R|ggplot2(五)|scale 修改默认设置
作者：dwzb，R语言中文社区专栏作者。知乎专栏：https://zhuanlan.zhihu.com/Data-AnalysisR
第三篇戳：R|ggplot2(三)|coord 系列函数坐标轴转换
第四篇戳：R|ggplot2(四)|stat_ geom_ 和position
查看ggplot2包的官方文档，我们可以看到scale系列函数构成是有一定规律的。如scale_fill_gradient scale_x_continuous
三个单词用_连接
第一个都是scale
第二个是要更改的内容，如color fill x y linetype shape size 等
第三个是具体的类型
本文分为以下两个部分
对颜色的各种修改(color fill)
对坐标轴的更改(x y)
对颜色的修改
颜色的函数名中，第二个单词有color和fill两个，看你分组使用的是哪一个就用哪一个，比如柱状图，fill是柱子的填充颜色，color是柱子的边框颜色，一般我们都用fill接分组变量，这时就应该使用scale_fill_系列函数来更改颜色。再比如是geom_point作图使用color分组，则加scale_color_系列函数。
根据第三个单词的不同，更换的颜色分为以下几种
1. 离散型
manual 直接指定分组使用的颜色
hue 通过改变色相（hue）饱和度（chroma）亮度（luminosity）来调整颜色
brewer 使用ColorBrewer的颜色
grey 使用不同程度的灰色
2. 连续型
gradient 创建渐变色
distiller 使用ColorBrewer的颜色
identity 使用color变量对应的颜色，对离散型和连续型都有效
这里分成两类，离散型和连续型
离散型的在颜色变量是离散变量的时候使用，比如分类时每一类对应一种颜色
连续型的在颜色变量是连续变量的时候使用，比如0-100的数，数值越大颜色越深这样
下面我们分为两个部分
更改颜色的各个函数的使用
通用参数设置
更改颜色的各个函数的使用
library(ggplot2)
p0 <- ggplot(mpg, aes(class))+geom_bar(aes(fill=drv))
# manual
# 主要是values参数指定颜色
p0
p0 + scale_fill_manual(values=c("red", "blue", "green")) # 直接指定三个颜色
p0 + scale_fill_manual(values=c("4" = "red", "r" = "blue", "f" = "darkgreen")) # 对应指定
# hue
# 主要参数：h = c(0, 360) + 15, c = 100, l = 65
# h指定色域，范围越大，颜色区分度越大。范围整体移动改变取色区域
# c越大饱和度越高
p0
p0 + scale_fill_hue(l=8)
p0 + scale_fill_hue(l=100)
p0 + scale_fill_hue(c=200)
p0 + scale_fill_hue(h=c(15,100))
p0 + scale_fill_hue(h=c(15,100)+100)
p0 + scale_color_hue(h=c(15,100)) # 前面使用fill分组，用color系列无效
ggplot(mpg, aes(class))+geom_bar(aes(color=drv)) +
scale_color_hue(h=c(15,100)) # 使用color分组才有效
# brewer
library(RColorBrewer)
display.brewer.all() # 展示所有颜色
# 主要是palette参数调用色板
p0
p0 + scale_fill_brewer() # 默认使用Blues调色板中的颜色
p0 + scale_fill_brewer(palette = "Greens")
p0 + scale_fill_brewer(palette = "Greens",direction = -1)
# grey
# 通过start end 两个参数指定，都在0-1范围内，0为黑，1为白
p0
p0 + scale_fill_grey()
p0 + scale_fill_grey(start=1, end=0)
p0 + scale_fill_grey(start=1, end=0.5)
# 连续型
df <- data.frame(
x = runif(100),
y = runif(100),
z1 = rnorm(100),
z2 = abs(rnorm(100))
)
pp0 <- ggplot(df, aes(x, y)) + geom_point(aes(colour = z1))
# gradient
# 使用参数指定节点颜色
pp0
pp0 + scale_color_gradient(low = "white", high = "black")
pp0 + scale_color_gradient2(low = "white", mid = "red", high = "black")
pp0 + scale_color_gradientn(colours = terrain.colors(10))
# distiller
# 将ColorBrewer的颜色应用到连续变量上
pp0 + scale_color_distiller(palette = "Spectral")
pp0 + scale_color_distiller(palette = "Greens")
# identity
# 直接使用所接颜色变量元素指向的颜色
# 如果不能代表颜色就会报错
df0 <- data.frame(
x = rep(1:4,each=2),
y = rep(1:4, 2),
colour = c("red", "green", "blue", "yellow")
