行代码把数据映射XY坐标轴上，需要告诉ggplot2，这些数据要映射成什么样的几何对象，下面以散点为例：

1	p + geom_point()

几何对象将在下面的小节介绍，这一节，关注的是数据和图形属性之间的映射。

如果想将切工（cut）映射到形状属性。只需要：

1 2	p <- ggplot(data=small, mapping=aes(x=carat, y=price, shape=cut)) p+geom_point()

再比如我想将钻石的颜色（color）映射颜色属性：

1 2	p <- ggplot(data=small, mapping=aes(x=carat, y=price, shape=cut, colour=color)) p+geom_point()

3、几何对象（Geometric）

在上面的例子中，各种属性映射由ggplot函数执行，只需要加一个图层，使用geom_point()告诉ggplot要画散点，于是所有的属性都映射到散点上。

geom_point()完成的就是几何对象的映射，ggplot2提供了各种几何对象映射，如geom_histogram用于直方图，geom_bar用于画柱状图，geom_boxplot用于画箱式图等等。

不同的几何对象，要求的属性会有些不同，这些属性也可以在几何对象映射时提供，比如上一图，也可以用以下语法来画：

1 2	p <- ggplot(small) p+geom_point(aes(x=carat, y=price, shape=cut, colour=color))

ggplot2支持图层，我通常把不同的图层中共用的映射提供给ggplot函数，而某一几何对象才需要的映射参数提供给geom_xxx函数。

这一小节我们来看一下各种常用的几何对象。

直方图

直方图最容易，提供一个x变量，画出数据的分布。

1	ggplot(small)+geom_histogram(aes(x=price))

同样可以根据另外的变量给它填充颜色，比如按不同的切工：

1	ggplot(small)+geom_histogram(aes(x=price, fill=cut))

也可以将其分开，side-by-side地画直方图。

1	ggplot(small)+geom_histogram(aes(x=price, fill=cut), position="dodge")

还可以使用position="fill"，按照相对比例来画。

1	ggplot(small)+geom_histogram(aes(x=price, fill=cut), position="fill")

柱状图

柱状图非常适合于画分类变量。在这里以透明度（clarity）变量为例。按照不同透明度的钻石的数目画柱状图。

1	ggplot(small)+geom_bar(aes(x=clarity))

柱状图两个要素，一个是分类变量，一个是数目，也就是柱子的高度。数目在这里不用提供，因为ggplot2会通过x变量计算各个分类的数目。

当然你想提供也是可以的，通过stat参数，可以让geom_bar按指定高度画图，比如以下代码：

1	ggplot()+geom_bar(aes(x=c(LETTERS[1:3]),y=1:3), stat="identity")

柱状图和直方图是很像的，直方图把连续型的数据按照一个个等长的分区（bin）来切分，然后计数，画柱状图。而柱状图是分类数据，按类别计数。我们可以用前面直方图的参数来画side-by-side的柱状图，填充颜色或者按比例画图，它们是高度一致的。

柱状图是用来表示计数数据的，但在生物界却被经常拿来表示均值，加上误差来表示数据分布，这可以通常图层来实现，我将在图层一节中给出实例。

密度函数图

说到直方图，就不得不说密度函数图，数据和映射和直方图是一样的，唯一不同的是几何对象，geom_histogram告诉ggplot要画直方图，而geom_density则说我们要画密度函数图，在我们熟悉前面语法的情况下，很容易画出：

1	ggplot(small)+geom_density(aes(x=price, colour=cut))

1	ggplot(small)+geom_density(aes(x=price,fill=clarity))

colour参数指定的是曲线的颜色，而fill是往曲线下面填充颜色。

箱式图

数据量比较大的时候，用直方图和密度函数图是表示数据分布的好方法，而在数据量较少的时候，比如很多的生物实验，很多时候大家都是使用柱状图+errorbar的形式来表示，不过这种方法的信息量非常低，被Nature Methods吐槽，这种情况推荐使用boxplot。

1	ggplot(small)+geom_boxplot(aes(x=cut, y=price,fill=color))

geom_boxplot将数据映射到箱式图上，上面的代码，我们应该很熟悉了，按切工(cut)分类，对价格(price)变量画箱式图，再分开按照color变量填充颜色。

ggplot2提供了很多的geom_xxx函数，可以满足我们对各种图形绘制的需求。

geom_abline geom_area

geom_bar geom_bin2d

geom_blank geom_boxplot

geom_contour geom_crossbar

geom_density geom_density2d

geom_dotplot geom_errorbar

geom_errorbarh geom_freqpoly

geom_hex geom_histogram

geom_hline geom_jitter

geom_line geom_linerange

geom_map geom_path

geom_point geom_pointrange

geom_polygon geom_quantile

geom_raster geom_rect

geom_ribbon geom_rug

geom_segment geom_smooth

geom_step geom_text

geom_tile geom_violin

geom_vline

4、标尺（Scale）

前面我们已经看到了，画图就是在做映射，不管是映射到不同的几何对象上，还是映射各种图形属性。这一小节介绍标尺，在对图形属性进行映射之后，使用标尺可以控制这些属性的显示方式，比如坐标刻度，可能通过标尺，将坐标进行对数变换；比如颜色属性，也可以通过标尺，进行改变。

