ggplot2学习笔记10：分面（Facetting）详解

Chapter 7

Positioning

---

文章目录

• Chapter 7
• Positioning
• 7.1 介绍（Introduction）
• 7.2 分面（Facetting）
• 7.2.1 封装分面（Facet wrap）
• 7.2.2 网格分面（Facet grid）
• 7.2.3 标度控制（Controlling scales）
• 7.2.3.1 固定标度与自由标度
• 7.2.3.2 一个案例
• 7.2.4 缺失分面变量（Missing facetting variables）
• 7.2.5 分组和分面（Grouping vs. Facetting）
• 7.2.6 连续变量（Continuous variables）

---

7.1 介绍（Introduction）

这部分讨论Positioning，特别是图层如何在页面上布局，以及坐标系统如何工作。有四个组件控制位置：

• Position adjustments：调整层中重叠对象的位置；
• Position scales：控制如何将数据中的值映射到图上的位置；

这部分主要介绍另外两个：

• Facetting：分面是一种在页面上自动布局多个情节的机制。它将数据分成子集，然后在不同的分面中绘制每个子集；
• Coordinate systems：控制两个独立的位置标度形成一个二维坐标系，最常见的坐标系是笛卡尔坐标系。

7.2 分面（Facetting）

每个小图都代表不同的数据子集。分面可以快速地分析数据各子集模式的异同。

本节讨论怎样较好微调分面，特别是和位置标度相关的方法。

• facet_null()：默认，无分面，单一图形
• facet_wrap()：封装型，本质上是一维，为节省空间封装成二维
• facet_grid()：网格型，生成一个由两个独立的部分组成的二维面板，面板的行和列可以通过变量来定义

两种绘图系统区别示意图

使用数据集：mpg数据集的一个子集（气缸数cylinders (4, 6, 8)，驱动系统drive train (4, f)，和6个classes）

library(ggplot2)
mpg2 <- subset(mpg, cyl != 5 & drv %in% c("4", "f") & class != "2seater")
mpg2
#> # A tibble: 205 x 11
#>    manufacturer model      displ  year   cyl trans      drv     cty   hwy fl    class  
#>    <chr>        <chr>      <dbl> <int> <int> <chr>      <chr> <int> <int> <chr> <chr>  
#>  1 audi         a4           1.8  1999     4 auto(l5)   f        18    29 p     compact
#>  2 audi         a4           1.8  1999     4 manual(m5) f        21    29 p     compact
#>  3 audi         a4           2    2008     4 manual(m6) f        20    31 p     compact
#>  4 audi         a4           2    2008     4 auto(av)   f        21    30 p     compact
#>  5 audi         a4           2.8  1999     6 auto(l5)   f        16    26 p     compact
#>  6 audi         a4           2.8  1999     6 manual(m5) f        18    26 p     compact
#>  7 audi         a4           3.1  2008     6 auto(av)   f        18    27 p     compact
#>  8 audi         a4 quattro   1.8  1999     4 manual(m5) 4        18    26 p     compact
#>  9 audi         a4 quattro   1.8  1999     4 auto(l5)   4        16    25 p     compact
#> 10 audi         a4 quattro   2    2008     4 manual(m6) 4        20    28 p     compact
#> # ... with 195 more rows

7.2.1 封装分面（Facet wrap）

facet_wrap()函数先生成一个长的面板条块（有任意数目的变量生成），再将它封装在二维中

设置排列的参数：

• ncol，nrow：控制行列数，只需要设置一个；
• as.table：是否以表格的形式显示布局，有True和False两个选项；

base <- ggplot(mpg2, aes(displ, hwy)) + 
  geom_blank() +   #这里可以使用其他几何对象，如geom_point()
  xlab(NULL) + 
  ylab(NULL)

base + facet_wrap(~class, ncol = 3)
base + facet_wrap(~class, ncol = 3, as.table = FALSE)

• dir：控制环绕的方向horizontal或vertical，有 “h” 和 “v” 两个选项。

base + facet_wrap(~class, nrow = 3)
base + facet_wrap(~class, nrow = 3, dir = "v")

7.2.2 网格分面（Facet grid）

facet_grid()函数在二维网格中展示图形

在进行封面绘制时，需要设定哪些变量作为分面绘图的行，哪些变量作为列，规则如下：

• 不进行分面：不使用函数facet_grid()或添加命令facet_null()，此时将会生成一个单独的面板

base + facet_null()

• 一行多列：. ~ a

base + facet_grid(. ~ cyl)

• 一列多行：b ~ .

base + facet_grid(drv ~ .)