)
ggplot(df0,aes(x,y)) +geom_point(aes(color=colour))
ggplot(df0,aes(x,y)) +geom_point(aes(color=colour)) + scale_color_identity()
ggplot(df0,aes(x,y)) +geom_col(aes(fill=colour))
ggplot(df0,aes(x,y)) +geom_col(aes(fill=colour)) + scale_fill_identity()
ggplot(df0,aes(x,y)) +geom_col(aes(fill=colour)) +
scale_fill_identity(guide = "legend") # 把图例加回来
通用参数设置
以上函数我们查看帮助文档看参数时，会发现有一个...，这代表除了本页列举的这些参数之外，这个函数还可以使用其他的参数，这些参数往往是几个函数共有的，所以在另外一个地方列举了出来。
我们直接输入函数名称查看源代码时，会发现分为两类
离散型调用了discrete_scale函数，...中的参数是对所有离散型函数通用的
连续型函数调用了continuous_scale函数，...中的参数也是对所有连续型函数通用的
下面我将分别介绍这两类函数的参数
离散型函数所有参数使用?discrete_scale命令查看，下面只使用其中比较常用的一部分，连续型函数同理
p0 <- ggplot(mpg, aes(class))+geom_bar(aes(fill=drv))
p0
p0 + scale_fill_manual("class", values=c("red", "blue", "green")) # 更改图例名字
p0 + scale_fill_manual(values=c("red", "blue", "green"),
breaks = c("4", "r", "f"),
labels = c("four", "rr", "rr")) # 对应指定并更改图例标签
p0 + scale_fill_manual(values=c("red", "blue", "green"),
limits=c("4", "r")) # 只显示4和r对应部分
p0 + scale_fill_manual(values=c("red", "blue", "green", "black"),
limits=c("4", "r", "f", "6")) # 图例中多出一块
pp0
pp0 + scale_color_gradient(low = "white", high = "black",
breaks=c(1,2,0.5),
labels=c("a","b","c"))
pp0 + scale_color_gradient("black", low = "white", high = "black",
limits=c(0.5,2))
对坐标轴的修改
这部分主要是对坐标轴做如下改变，比如
更改坐标轴名称
更改x轴上标数的位置和内容
显示对一个轴做统计变换
只展示一个区域内的点
更改刻度标签的位置
实现上面的这些可以使用scale_x等函数，同时像xlab这样的函数实现其中某一方面的功能，但是用起来更加方便
因为这里的数据也有连续和离散之分，所以也要使用不同的函数来实现。
# 横坐标是离散变量，纵坐标是连续变量
p0 <- ggplot(mtcars, aes(factor(cyl), mpg)) + geom_point()
# 其实scale_x_discrete函数主要参数也是上面颜色的离散变量函数的通用参数，在discrete_scale中查询
p0 + scale_x_discrete("cyl") # 更改坐标轴名称
p0 + scale_x_discrete(labels = c("4"="a","6"="b","8"="c")) # 更改横轴标度
p0 + scale_x_discrete(labels = c("4"="a","6"="b"))
p0 + scale_x_discrete(labels = letters[1:3])
p0 + scale_x_discrete(limits=c("4","6"))
# 连续变量可以更改标度，还可以进行统计变换
p0
p0 + scale_y_continuous("ylab_mpg")
p0 + scale_y_continuous(breaks = c(10,20,30))
p0 + scale_y_continuous(breaks = c(10,20,30), labels=scales::dollar)
p0 + scale_y_continuous(limits = c(10,30))
p0 + scale_y_reverse() # 纵坐标翻转，小数在上面，大数在下面
p0 + scale_y_log10()
p0 + scale_y_continuous(trans = "log10")
p0 + scale_y_sqrt()
# 使用更简单易用 的函数
p0 + xlab("cyl")
p0 + labs(x = "cyl")
p0 + ggtitle("ggtitle",subtitle = "subtitle")
p0 + xlim(c("4","6"))
# 更改刻度标签的位置
p0 + scale_x_discrete(position = "top") +
scale_y_continuous(position = "right")
公众号后台回复关键字即可学习
回复 R R语言快速入门免费视频
回复 统计 统计方法及其在R中的实现
回复 用户画像 民生银行客户画像搭建与应用
回复 大数据 大数据系列免费视频教程
回复 可视化 利用R语言做数据可视化
回复 数据挖掘 数据挖掘算法原理解释与应用
回复 机器学习 R&Python机器学习入门