1	ggplot(small)+geom_point(aes(x=carat, y=price, shape=cut, colour=color))+scale_y_log10()+scale_colour_manual(values=rainbow(7))

以数据（Data）和映射（Mapping)一节中所画散点图为例，将Y轴坐标进行log10变换，再自己定义颜色为彩虹色。

5、统计变换（Statistics）

统计变换对原始数据进行某种计算，然后在图上表示出来，例如对散点图上加一条回归线。

1	ggplot(small, aes(x=carat, y=price))+geom_point()+scale_y_log10()+stat_smooth()

这里就不按颜色、切工来分了，不然ggplot会按不同的分类变量分别做回归，图就很乱，如果我们需要这样做，我们可以使用分面，这个将在后面介绍。

这里，aes所提供的参数，就通过ggplot提供，而不是提供给geom_point，因为ggplot里的参数，相当于全局变量，geom_point()和stat_smooth()都知道x,y的映射，如果只提供给geom_point()，则相当于是局部变量，geom_point知道这种映射，而stat_smooth不知道，当然你再给stat_smooth也提供x,y的映射，不过共用的映射，还是提供给ggplot好。
ggplot2提供了多种统计变换方式：

stat_abline stat_contourstat_identity stat_summary

stat_binstat_densitystat_qq stat_summary2d

stat_bin2dstat_density2dstat_quantile stat_summary_hex

stat_bindot stat_ecdf stat_smooth stat_unique

stat_binhex stat_function stat_spokestat_vline

stat_boxplotstat_hlinestat_sumstat_ydensity

统计变换是非常重要的功能，我们可以自己写函数，基于原始数据做某种计算，并在图上表现出来，也可以通过它改变geom_xxx函数画图的默认统计参数。
比如我在Proteomic investigation of the interactome of FMNL1 in hematopoietic cells unveils a role in calcium-dependent membrane plasticity的图一中，就把boxplot的中位线替换成了平均值来作图。

6、坐标系统（Coordinante）

坐标系统控制坐标轴，可以进行变换，例如XY轴翻转，笛卡尔坐标和极坐标转换，以满足我们的各种需求。

坐标轴翻转由coord_flip()实现

1	ggplot(small)+geom_bar(aes(x=cut, fill=cut))+coord_flip()

而转换成极坐标可以由coord_polar()实现：

1	ggplot(small)+geom_bar(aes(x=factor(1), fill=cut))+coord_polar(theta="y")

这也是为什么之前介绍常用图形画法时没有提及饼图的原因，饼图实际上就是柱状图，只不过是使用极坐标而已，柱状图的高度，对应于饼图的弧度，饼图并不推荐，因为人类的眼睛比较弧度的能力比不上比较高度（柱状图）

还可以画靶心图：

1	ggplot(small)+geom_bar(aes(x=factor(1), fill=cut))+coord_polar()

以及风玫瑰图(windrose)

1	ggplot(small)+geom_bar(aes(x=clarity, fill=cut))+coord_polar()

7、图层（Layer）

photoshop流行的原因在于PS 3.0时引入图层的概念，ggplot的牛B之处在于使用+号来叠加图层，这堪称是泛型编程的典范。
在前面散点图上，我们已经见识过，加上了一个回归线拟合的图层。

有了图层的概念，使用ggplot画起图来，就更加得心应手。

做为图层的一个很好的例子是蝙蝠侠logo，batman logo由6个函数组成，在下面的例子中，我先画第一个函数，之后再加一个图层画第二个函数，不断重复这一过程，直到六个函数全部画好。

require(ggplot2)

f1data.frame(x=x,y=y)

d -3*sqrt(33)/7,]

return(d)

}

x1data.frame(x2=x2, y2=y2)

p2data.frame(x3=x3, y3=y3)

p3data.frame(x4=x4,y4=y4)

p4data.frame(x5=x5,y5=y5)

p5data.frame(x6=x6,y6=y6)

下面再以生物界中常用的柱状图+误差图为实例，展示ggplot2非常灵活的图层。以我2011年发表的文章Phosphoproteome profile of human lung cancer cell line A549中的westernblot数据为例。

1 2	Normaldata.frame(V=c("Normal", "Cancer"), mean=m, sd=s) d$V

8、分面（Facet）

分面可以让我们按照某种给定的条件，对数据进行分组，然后分别画图。

在统计变换一节中，提到如果按切工分组作回归线，显然图会很乱，有了分面功能，我们可以分别作图。

1	ggplot(small, aes(x=carat, y=price))+geom_point(aes(colour=cut))+scale_y_log10() +facet_wrap(~cut)+stat_smooth()

9、主题（Theme）

通过ggplot画图之后，我们可能还需要对图进行定制，像title, xlab, ylab这些高频需要用到的，自不用说，ggplot2提供了ggtitle(), xlab()和ylab()来实现。