• 多行多列：a ~ b

base + facet_grid(drv ~ cyl)

7.2.3 标度控制（Controlling scales）

对于两种分面（wrap和grid），通过参数scales来控制面板位置标度的固定和自由：

• scales = "fixed": x 和 y的标度在所有分面中都相同（默认）
• scales = "free_x": x 的标度可变，y 固定
• scales = "free_y": y 的标度可变，x 固定
• scales = "free": x 和 y 的标度都可变

7.2.3.1 固定标度与自由标度

固定标度可以让我们在相同的基准上对子集进行比较：

mpg2 <- subset(mpg, cyl != 5 & drv %in% c("4", "f") & class != "2seater")
p <- ggplot(mpg2, aes(cty, hwy)) + 
  geom_abline() +
  geom_jitter(width = 0.1, height = 0.1) 
p + facet_wrap(~cyl)

自由标度可以帮助我们看到更多细节：

p + facet_wrap(~cyl, scales = "free")

7.2.3.2 一个案例

在变量y单位、数量级不同时，单独固定x轴，不限制y轴对数据的可视化将很直观。

以economics数据集为例：

economics_long
#> # A tibble: 2,870 x 4
#>    date       variable value  value01
#>    <date>     <chr>    <dbl>    <dbl>
#>  1 1967-07-01 pce       507. 0       
#>  2 1967-08-01 pce       510. 0.000265
#>  3 1967-09-01 pce       516. 0.000762
#>  4 1967-10-01 pce       512. 0.000471
#>  5 1967-11-01 pce       517. 0.000916
#>  6 1967-12-01 pce       525. 0.00157 
#>  7 1968-01-01 pce       531. 0.00207 
#>  8 1968-02-01 pce       534. 0.00230 
#>  9 1968-03-01 pce       544. 0.00322 
#> 10 1968-04-01 pce       544  0.00319 
#> # ... with 2,860 more rows

#按不同variable变量分面
ggplot(economics_long, aes(date, value)) + 
  geom_line() + 
  facet_wrap(~variable, scales = "free_y", ncol = 1)

注意：facet_grid()存在一个限制：网格分面中每一列共享一个x轴，而每一行共享一个y轴，同列中的所有面板都必须具有相同的x标度，并且同行中的所有面板都必须具有相同的y标度。

在facet_grid()中，有个叫space的附加参数，当space = "free"时，每行的高度和该行的标度范围一致，这对分类标度很有用：

reorder()函数使得模型（model）和生产商（manufacturer）按城市油耗英里数（cty）重新排序。

mpg2 <- subset(mpg, cyl != 5 & drv %in% c("4", "f") & class != "2seater")
mpg2$model <- reorder(mpg2$model, mpg2$cty)
mpg2$manufacturer <- reorder(mpg2$manufacturer, -mpg2$cty)
ggplot(mpg2, aes(cty, model)) + 
  geom_point() + 
  facet_grid(manufacturer ~ ., scales = "free", space = "free") +
  theme(strip.text.y = element_text(angle = 0))

7.2.4 缺失分面变量（Missing facetting variables）

先设置俩数据框，df1和df2，其中df1中有分面变量gender，而df2里没有这个变量。这时我们可以通过增加df2的图层（并且把它放在前面，要不就盖住df1的数据点了），让df2中的数据出现在每个分面中。

df1 <- data.frame(x = 1:3, y = 1:3, gender = c("f", "f", "m"))
df2 <- data.frame(x = 2, y = 2)

ggplot(df1, aes(x, y)) + 
  geom_point(data = df2, colour = "red", size = 4) + 
  geom_point(size = 2) + 
  facet_wrap(~gender)

7.2.5 分组和分面（Grouping vs. Facetting）

通过调整颜色、形状等图形属性可以来分组，而分面则是另一种分组方法。根据子集相对位置的不同，可以有选择的使用这两种绘图技巧：

• 通过分面分组：每个组在其各自的面板中相距很远，并且组之间没有重叠，但很难分辨细微差异；
• 通过**美学（图形属性）**分组：各组数据彼此靠近并且可能重叠，但很容易分辨细微差异。

