0
今天，随着数据量的不断增加，数据可视化成为将数字变成可用的信息的一个重要方式。R语言提供了一系列的已有函数和可调用的库，通过建立可视化的方式进行数据的呈现。在使用技术的方式实现可视化之前，我们可以先和雷锋网一起看看如何选择正确的图表类型。
作者 Dikesh Jariwala是一个软件工程师，并且在Tatvic平台上编写了一些很酷很有趣的程序。他用API编写了第一版Price Discovery，雷锋网对他所写的这篇文章做了编译，未经许可不得转载。
四种可选择的基本类型：
1、 比较类图表
2、 组成类图表
3、 分布类图表
4、 关系类图表
为了选择最适合分析手中数据的图表类型，首先考虑以下几个问题：
单个图表里，需要几个变量？
单个变量，需要用多少数据点来描述？
数据是随时间的变量，还是离散的，以单体或组的形式？
针对如何选择最适宜的图表，Dr.Andrew Abela 提供了一个很好的方法示意图：
在使用图表分析的时候，常用的有7种图表：
1． 散点图
2． 直方图
3． 柱状图和条形图
4． 箱线图
5． 面积图
6． 热点图
7． 相关图
我们使用“Big Mart data”作为案例来理解 R 可视化的实现方法，你可以点击此处下载完整的数据（google doc）。
雷锋网将在以下篇幅介绍如何利用 R 实现可视化：
使用场景：散点图通常用于分析两个连续变量之间的关系。
在上面介绍的超市数据中，如果我们想根据他们的成本数据来可视化商品的知名度，我们可以用散点图，两个连续的变量这里我们命名为Item_Visibility和Item_MRP。
这里使用R中的ggplot()和geom_point()函数。
library(ggplot2) // ggplot2 是R中的一个函数库
ggplot(train, aes(Item_Visibility, Item_MRP)) + geom_point() + scale_x_continuous("Item
Visibility", breaks = seq(0,0.35,0.05))+ scale_y_continuous("Item MRP", breaks = seq(0,270,by =
30))+ theme_bw()
下图中增加了一个新的变量，对产品进行分类的变量，命名为Item_Type，图中以不同的颜色作为显示。
R代码中增加了分组：
ggplot(train, aes(Item_Visibility, Item_MRP)) + geom_point(aes(color = Item_Type)) +
scale_x_continuous("Item Visibility", breaks = seq(0,0.35,0.05))+
scale_y_continuous("Item MRP", breaks = seq(0,270,by = 30))+
theme_bw() + labs(title="Scatterplot")
可以进一步可视化，将散点图以不同的小图表的形式呈现，下图中，每一个小图表都代表一种不同的产品：
代码如下：
ggplot(train, aes(Item_Visibility, Item_MRP)) + geom_point(aes(color = Item_Type)) +
scale_x_continuous("Item Visibility", breaks = seq(0,0.35,0.05))+
scale_y_continuous("Item MRP", breaks = seq(0,270,by = 30))+
theme_bw() + labs(title="Scatterplot") + facet_wrap( ~ Item_Type)
代码中，facet_warp将图像显示在长方形图表中。
使用场景：直方图用于连续变量的可视化分析。将数据划分，并用概率的形式呈现数据的规律。我们可以将分类根据需求进行组合和拆分，从而通过这种方式看到数据的变化。
继续使用上面我们引入的超市数据的例子，如果我们需要知道不同成本段的商品的数量，我们可以将所有数据画出一个直方图，Item_MRP作为横坐标。如下图所示：
下面是一个简单的画直方图的例子，使用的是R中的ggplot()和geom_histogram()函数。
ggplot(train, aes(Item_MRP)) + geom_histogram(binwidth = 2)+
scale_x_continuous("Item MRP", breaks = seq(0,270,by = 30))+
scale_y_continuous("Count", breaks = seq(0,200,by = 20))+
labs(title = "Histogram")
使用场景：柱状图一般用于表现分类的变量或者是连续的分类变量的组合。
在超市数据的例子中，如果我们需要知道在每一年新开的超市的门店数量，那么柱状图就是一个很好的图形分析的方式。用“年”的信息作为坐标，如下图所示：
下面是一个简单的画柱状图的例子，使用的是R中的ggplot()函数。
ggplot(train, aes(Outlet_Establishment_Year)) + geom_bar(fill = "red")+theme_bw()+
scale_x_continuous("Establishment Year", breaks = seq(1985,2010)) +
scale_y_continuous("Count", breaks = seq(0,1500,150)) +
coord_flip()+ labs(title = "Bar Chart") + theme_gray()
去除代码中的coord_flIP()变量，可以将直方图以水平直方图的方法呈现。
