R语言数据可视化分析怎么做

前言

我们身处数据时代，我们倡导数字经济，我们都是数据人。因此，我们合理分析数据以发现有意义的洞见就显得尤为重要。

数据可视化分析是一个重要的工具，了解数据可视化分析怎么做，可以让你从数据中挖掘出关键的洞见。如果你的分析结果能够恰当的可视化，那可以与利益相关者做有效地沟通。

R语言的可视化包

1 graphics包，R语言base包之一，用于绘制基础的可视化图形，例如：散点图、盒箱图等。

2 lattice包，它在graphics包的基础上做了改进和拓新，适用于多变量数据可视化分析。

3 ggplot2包，它基于Grammar of Graphics的原理设计和实现各种复杂的可视化，把可视化采用分图层叠加的方式来创建。

4 plotly包，它利用开源JavaScript图形库创建可交互式的Web图形。

等等

R语言实现常用的数据可视化分析怎么做

数据准备，选择了R语言自带的2个数据集，分别如下：

1airquality:1973年5月到9月纽约每日的空气质量测量

2mtcars:Motor Trend Car Road Tests

加载R包和数据集

参考代码

# 加载R包
library(pacman)
p_load(lattice, ggplot2, plotly)
# 数据准备
data(“airquality”)
data(“mtcars”)

数据可视化

1 graphics包画图

1.1 散点图

参考代码

# 1.1 散点图
plot(airquality$Ozone, airquality$Wind)

结论：

Wind与Ozone具有一定的负相关性。

1.2 散点图矩阵

参考代码

# 1.2 散点图矩阵

plot(airquality)

1.3 点线图

参考代码

# 1.3 点线图
plot(airquality$Ozone, type = ‘b’)

1.4 图形添加标签和标题

参考代码

# 1.4 添加标签和标题
plot(airquality$Ozone,
xlab = ‘观察的index’,
ylab = ‘臭氧的浓度’,
main = ‘纽约的臭氧水平’,
col = ‘green’)

1.5 柱状图

参考代码

# 1.5 柱状图
barplot(airquality$Ozone,
main = ‘空气中臭氧的浓度’,
xlab = ‘ozone levels’,
col=’red’,
horiz = FALSE)

1.6 直方图

参考代码

# 1.6 直方图
hist(airquality$Solar.R,
main = ‘空气中太阳辐射度的值’,
xlab = ‘Solar rad.’,
col=’red’)

1.7 盒箱图

参考代码

# 1.7 盒箱图
boxplot(airquality[,0:4],
main=’多变量盒箱图’)

1.8 多图组合展示

参考代码

# 1.8 多图组合展示
par(mfrow=c(3,3), mar=c(2,5,2,1), las=1, bty=”n”)
plot(airquality$Ozone)
plot(airquality$Ozone, airquality$Wind)
plot(airquality$Ozone, type= “c”)
plot(airquality$Ozone, type= “s”)
plot(airquality$Ozone, type= “h”)
barplot(airquality$Ozone,
main = ‘Ozone Concenteration in air’,
xlab = ‘ozone levels’,
col=’red’,
horiz = TRUE)
hist(airquality$Solar.R)
boxplot(airquality$Solar.R)
boxplot(airquality[,0:4],
main=’多变量盒箱图’)

2 lattice包画图

2.1 散点图矩阵

参考代码

# 2.1 散点图矩阵
splom(mtcars[c(1,3,4,5,6)], main=”MTCARS Data”)

2.2 两个因子约束下的散点图

参考代码

# 2.2 两个因子约束的散点图
# 因子变量类型
gear_factor <- factor(mtcars$gear,levels=c(3,4,5),
labels=c(“3gears”,”4gears”,”5gears”))

cyl_factor <- factor(mtcars$cyl,levels=c(4,6,8),
labels=c(“4cyl”,”6cyl”,”8cyl”))

xyplot(mtcars$mpg ~ mtcars$wt|cyl_factor*gear_factor,
main=”Scatterplots : Cylinders and Gears”,
ylab=”Miles/Gallon”,
xlab=”Weight of Car”)

3 ggplot2包画图

3.1 散点图

参考代码

# 3.1 散点图
ggplot(data = mtcars, mapping = aes(x = wt, y = mpg)) +
geom_point() +
theme_classic()

3.2 图形修饰

参考代码

# 3.2 图形修饰
ggplot(data = mtcars,
mapping = aes(x = wt,
y = mpg,
color = as.factor(cyl),
size = qsec)) +
geom_point() +
theme_classic()