比如：

但是这个远远满足不了需求，我们需要改变字体，字体大小，坐标轴，背景等各种元素，这需要通过theme()函数来完成。

ggplot2提供一些已经写好的主题，比如theme_grey()为默认主题，我经常用的theme_bw()为白色背景的主题，还有theme_classic()主题，和R的基础画图函数较像。

别外ggthemes包提供了一些主题可供使用，包括：

theme_economist theme_economist_white

theme_wsj theme_excel

theme_few theme_foundation

theme_igray theme_solarized

theme_stata theme_tufte

1 2	require(ggthemes) p + theme_wsj()

在2013年发表的文章Putative cobalt- and nickel-binding proteins and motifs in Streptococcus pneumoniae中的图3就是使用theme_stata来画的。

至于如何改变这些元素，我觉得我之前画囧字的博文可以做为例子：

fdata.frame(x=x,y=y)

详细的说明，可以参考?theme的帮助文档。

10、二维密度图

在这个文档里，为了作图方便，我们使用diamonds数据集的一个子集，如果使用全集，数据量太大，画出来散点就糊了，这种情况可以使用二维密度力来呈现。

1	ggplot(diamonds, aes(carat, price))+ stat_density2d(aes(fill = ..level..), geom="polygon")+ scale_fill_continuous(high='darkred',low='darkgreen')

11、ggplot2实战

果壳知性里有帖子介绍了个猥琐邪恶的曲线，引来无数宅男用各种工具来画图，甚至于3D动态图都出来了。这里用ggplot2来画。3D版本请猛击此处。

1 2	fdata.frame(x=c(x1,x2,x3), y=rep(y,3), type=rep(LETTERS[1:3], each=length(y))) p

再来一个蝴蝶图，详见《Modern Applied Statistics with S-PLUS》第一章。

1 2	theta data.frame(x=radiussin(theta), y=radiuscos(theta)) ggplot(dd, aes(x, y))+geom_path()+theme_null()+xlab("")+ylab("")

分享到：

***2ybzhao 1970-01-01 08:00
#1

Guangchuang兄请见谅，原标题已经在文章中注明。您这篇文章实在是写的太好了，我看完之后觉得朴实的标题无法体现丰富的内容，所以plob转载的时候换了个标题。另一方面是让这篇文章与plob上其他短篇的ggplot2文章区分，从而更多plob网友注意到这篇文章，并从中获益。
***plob的定位就是收集和整理生物信息学相关各种资源，创 1970-01-01 08:00
#2
***plob的发展还需要像您这样的高手的指点和支持啊。 1970-01-01 08:00
#3
***3ygc 2014-05-12 13:50
#4

这个网站值得支持，是中文生信的知识库啊：）
***2zhhu 2014-06-07 10:55
#5

老师：有个问题请教一下，您的博文说到,箱式图数据量比较大的时候，用直方图和密度函数图是表示数据分布的好方法，而在数据量较少的时候，比如很多的生物实验，很多时候大家都是使用柱状图+errorbar的形式来表示，不过这种方法的信息量非常低，被Nature Methods吐槽，这种情况推荐使用boxplot。我想问一下，boxplot对数据有什么要求？
***3ygc 2014-06-09 12:28
#6

要问问题，请稳步到原博文。
***1snailQH 2014-06-05 00:08
#7

写的很好！赞一个！
***1meilirenshengzcs 2015-10-18 10:51
#8

很精彩，我想知道在哪里可以下栽ggplot 的安装包？
***1zhangmeng 2016-04-07 16:09
#9

require(ggplot2)values=c(888672, 130436, 243200, 3680578, 263503,162848,61548,123663,14241)labels=c(“A”,”C”,”B”,”D”,”E”,”F”,”G”,”H”,”I”)colours=c(“#8dd3c7”, “#ffffb3”, “#bebada”, “#80b1d3”, “#fb8072”, “#fdb462”, “#b3de69”, “#d9d9d9”, “#fccde5”)percent_str <- paste(round(values/sum(values) * 100,1), "%", sep="")values <- data.frame(Percent = round(values/sum(values) * 100,1), Type = labels,percent=percent_str )pie <- ggplot(values, aes(x = "" ,y = percent, fill = Type)) + geom_bar(width = 3)pie = pie + coord_polar("y")pie = pie + xlab('') + ylab('') + labs(fill="Types")#pie + scale_fill_manual(values = colours)pie + scale_fill_manual(values = colours,labels = labels)pie <- ggplot(values, aes(x = "x_list" ,y = Percent, fill = Type)) + geom_bar(width = 3)
***一直报错提示：Error: stat_count() 1970-01-01 08:00
#10

***2ybzhao 帖子创建时间: 1970-01-01 08:00

Guangchuang兄请见谅，原标题已经在文章中注明。您这篇文章实在是写的太好了，我看完之后觉得朴实的标题无法体现丰富的内容，所以plob转载的时候换了个标题。另一方面是让这篇文章与plob上其他短篇的ggplot2文章区分，从而更多plob网友注意到这篇文章，并从中获益。

