劉小澤開始寫于18.9.4晚，這必定是一個持續性更新的過程
昨天jimmy一發朋友圈，單篇閱讀量很快超過了我們的關注人數??開心之余，今晚拿起了數據科學這本書看了起來～正如書的安排，將第一部分分給了可視化，確實讓人耳目一新，學習R可視化并且用最好用的ggplot2工具，讓學習變成一種享受。
我會按學習的內容梳理重點問題
前言
需要整潔的數據tidy data
每一列是一個變量，每一行是一個觀測
需要安裝tidyverse包
包括了ggplot2/tibble/readr/purrr/dplyr，使用tidyverse_update()檢查更新
指定對象
包的名稱后用兩個冒號，如dplyr::mutate()
ggplot繪圖
繪圖模版
ggplot(data = <DATA>) +
<GEOM_FUNCTION>(mapping = aes(<MAPPING>))
這個思路很棒！也講出了ggplot的作圖邏輯
- 無論什么圖，首先需要輸入的就是數據集
<DATA>，這時繪制的是一張白紙； - 接下來就看你需要做什么圖了，就是選擇幾何對象的過程，比如要做散點圖，就將
<GEOM_FUNCTION>替換成geom_point； - 有了幾何對象，接下來就要考慮，我們數據集中的數據怎么映射上去呢，x軸代表什么，y軸又代表什么呢？這個就是
<MAPPING>需要做的事情——指定映射變量； - 指定完變量后，就要想，怎么設置字體大小(size)，形狀(shape)、【填充|邊框】顏色(fill | color)、透明度(alpha)等等，這些叫圖形屬性，也都是在
<GEOM_FUNCTION>中完成； - 繪制完一個圖層后，當然可以繼續新加圖層，覆蓋到原來之上（比如這里的散點圖）
繪圖注意
-
不要將無序變量映射為有序圖形屬性，什么樣的變量就用什么樣的屬性
有序圖形屬性包括：size；無序屬性包括：shape、size
進行圖形屬性設置時，有的屬性是有序的圖形屬性，比如size，就是它是和數據的大小順序有關的，反映出來的結果應該是：數值越大，點的大小越大。
但是如果用一個無序的變量（比如mpg數據集中的class變量，它只是一個分類的作用）去映射size，結果就會根據不同類別的class表現大小，基本上結果是看不出來什么問題的ggplot(data = mpg)+ geom_point(mapping = aes(x = displ, y = hwy, size= class))
ggplot2最多同時使用6種形狀
-
繪圖模版的倒數第二條中，設置顏色用字符串，設置大小用毫米，設置形狀用數值。關于形狀：
空心-邊界顏色-color 【0-14】 實心-填充顏色-color；【15-20】 填充-邊界顏色-color，填充顏色-fill【21-24】
一行代碼寫不完，可以用+然后換行，但是+必須在結尾
圖形分面：特別適合添加分類變量
單個變量：facet_wrap(~變量，nrow=)
兩個變量：facet_grid(變量1~變量2)ggplot中有大于30種幾何對象，就是做出來的圖形，但是對于不用的圖進行設置的屬性也有些差別，比如：帶線的圖就不能用點圖的shape設置形狀，可以用linetype設置實線、虛線等
show.legend=T/F設置是否顯示圖例-
創建表格可以用
demo <- tribble( ~a, ~b, "bar_1", 20, "bar_2", 30, "bar_3", 40) -
在<GEOM_FUNCTION>()中還可以添加統計變換
#stat_summary：匯總統計，主要計算數據集合的最大值、最小值、平均數等； #stat_bin：封箱統計，將數據劃分成一個個的區域，然后在外面嵌套匯總統計； #stat_smooth：線性回歸、非線性回歸以及各種平滑插值算法，用于查找數據的規律； #stat_density：樣本估計總體的概率密度； -
位置調整position