为了得到商品重量（连续变量）和折扣店（分类变量）的关系，可使用下面的代码：
ggplot(train, aes(Item_Type, Item_Weight)) + geom_bar(stat = "identity", fill = "darkblue") +
scale_x_discrete("Outlet Type")+ scale_y_continuous("Item Weight", breaks = seq(0,15000, by =
500))+ theme(axis.text.x = element_text(angle = 90, vjust = 0.5)) + labs(title = "Bar Chart")
堆叠条形图是柱状图的一个高级版本，可以将分类变量组合进行分析。
超市数据的例子中，如果我们想要知道不同分类商品的折扣店数量，包含折扣店种类和折扣店区域，堆叠条形图就是做这种分析最为有效的图表分析方法。
下面是一个简单的画堆叠条形图的例子，使用的是R中的ggplot()函数。
ggplot(train, aes(Outlet_Location_Type, fill = Outlet_Type)) + geom_bar()+
labs(title = "Stacked Bar Chart", x = "Outlet Location Type", y = "Count of Outlets")
使用场景：箱线图一般用于相对复杂的场景，通常是组合分类的连续变量。这种图表应用于对数据延伸的可视化分析和检测离值群。主要包含数据的5个重要节点，最小值，25%，50%，75%和最大值。
在我们的案例中，如果我们想要找出每个折扣店每个商品销售的价格的情况，包括最低价，最高价和中间价，箱线图就大有用处。除此之外，箱线图还可以提供非正常价格商品销售的情况，如下图所示。
图中，黑色的点为离值群。离值群的检测和剔除是数据挖掘中很重要的环节。
下面是一个简单的画箱线图的例子，使用的是R中的ggplot()和geom_boxplot函数。
ggplot(train, aes(Outlet_Identifier, Item_Outlet_Sales)) + geom_boxplot(fill = "red")+
scale_y_continuous("Item Outlet Sales", breaks= seq(0,15000, by=500))+
labs(title = "Box Plot", x = "Outlet Identifier")
使用场景：面积图通常用于显示变量和数据的连续性。和线性图很相近，是常用的时序分析方法。另外，它也被用来绘制连续变量和分析的基本趋势。
超市案例中，当我们需要知道随着时间的眼神，折扣店商品的品种走势，我们可以画出如下的面积图，图中呈现了折扣店商品的成交量的变化。
下面是一个简单的画面积图的例子，用于分析折扣店商品成交数量的走势，使用的是R中的ggplot()和geom_area函数。
ggplot(train, aes(Item_Outlet_Sales)) + geom_area(stat = "bin", bins = 30, fill = "steelblue") +
scale_x_continuous(breaks = seq(0,11000,1000))+
labs(title = "Area Chart", x = "Item Outlet Sales", y = "Count")
使用场景：热点图用颜色的强度（密度）来显示二维图像中的两个或多个变量之间的关系。可对图表中三个部分的进行信息挖掘，两个坐标和图像颜色深度。
超市案例中，如果我们需要知道每个商品在每个折扣店的成本，如下图中所示，我们可以用三个变量Item_MRP，Outlet_Identifier和Item_type进行分析。
暗的数据表示Item_MRP低于50，亮的数据表示Item_MRP接近250。
下面是R代码，使用了ggplot()函数做简单的热点图。
ggplot(train, aes(Outlet_Identifier, Item_Type))+
geom_raster(aes(fill = Item_MRP))+
labs(title ="Heat Map", x = "Outlet Identifier", y = "Item Type")+
scale_fill_continuous(name = "Item MRP")
使用场景：关系图用作表示连续变量之间的关联性。每个单元可以标注成阴影或颜色来表明关联的程度。颜色越深，代表关联程度越高。正相关用蓝色表示，负相关用红色表示。颜色的深度随着关联程度的递增而递增。
超市案例中，用下图可以展现成本，重量，知名度与折扣店开业的年份和销售价格之间的关系。可以发现，成本和售价成正相关，而商品的重量和知名度成负相关。
下面是用作简单关系图的R代码，使用的是corrgram()函数。
install.packages("corrgram")
library(corrgram)
corrgram(train, order=NULL, panel=panel.shade, text.panel=panel.txt,
main="Correlogram")
通过以上的分类介绍和R程序的简单介绍，相信你可以使用R中的ggplot库进行自己的数据可视化分析了。 除了可视化分析，你还可以通过我们的网络课程进一步的学习使用R进行的数据挖掘，欢迎访问我们的网页“Google Analytics Data Mining with R”。
Via Tatvic
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