《使用ggplot2画图》

作者：Guangchuang Yu

原文链接：http://ygc.name/2014/05/11/use-ggplot2/

1、Why use ggplot2

为什么要学习ggplot2，可以参考ggplot2: 数据分析与图形艺术的序言（btw: 在序言的最后，我被致谢了）。

Hadley Wickham也给出一堆理由让我们说服自己，我想再补充一点，Hadley Wickham是学医出身的，做为学生物出身的人有什么理由不支持呢:)

ggplot2基本要素

数据（Data）和映射（Mapping）
几何对象（Geometric）
标尺（Scale）
统计变换（Statistics）
坐标系统（Coordinante）
图层（Layer）
分面（Facet）
主题（Theme）

这里将从这些基本要素对ggplot2进行介绍。

2、数据（Data）和映射（Mapping)

下面以一份钻石的数据为例，这份数据非常大，随机取一个子集来画图。

require(ggplot2)

data(diamonds)

set.seed(42)

small <- diamonds[sample(nrow(diamonds), 1000), ]

head(small)

## carat cut color clarity depth table pricexyz

## 493450.71 Very Good H SI162.5602096 5.68 5.75 3.57

## 505450.79 Premium H SI161.8592275 5.97 5.91 3.67

## 154341.03 Ideal F SI162.4576178 6.48 6.44 4.03

## 447920.50 Ideal E VS262.2541624 5.08 5.11 3.17

## 346140.27 Ideal E VS161.656 470 4.14 4.17 2.56

## 279980.30 Premium E VS261.758 658 4.32 4.34 2.67

1	summary(small)

##caratcutcolorclaritydepth

##Min. :0.220 Fair : 28 D:121 SI1:258 Min. :55.2

##1st Qu.:0.400 Good : 88 E:186 VS2:231 1st Qu.:61.0

##Median :0.710 Very Good:227 F:164 SI2:175 Median :61.8

##Mean :0.819 Premium:257 G:216 VS1:141 Mean :61.7

##3rd Qu.:1.070 Ideal:400 H:154 VVS2 : 91 3rd Qu.:62.5

##Max. :2.660 I:106 VVS1 : 67 Max. :72.2

##J: 53 (Other): 37

##tableprice xy

##Min. :50.1 Min. :342 Min. :3.85 Min. :3.84

##1st Qu.:56.0 1st Qu.:990 1st Qu.:4.74 1st Qu.:4.76

##Median :57.0 Median : 2595 Median :5.75 Median :5.78

##Mean :57.4 Mean : 4111 Mean :5.79 Mean :5.79

##3rd Qu.:59.0 3rd Qu.: 5495 3rd Qu.:6.60 3rd Qu.:6.61

##Max. :65.0 Max. :18795 Max. :8.83 Max. :8.87

##z

##Min. :2.33

##1st Qu.:2.92

##Median :3.55

##Mean :3.57

##3rd Qu.:4.07

##Max. :5.58

画图实际上是把数据中的变量映射到图形属性上。以克拉(carat)数为X轴变量，价格(price)为Y轴变量。

1	p <- ggplot(data = small, mapping = aes(x = carat, y = price))

上面这行代码把数据映射XY坐标轴上，需要告诉ggplot2，这些数据要映射成什么样的几何对象，下面以散点为例：

1	p + geom_point()

几何对象将在下面的小节介绍，这一节，关注的是数据和图形属性之间的映射。

如果想将切工（cut）映射到形状属性。只需要：

1 2	p <- ggplot(data=small, mapping=aes(x=carat, y=price, shape=cut)) p+geom_point()

再比如我想将钻石的颜色（color）映射颜色属性：

1 2	p <- ggplot(data=small, mapping=aes(x=carat, y=price, shape=cut, colour=color)) p+geom_point()

3、几何对象（Geometric）

在上面的例子中，各种属性映射由ggplot函数执行，只需要加一个图层，使用geom_point()告诉ggplot要画散点，于是所有的属性都映射到散点上。

geom_point()完成的就是几何对象的映射，ggplot2提供了各种几何对象映射，如geom_histogram用于直方图，geom_bar用于画柱状图，geom_boxplot用于画箱式图等等。

不同的几何对象，要求的属性会有些不同，这些属性也可以在几何对象映射时提供，比如上一图，也可以用以下语法来画：

1 2	p <- ggplot(small) p+geom_point(aes(x=carat, y=price, shape=cut, colour=color))

ggplot2支持图层，我通常把不同的图层中共用的映射提供给ggplot函数，而某一几何对象才需要的映射参数提供给geom_xxx函数。

这一小节我们来看一下各种常用的几何对象。

直方图

直方图最容易，提供一个x变量，画出数据的分布。

1	ggplot(small)+geom_histogram(aes(x=price))

同样可以根据另外的变量给它填充颜色，比如按不同的切工：

1	ggplot(small)+geom_histogram(aes(x=price, fill=cut))

也可以将其分开，side-by-side地画直方图。

1	ggplot(small)+geom_histogram(aes(x=price, fill=cut), position="dodge")

还可以使用position="fill"，按照相对比例来画。

1	ggplot(small)+geom_histogram(aes(x=price, fill=cut), position="fill")