#選項1.identity ggplot(diamonds,aes(x=cut, fill = clarity))+ geom_bar(position = "identity", alpha = 1/4) #設置透明度 ggplot(diamonds,aes(x=cut, color = clarity))+ geom_bar(position = "identity", fill=NA) #選擇不填充，也就是完全透明，只有邊框 #選項2.fill（和堆疊相似，但各組高度相同）方便比較比例 ggplot(diamonds, aes(x=cut, fill =clarity))+ geom_bar(position = "fill") #選項3.dodge（各組條形并列放置）方便比較數值 ggplot(diamonds, aes(x=cut, fill = clarity))+ geom_bar(position = "dodge", alpha=1/2) #選項4.適合散點圖的jitter（隨機抖動）避免因數據四舍五入而使部分值重疊 #不加抖動是這樣 ggplot(mpg)+geom_point(aes(x= displ, y = hwy)) #加了是這樣，可以看出數據聚集模式 ggplot(mpg)+geom_point(aes(x= displ, y = hwy), position = "jitter") #快速實現用geom_jitter ggplot(mpg)+geom_jitter(aes(x= displ, y = hwy)) 作出一條參考線：對角線
geom_abline()；水平geom_hline; 豎直geom_vline
基礎工作流
賦值
雖然=也可以，還是推薦使用<- 。因為=后來可能會引起混淆
快速輸入<-，用Alt +減號
對象名稱
小寫字母，_分隔
調取快捷鍵幫助
alt + shift + K
學習dplyr
五大金剛:
filter()按值篩選觀測值；arrange()行重排序；select()按名稱選取變量；mutate()使用現有變量創建新變量；summarize()獲得摘要
【工作方式：函數(數據框，變量名稱+操作) = 》結果返回新數據框】一種設定：group_by()，可以改變上述函數的作用范圍
#先加載參考數據集——航班概況
install.packages("nycflights13")
library(nycflights13)
filter
想同時輸出結果并保存在一個變量中，可以這樣：
(dec25 <- filter(flights, month == 1, day == 1))
比較數值—浮點數較特殊
> sqrt(2)^2 == 2
[1] FALSE
#計算機使用有限位數運算，因此sqrt(2)^2結果是個近似值，要采用near函數來判斷
> near(sqrt(2)^2, 2)
[1] TRUE
邏輯運算
#找到11月或者12月的航班
filter(flights, month == 11| month == 12)
#但是，如果這樣寫：
filter(flights, month == 11| 12) #結果大不同
# 因為程序先看的是11 | 12，返回邏輯值是TRUE， 而TRUE代表數字1，因此結果就是相當于 filter(flights, month == 1)，會找到1月份的航班
NA == NA => NA
NA是什么？=》not available的缺失值
打眼看去，很奇怪的表達，判斷NA == NA，怎么結果還是NA？
按現實情況去解釋就好理解了：豆豆的年齡未知（dou <- NA），花花的年齡也未知 （hua <- NA），那么豆豆花花的年齡一樣嗎(dou == hua?)，不知道啊，所以還是NA
當然，要判斷NA值，用is.na()
filter()默認只保留TRUE的行，排除FALSE、NA，如果要保留NA，例如
filter(df, is.na(x) |x>1 )
簡寫 %in%
選出x是y中的一個值的所有行
filter(flights, month %in% c(11,12)) #就是上面的簡寫
簡化篩選條件
#如果要找出發或者到達延誤時間小于2小時的航班【兩種方法】
filter(flights, !(arr_delay >120 | dep_delay > 120))
filter(flights, arr_delay <= 120, dep_delay <=120)
另一個簡單的選取數據函數between()
可以用于選取數據范圍between(x, left, right)
參數left，right表示數據左邊和右邊范圍，返回結果是邏輯值
歡迎關注我們的公眾號～_～
我們是兩個農轉生信的小碩，打造生信星球，想讓它成為一個不拽術語、通俗易懂的生信知識平臺。需要幫助或提出意見請后臺留言或發送郵件到Bioplanet520@outlook.com