通过创建一些随机数组举个栗子：

df <- data.frame(
  x = rnorm(120, c(0, 2, 4)),  #生成均值分别为0,2,4的120个正态分布随机数
  y = rnorm(120, c(1, 2, 1)),
  z = letters[1:3]
)

ggplot(df, aes(x, y)) + 
  geom_point(aes(colour = z))

ggplot(df, aes(x, y)) + 
  geom_point() + 
  facet_wrap(~z)

其他方法：

• 利用dplyr分类汇总：

  准备工作：

  需要加载两个包magrittr和dplyr，要使用其中函数

  • magrittr包：R语言高效的管道操作magrittr（点我了解）

  ​ 关于%>%:magrittr包被定义为一个高效的管道操作工具包，通过管道的连接方式，让数据或表达式的传递更高效，使用操作符%>%，可以直接把数据传递给下一个函数调用或表达式。magrittr包的主要目标有2个，第一是减少代码开发时间，提高代码的可读性和维护性；第二是让你的代码更短，再短，短短短…

  • dplyr包：R语言数据处理利器——dplyr简介（点我了解）

  安装加载

  install.packages(c("magrittr", "dplyr"))
  library(magrittr)
  library(dplyr)
  

在前边创建的df数据集基础上，利用管道操作符%>%创建新的数据集df_sum。

group_by()用于对数据集按照给定变量分组，返回分组后的数据集。对返回后的数据集使用以上介绍的函数时，会自动的对分组数据操作：

df_sum <- df %>% 
  group_by(z) %>% 
  summarise(x = mean(x), y = mean(y)) %>%
  rename(z2 = z) 
df_sum  #均值
#> # A tibble: 3 x 3
#>   z2         x     y
#>   <fct>  <dbl> <dbl>
#> 1 a     -0.219 0.918
#> 2 b      2.04  1.82 
#> 3 c      3.92  1.28 

接下来创建散点分面图：第一个图层映射df数据；第二个图层映射df_sum数据，并设置颜色等图形属性；最后按照z分面：

ggplot(df, aes(x, y)) + 
  geom_point() + 
  geom_point(data = df_sum, aes(colour = z2), size = 4) + 
  facet_wrap(~z)

• 将所有数据放在每个面板的背景中，再突出显示所需分组数据（与[7.2.4](# 7.2.4 缺失分面变量（Missing facetting variables）)方法原理一致）：

用dplyr数据包中的select()参数，选择子数据集df2

df2 <- dplyr::select(df, -z)  #-z表示删除df数据集中的变量z

ggplot(df, aes(x, y)) + 
  geom_point(data = df2, colour = "grey70") +
  geom_point(aes(colour = z)) + 
  facet_wrap(~z)

7.2.6 连续变量（Continuous variables）

连续变量也可以用来分面，但必须首先离散化它们。ggplot2提供了三个函数：

• cut_interval(x, n)：将数据分成n个相同长度的部分
• cut_width(x, width)：将数据按宽度划分
• cut_number(x, n = 10)：将数据划分为n个相同数目点的部分，每个分面上点数为n

如下图所示：

# Bins of width 1
mpg2$disp_w <- cut_width(mpg2$displ, 1)
# Six bins of equal length
mpg2$disp_i <- cut_interval(mpg2$displ, 6)
# Six bins containing equal numbers of points
mpg2$disp_n <- cut_number(mpg2$displ, 6)

plot <- ggplot(mpg2, aes(cty, hwy)) +
  geom_point() +
  labs(x = NULL, y = NULL)
plot + facet_wrap(~disp_w, nrow = 1)

plot + facet_wrap(~disp_i, nrow = 1)

plot + facet_wrap(~disp_n, nrow = 1)

---

参考资料：

• R语言可视化之《ggplot2：数据分析与图形艺术》
• 书籍：《ggplot2：数据分析与图形艺术》
• Hadley Wickham(2016). ggplot2. Springer International Publishing. doi: 10.1007/978-3-319-24277-4

来源：CSDN

作者：灯不怕冷

链接：https://blog.csdn.net/Apple_xiaoli/article/details/104614333