柱状图

柱状图非常适合于画分类变量。在这里以透明度（clarity）变量为例。按照不同透明度的钻石的数目画柱状图。

1	ggplot(small)+geom_bar(aes(x=clarity))

柱状图两个要素，一个是分类变量，一个是数目，也就是柱子的高度。数目在这里不用提供，因为ggplot2会通过x变量计算各个分类的数目。

当然你想提供也是可以的，通过stat参数，可以让geom_bar按指定高度画图，比如以下代码：

1	ggplot()+geom_bar(aes(x=c(LETTERS[1:3]),y=1:3), stat="identity")

柱状图是用来表示计数数据的，但在生物界却被经常拿来表示均值，加上误差来表示数据分布，这可以通常图层来实现，我将在图层一节中给出实例。

密度函数图

1	ggplot(small)+geom_density(aes(x=price, colour=cut))

1	ggplot(small)+geom_density(aes(x=price,fill=clarity))

colour参数指定的是曲线的颜色，而fill是往曲线下面填充颜色。

箱式图

1	ggplot(small)+geom_boxplot(aes(x=cut, y=price,fill=color))

geom_boxplot将数据映射到箱式图上，上面的代码，我们应该很熟悉了，按切工(cut)分类，对价格(price)变量画箱式图，再分开按照color变量填充颜色。

ggplot2提供了很多的geom_xxx函数，可以满足我们对各种图形绘制的需求。

geom_abline geom_area

geom_bar geom_bin2d

geom_blank geom_boxplot

geom_contour geom_crossbar

geom_density geom_density2d

geom_dotplot geom_errorbar

geom_errorbarh geom_freqpoly

geom_hex geom_histogram

geom_hline geom_jitter

geom_line geom_linerange

geom_map geom_path

geom_point geom_pointrange

geom_polygon geom_quantile

geom_raster geom_rect

geom_ribbon geom_rug

geom_segment geom_smooth

geom_step geom_text

geom_tile geom_violin

geom_vline

4、标尺（Scale）

1	ggplot(small)+geom_point(aes(x=carat, y=price, shape=cut, colour=color))+scale_y_log10()+scale_colour_manual(values=rainbow(7))

以数据（Data）和映射（Mapping)一节中所画散点图为例，将Y轴坐标进行log10变换，再自己定义颜色为彩虹色。

5、统计变换（Statistics）

统计变换对原始数据进行某种计算，然后在图上表示出来，例如对散点图上加一条回归线。

1	ggplot(small, aes(x=carat, y=price))+geom_point()+scale_y_log10()+stat_smooth()

这里就不按颜色、切工来分了，不然ggplot会按不同的分类变量分别做回归，图就很乱，如果我们需要这样做，我们可以使用分面，这个将在后面介绍。

stat_abline stat_contourstat_identity stat_summary

stat_binstat_densitystat_qq stat_summary2d

stat_bin2dstat_density2dstat_quantile stat_summary_hex

stat_bindot stat_ecdf stat_smooth stat_unique

stat_binhex stat_function stat_spokestat_vline

stat_boxplotstat_hlinestat_sumstat_ydensity

6、坐标系统（Coordinante）

坐标系统控制坐标轴，可以进行变换，例如XY轴翻转，笛卡尔坐标和极坐标转换，以满足我们的各种需求。

坐标轴翻转由coord_flip()实现

1	ggplot(small)+geom_bar(aes(x=cut, fill=cut))+coord_flip()

而转换成极坐标可以由coord_polar()实现：

1	ggplot(small)+geom_bar(aes(x=factor(1), fill=cut))+coord_polar(theta="y")

还可以画靶心图：

1	ggplot(small)+geom_bar(aes(x=factor(1), fill=cut))+coord_polar()

以及风玫瑰图(windrose)

1	ggplot(small)+geom_bar(aes(x=clarity, fill=cut))+coord_polar()

7、图层（Layer）

有了图层的概念，使用ggplot画起图来，就更加得心应手。

require(ggplot2)

f1data.frame(x=x,y=y)

d -3*sqrt(33)/7,]

return(d)

}

x1data.frame(x2=x2, y2=y2)

p2data.frame(x3=x3, y3=y3)

p3data.frame(x4=x4,y4=y4)

p4data.frame(x5=x5,y5=y5)

p5data.frame(x6=x6,y6=y6)

1 2	Normaldata.frame(V=c("Normal", "Cancer"), mean=m, sd=s) d$V

8、分面（Facet）

分面可以让我们按照某种给定的条件，对数据进行分组，然后分别画图。

在统计变换一节中，提到如果按切工分组作回归线，显然图会很乱，有了分面功能，我们可以分别作图。

1	ggplot(small, aes(x=carat, y=price))+geom_point(aes(colour=cut))+scale_y_log10() +facet_wrap(~cut)+stat_smooth()

9、主题（Theme）

通过ggplot画图之后，我们可能还需要对图进行定制，像title, xlab, ylab这些高频需要用到的，自不用说，ggplot2提供了ggtitle(), xlab()和ylab()来实现。