4 plotly包画图

4.1 散点图

参考代码

# 4.1 散点图
p <- plot_ly(data = mtcars, x = ~hp, y = ~wt)

p

4.2 多直线图

参考代码

# 4.2 多直线图
data1 <- rnorm(100, mean = 10)
data2 <- rnorm(100, mean = 0)
data3 <- rnorm(100, mean = -10)
x <- c(1:100)
data <- data.frame(x, data1, data2, data3)
p <- plot_ly(data, x = ~x)%>%

add_trace(y = ~data1, name = ‘data1’,mode = ‘lines’) %>%
add_trace(y = ~data2, name = ‘data2’, mode = ‘lines+markers’) %>%
add_trace(y = ~data3, name = ‘data3’, mode = ‘markers’)
p

附录：完整参考代码

####################
#R语言做数据可视化分析
###################

# 加载R包
library(pacman)
p_load(lattice, ggplot2, plotly)

# 数据准备
data(“airquality”)
data(“mtcars”)

# 1 graphics包画图
# 1.1 散点图
plot(airquality$Ozone, airquality$Wind)

# 1.2 散点图矩阵
plot(airquality)

# 1.3 点线图
plot(airquality$Ozone, type = ‘b’)

# 1.4 添加标签和标题
plot(airquality$Ozone,
xlab = ‘观察的index’,
ylab = ‘臭氧的浓度’,
main = ‘纽约的臭氧水平’,
col = ‘green’)

# 1.5 柱状图
barplot(airquality$Ozone,
main = ‘空气中臭氧的浓度’,
xlab = ‘ozone levels’,
col=’red’,
horiz = FALSE)

# 1.6 直方图
hist(airquality$Solar.R,
main = ‘空气中太阳辐射度的值’,
xlab = ‘Solar rad.’,
col=’red’)

# 1.7 盒箱图
boxplot(airquality[,0:4],
main=’多变量盒箱图’)

# 1.8 多图组合展示
par(mfrow=c(3,3), mar=c(2,5,2,1), las=1, bty=”n”)
plot(airquality$Ozone)
plot(airquality$Ozone, airquality$Wind)
plot(airquality$Ozone, type= “c”)
plot(airquality$Ozone, type= “s”)
plot(airquality$Ozone, type= “h”)
barplot(airquality$Ozone,
main = ‘Ozone Concenteration in air’,
xlab = ‘ozone levels’,
col=’red’,
horiz = TRUE)
hist(airquality$Solar.R)
boxplot(airquality$Solar.R)
boxplot(airquality[,0:4],
main=’多变量盒箱图’)

# 2 lattice包画图
# 2.1 散点图矩阵
splom(mtcars[c(1,3,4,5,6)], main=”MTCARS Data”)

# 2.2 两个因子组合的散点图
# 因子变量类型
gear_factor <- factor(mtcars$gear,levels=c(3,4,5),
labels=c(“3gears”,”4gears”,”5gears”))

cyl_factor <- factor(mtcars$cyl,levels=c(4,6,8),
labels=c(“4cyl”,”6cyl”,”8cyl”))

xyplot(mtcars$mpg ~ mtcars$wt|cyl_factor*gear_factor,
main=”Scatterplots : Cylinders and Gears”,
ylab=”Miles/Gallon”,
xlab=”Weight of Car”)

# 3 ggplot2包画图
# 3.1 散点图
ggplot(data = mtcars, mapping = aes(x = wt, y = mpg)) +
geom_point() +
theme_classic()
# 3.2 图形修饰
ggplot(data = mtcars,
mapping = aes(x = wt, y = mpg, color = as.factor(cyl), size = qsec)) +
geom_point() +
theme_classic()
# 4 plotly包画图
# 4.1 散点图
p <- plot_ly(data = mtcars, x = ~hp, y = ~wt)
p
# 4.2 多直线图
data1 <- rnorm(100, mean = 10)
data2 <- rnorm(100, mean = 0)
data3 <- rnorm(100, mean = -10)
x <- c(1:100)
data <- data.frame(x, data1, data2, data3)
p <- plot_ly(data, x = ~x)%>%

add_trace(y = ~data1, name = ‘data1’,mode = ‘lines’) %>%
add_trace(y = ~data2, name = ‘data2’, mode = ‘lines+markers’) %>%
add_trace(y = ~data3, name = ‘data3’, mode = ‘markers’)