比如：

但是这个远远满足不了需求，我们需要改变字体，字体大小，坐标轴，背景等各种元素，这需要通过theme()函数来完成。

ggplot2提供一些已经写好的主题，比如theme_grey()为默认主题，我经常用的theme_bw()为白色背景的主题，还有theme_classic()主题，和R的基础画图函数较像。

别外ggthemes包提供了一些主题可供使用，包括：

theme_economist theme_economist_white

theme_wsj theme_excel

theme_few theme_foundation

theme_igray theme_solarized

theme_stata theme_tufte

1 2	require(ggthemes) p + theme_wsj()

在2013年发表的文章Putative cobalt- and nickel-binding proteins and motifs in Streptococcus pneumoniae中的图3就是使用theme_stata来画的。

至于如何改变这些元素，我觉得我之前画囧字的博文可以做为例子：

fdata.frame(x=x,y=y)

详细的说明，可以参考?theme的帮助文档。

10、二维密度图

1	ggplot(diamonds, aes(carat, price))+ stat_density2d(aes(fill = ..level..), geom="polygon")+ scale_fill_continuous(high='darkred',low='darkgreen')

11、ggplot2实战

果壳知性里有帖子介绍了个猥琐邪恶的曲线，引来无数宅男用各种工具来画图，甚至于3D动态图都出来了。这里用ggplot2来画。3D版本请猛击此处。

1 2	fdata.frame(x=c(x1,x2,x3), y=rep(y,3), type=rep(LETTERS[1:3], each=length(y))) p

再来一个蝴蝶图，详见《Modern Applied Statistics with S-PLUS》第一章。

1 2	theta data.frame(x=radiussin(theta), y=radiuscos(theta)) ggplot(dd, aes(x, y))+geom_path()+theme_null()+xlab("")+ylab("")

《使用ggplot2画图》

作者：Guangchuang Yu

原文链接：http://ygc.name/2014/05/11/use-ggplot2/

1、Why use ggplot2

为什么要学习ggplot2，可以参考ggplot2: 数据分析与图形艺术的序言（btw: 在序言的最后，我被致谢了）。

Hadley Wickham也给出一堆理由让我们说服自己，我想再补充一点，Hadley Wickham是学医出身的，做为学生物出身的人有什么理由不支持呢:)

ggplot2基本要素

数据（Data）和映射（Mapping）
几何对象（Geometric）
标尺（Scale）
统计变换（Statistics）
坐标系统（Coordinante）
图层（Layer）
分面（Facet）
主题（Theme）

这里将从这些基本要素对ggplot2进行介绍。

2、数据（Data）和映射（Mapping)

下面以一份钻石的数据为例，这份数据非常大，随机取一个子集来画图。

require(ggplot2)

data(diamonds)

set.seed(42)

small <- diamonds[sample(nrow(diamonds), 1000), ]

head(small)

## carat cut color clarity depth table pricexyz

## 493450.71 Very Good H SI162.5602096 5.68 5.75 3.57

## 505450.79 Premium H SI161.8592275 5.97 5.91 3.67

## 154341.03 Ideal F SI162.4576178 6.48 6.44 4.03

## 447920.50 Ideal E VS262.2541624 5.08 5.11 3.17

## 346140.27 Ideal E VS161.656 470 4.14 4.17 2.56

## 279980.30 Premium E VS261.758 658 4.32 4.34 2.67

1	summary(small)

##caratcutcolorclaritydepth

##Min. :0.220 Fair : 28 D:121 SI1:258 Min. :55.2

##1st Qu.:0.400 Good : 88 E:186 VS2:231 1st Qu.:61.0

##Median :0.710 Very Good:227 F:164 SI2:175 Median :61.8

##Mean :0.819 Premium:257 G:216 VS1:141 Mean :61.7

##3rd Qu.:1.070 Ideal:400 H:154 VVS2 : 91 3rd Qu.:62.5

##Max. :2.660 I:106 VVS1 : 67 Max. :72.2

##J: 53 (Other): 37

##tableprice xy

##Min. :50.1 Min. :342 Min. :3.85 Min. :3.84

##1st Qu.:56.0 1st Qu.:990 1st Qu.:4.74 1st Qu.:4.76

##Median :57.0 Median : 2595 Median :5.75 Median :5.78

##Mean :57.4 Mean : 4111 Mean :5.79 Mean :5.79

##3rd Qu.:59.0 3rd Qu.: 5495 3rd Qu.:6.60 3rd Qu.:6.61

##Max. :65.0 Max. :18795 Max. :8.83 Max. :8.87

##z

##Min. :2.33

##1st Qu.:2.92

##Median :3.55

##Mean :3.57

##3rd Qu.:4.07

##Max. :5.58

画图实际上是把数据中的变量映射到图形属性上。以克拉(carat)数为X轴变量，价格(price)为Y轴变量。

1	p <- ggplot(data = small, mapping = aes(x = carat, y = price))

上面这行代码把数据映射XY坐标轴上，需要告诉ggplot2，这些数据要映射成什么样的几何对象，下面以散点为例：

1	p + geom_point()

几何对象将在下面的小节介绍，这一节，关注的是数据和图形属性之间的映射。

如果想将切工（cut）映射到形状属性。只需要：

1 2	p <- ggplot(data=small, mapping=aes(x=carat, y=price, shape=cut)) p+geom_point()

再比如我想将钻石的颜色（color）映射颜色属性：

1 2	p <- ggplot(data=small, mapping=aes(x=carat, y=price, shape=cut, colour=color)) p+geom_point()

3、几何对象（Geometric）

在上面的例子中，各种属性映射由ggplot函数执行，只需要加一个图层，使用geom_point()告诉ggplot要画散点，于是所有的属性都映射到散点上。

geom_point()完成的就是几何对象的映射，ggplot2提供了各种几何对象映射，如geom_histogram用于直方图，geom_bar用于画柱状图，geom_boxplot用于画箱式图等等。

不同的几何对象，要求的属性会有些不同，这些属性也可以在几何对象映射时提供，比如上一图，也可以用以下语法来画：

1 2	p <- ggplot(small) p+geom_point(aes(x=carat, y=price, shape=cut, colour=color))

ggplot2支持图层，我通常把不同的图层中共用的映射提供给ggplot函数，而某一几何对象才需要的映射参数提供给geom_xxx函数。

这一小节我们来看一下各种常用的几何对象。

直方图

直方图最容易，提供一个x变量，画出数据的分布。

1	ggplot(small)+geom_histogram(aes(x=price))

同样可以根据另外的变量给它填充颜色，比如按不同的切工：

1	ggplot(small)+geom_histogram(aes(x=price, fill=cut))

也可以将其分开，side-by-side地画直方图。

1	ggplot(small)+geom_histogram(aes(x=price, fill=cut), position="dodge")

还可以使用position="fill"，按照相对比例来画。

1	ggplot(small)+geom_histogram(aes(x=price, fill=cut), position="fill")

柱状图

柱状图非常适合于画分类变量。在这里以透明度（clarity）变量为例。按照不同透明度的钻石的数目画柱状图。

1	ggplot(small)+geom_bar(aes(x=clarity))

柱状图两个要素，一个是分类变量，一个是数目，也就是柱子的高度。数目在这里不用提供，因为ggplot2会通过x变量计算各个分类的数目。

当然你想提供也是可以的，通过stat参数，可以让geom_bar按指定高度画图，比如以下代码：

1	ggplot()+geom_bar(aes(x=c(LETTERS[1:3]),y=1:3), stat="identity")

柱状图是用来表示计数数据的，但在生物界却被经常拿来表示均值，加上误差来表示数据分布，这可以通常图层来实现，我将在图层一节中给出实例。

密度函数图

1	ggplot(small)+geom_density(aes(x=price, colour=cut))

1	ggplot(small)+geom_density(aes(x=price,fill=clarity))

colour参数指定的是曲线的颜色，而fill是往曲线下面填充颜色。

箱式图

1	ggplot(small)+geom_boxplot(aes(x=cut, y=price,fill=color))

geom_boxplot将数据映射到箱式图上，上面的代码，我们应该很熟悉了，按切工(cut)分类，对价格(price)变量画箱式图，再分开按照color变量填充颜色。

ggplot2提供了很多的geom_xxx函数，可以满足我们对各种图形绘制的需求。

geom_abline geom_area

geom_bar geom_bin2d

geom_blank geom_boxplot

geom_contour geom_crossbar

geom_density geom_density2d

geom_dotplot geom_errorbar

geom_errorbarh geom_freqpoly

geom_hex geom_histogram

geom_hline geom_jitter

geom_line geom_linerange

geom_map geom_path

geom_point geom_pointrange

geom_polygon geom_quantile

geom_raster geom_rect

geom_ribbon geom_rug

geom_segment geom_smooth

geom_step geom_text

geom_tile geom_violin

geom_vline

4、标尺（Scale）

1	ggplot(small)+geom_point(aes(x=carat, y=price, shape=cut, colour=color))+scale_y_log10()+scale_colour_manual(values=rainbow(7))

以数据（Data）和映射（Mapping)一节中所画散点图为例，将Y轴坐标进行log10变换，再自己定义颜色为彩虹色。

5、统计变换（Statistics）

统计变换对原始数据进行某种计算，然后在图上表示出来，例如对散点图上加一条回归线。

1	ggplot(small, aes(x=carat, y=price))+geom_point()+scale_y_log10()+stat_smooth()

这里就不按颜色、切工来分了，不然ggplot会按不同的分类变量分别做回归，图就很乱，如果我们需要这样做，我们可以使用分面，这个将在后面介绍。

stat_abline stat_contourstat_identity stat_summary

stat_binstat_densitystat_qq stat_summary2d

stat_bin2dstat_density2dstat_quantile stat_summary_hex

stat_bindot stat_ecdf stat_smooth stat_unique

stat_binhex stat_function stat_spokestat_vline

stat_boxplotstat_hlinestat_sumstat_ydensity

6、坐标系统（Coordinante）

坐标系统控制坐标轴，可以进行变换，例如XY轴翻转，笛卡尔坐标和极坐标转换，以满足我们的各种需求。

坐标轴翻转由coord_flip()实现

1	ggplot(small)+geom_bar(aes(x=cut, fill=cut))+coord_flip()

而转换成极坐标可以由coord_polar()实现：

1	ggplot(small)+geom_bar(aes(x=factor(1), fill=cut))+coord_polar(theta="y")

还可以画靶心图：

1	ggplot(small)+geom_bar(aes(x=factor(1), fill=cut))+coord_polar()

以及风玫瑰图(windrose)

1	ggplot(small)+geom_bar(aes(x=clarity, fill=cut))+coord_polar()

7、图层（Layer）

有了图层的概念，使用ggplot画起图来，就更加得心应手。

require(ggplot2)

f1data.frame(x=x,y=y)

d -3*sqrt(33)/7,]

return(d)

}

x1data.frame(x2=x2, y2=y2)

p2data.frame(x3=x3, y3=y3)

p3data.frame(x4=x4,y4=y4)

p4data.frame(x5=x5,y5=y5)

p5data.frame(x6=x6,y6=y6)

1 2	Normaldata.frame(V=c("Normal", "Cancer"), mean=m, sd=s) d$V

8、分面（Facet）

分面可以让我们按照某种给定的条件，对数据进行分组，然后分别画图。

在统计变换一节中，提到如果按切工分组作回归线，显然图会很乱，有了分面功能，我们可以分别作图。

1	ggplot(small, aes(x=carat, y=price))+geom_point(aes(colour=cut))+scale_y_log10() +facet_wrap(~cut)+stat_smooth()

9、主题（Theme）

通过ggplot画图之后，我们可能还需要对图进行定制，像title, xlab, ylab这些高频需要用到的，自不用说，ggplot2提供了ggtitle(), xlab()和ylab()来实现。

比如：

但是这个远远满足不了需求，我们需要改变字体，字体大小，坐标轴，背景等各种元素，这需要通过theme()函数来完成。

ggplot2提供一些已经写好的主题，比如theme_grey()为默认主题，我经常用的theme_bw()为白色背景的主题，还有theme_classic()主题，和R的基础画图函数较像。

别外ggthemes包提供了一些主题可供使用，包括：

theme_economist theme_economist_white

theme_wsj theme_excel

theme_few theme_foundation

theme_igray theme_solarized

theme_stata theme_tufte

1 2	require(ggthemes) p + theme_wsj()

在2013年发表的文章Putative cobalt- and nickel-binding proteins and motifs in Streptococcus pneumoniae中的图3就是使用theme_stata来画的。

至于如何改变这些元素，我觉得我之前画囧字的博文可以做为例子：

fdata.frame(x=x,y=y)

详细的说明，可以参考?theme的帮助文档。

10、二维密度图

1	ggplot(diamonds, aes(carat, price))+ stat_density2d(aes(fill = ..level..), geom="polygon")+ scale_fill_continuous(high='darkred',low='darkgreen')

11、ggplot2实战

果壳知性里有帖子介绍了个猥琐邪恶的曲线，引来无数宅男用各种工具来画图，甚至于3D动态图都出来了。这里用ggplot2来画。3D版本请猛击此处。

1 2	fdata.frame(x=c(x1,x2,x3), y=rep(y,3), type=rep(LETTERS[1:3], each=length(y))) p

再来一个蝴蝶图，详见《Modern Applied Statistics with S-PLUS》第一章。

1 2	theta data.frame(x=radiussin(theta), y=radiuscos(theta)) ggplot(dd, aes(x, y))+geom_path()+theme_null()+xlab("")+ylab("")

全部行业分类

生物软件

利用ggplot2画出各种漂亮图片详细教程

《使用ggplot2画图》

1、Why use ggplot2

2、数据（Data）和映射（Mapping)

3、几何对象（Geometric）

直方图

柱状图

密度函数图

4、标尺（Scale）

5、统计变换（Statistics）

6、坐标系统（Coordinante）

7、图层（Layer）

8、分面（Facet）

9、主题（Theme）

10、二维密度图

11、ggplot2实战

相关推荐：

本文作者

Ta的圈贴

最新创建圈子

最新话题

利用ggplot2画出各种漂亮图片详细教程

《使用ggplot2画图》

1、Why use ggplot2

2、数据（Data）和映射（Mapping)

3、几何对象（Geometric）

直方图

柱状图

密度函数图

4、标尺（Scale）

5、统计变换（Statistics）

6、坐标系统（Coordinante）

7、图层（Layer）

8、分面（Facet）

9、主题（Theme）

10、二维密度图

11、ggplot2实战

《使用ggplot2画图》

1、Why use ggplot2

2、数据（Data）和映射（Mapping)

3、几何对象（Geometric）

直方图

柱状图

密度函数图

4、标尺（Scale）

5、统计变换（Statistics）

6、坐标系统（Coordinante）

7、图层（Layer）

8、分面（Facet）

9、主题（Theme）

10、二维密度图

11、ggplot2实战