查看原文
其他

如何用 R 绘制动态统计图?

王树义老师 玉树芝兰 2022-10-23

说明:由于微信公众号外部链接的限制,文中的部分链接可能无法正确打开。如有需要,请点击文末的“阅读原文”按钮,访问可以正常显示外链的版本。答疑社区在这里:

需求

绘制统计图形,是为了给谁看?

显然不是给电脑看。

因为它看不懂,也没必要看。给它数据就好了。它理解起来,更准确。

绘制统计图形,是给人看的。

可以给别人看。例如合作者、读者、审稿人,或者演讲时的观众。

但更多的情况,图也是给自己看的。

为什么要画图?

因为密密麻麻的数字或符号,远不如一幅图像,看得清楚和舒服。

人类中的大多数,目前还没有进化出对海量原始数据,条件反射一般的理解能力。

漫长的演化史上,人类的感官只要能有效发现食物(包含猎物),快速捕获危险信号(例如捕食者逼近),和同类高效交流(使用声音、表情或肢体语言)就大概率可以在残酷的自然淘汰赛里幸存下来。

不得不从财务报表这样的密集数据里,发现机会和风险,是最近几百年才有的事儿。

巴菲特和芒格这样的投资大家,也许有这种超能力。

但这种能力,显然不是所有人的标配。

对普通人来说,理解大量的数据,统计图形很必要。因此人们常说,“一幅图胜过千言万语”。

在《如何用Python从海量文本抽取主题?》一文里,我给你展示过如何绘制主题挖掘图形。

而《如何用Python和R对故事情节做情绪分析?》一文中,我给你介绍了如何绘制故事情绪时间序列。

如你所见,这些图很有用。

但是它们只是静态的。

那么,如果图是动态的呢?

那至少,它能够给我们提供更多一个维度的信息。

这种功能,真的有用吗?

我这里给你看一个例子。

这幅动态统计图,描绘了世界不同区域,人均 GDP 和预期寿命之间的关联。随着左上角年份的不断变化,你会看到几十年来,这个世界的发展变化。

Hans Rosling 曾经用类似的数据和动画效果,做了非常精彩的 TED 演讲。我上课的时候,不止一次拿来作为演示样例,让学生揣摩学习。

如果你感兴趣的话,可以点击这个链接查看视频。

你知道吗?只需要短短10行语句,你也能自己绘制出这个图形。

不过我们学东西,不宜贪多求快。

要绘制上图,你需要了解相关的基础知识。一下子摄入很多新知,可能造成认知负荷,对你的学习兴趣没有益处。

本文中,我用一个更简单的例子,给你展现如何用 R 绘制动态统计图。

有了它作为基础,结合我给你推荐的相关学习资源,你也能很快做出更为实用,甚至是令人惊艳的动图。

环境

你不需要安装任何软件。只需要点击这个链接(http://t.cn/ReaP9Mk),就可以使用 R 编程环境了。

等准备工作完毕,你会看到,浏览器里面开启了一个 RStudio 界面。

你如果时间紧迫,不想输入任何代码,却又想马上看到运行结果,可以点击左上角的 File -> Open File,并且从出现的文件列表中,选择 code.Rmd

你就能看见下图这样打开该文件后的结果。

Rmd 文件后缀,代表 R Markdown,是 RStudio 这个 IDE 上可以使用的一种特殊的 Markdown 文件。说它特殊,是因为其中的代码段落,可以直接运行出结果。

界面左上方这里,有一个毛线球形状的按钮,名称叫做 Knit ,点击一下,它会把这个 code.Rmd 文件,转换成 HTML ,并且其中全部的代码,都显示出运行结果来。

如果你没有那么急,就请按照我下面的说明来操作。根据教程,一步步手动输入语句。这样更有助于你的理解,收获会更大。

点击左上角的 File -> New File ,选择菜单里面的第一项 R Script

此时,你会看到左侧分栏一个空白编辑区域开启,可以输入语句了。

输入之前,我们先给文件起个名字。点击 File -> Save 按钮。

在新出现的对话框里面,输入 demo ,回车。

好了,下面就可以输入并运行代码了。

代码

首先,我们需要读入几个必要的软件包:

library("tidyverse")
library("lubridate")
library("gganimate")

如果你看过我的《如何用R和API免费获取Web数据?》一文,对于 tidyverse 应该并不陌生。它是大神 Hadley 等人共同开发的一系列 R 工具包合集。对我来说,它改变了之前 R 语言"难以学习"、"语法古怪"、"不好使用"等刻板印象。

lubridate 是用来处理时间数据的 R 软件包。如果没有这东西,你每次操作时间数据,都会麻烦许多。

gganimate 顾名思义,后面我们绘制动态图形,需要用到。

下面看看我们这次使用的数据。

数据保存的格式是 .RData ,需要使用 load() 函数读入。

load('carriers_jan.RData')

读入以后,保存在其中的一个数据框变量 carriers_jan 就复活了。下面我们看看其内容:

carriers_jan
## # A tibble: 93 x 3

#
#    mydate     carrier     n

#
#    <date>     <chr>   <int>

#
#  1 2013-01-01 AA         94

#
#  2 2013-01-01 DL        112

#
#  3 2013-01-01 UA        165

#
#  4 2013-01-02 AA         94

#
#  5 2013-01-02 DL        152

#
#  6 2013-01-02 UA        170

#
#  7 2013-01-03 AA         95

#
#  8 2013-01-03 DL        128

#
#  9 2013-01-03 UA        159

#
# 10 2013-01-04 AA         95

#
# # ... with 83 more rows

我们解释一下该数据的内容。

这个数据实际上是从《如何用4行 R 语句,快速探索你的数据集?》一文中的 nycflights13 数据集,通过转换得来的。

转换后的数据,统计了不同航空公司在2013年1月,每一天从纽约三大机场起飞航班次数。

为了简便,我们在这个数据集里,只保留了3家航空公司,即:

  • 美国航空(American Airlines,AA)

  • 达美航空(Delta Air Lines, DL)

  • 美联航(United Airlines, UA)

下面我们挑出1月1日的数据看看:

carriers_jan %>%
  filter(mydate == ymd('20130101'))
## # A tibble: 3 x 3

#
#   mydate     carrier     n

#
#   <date>     <chr>   <int>

#
# 1 2013-01-01 AA         94

#
# 2 2013-01-01 DL        112

#
# 3 2013-01-01 UA        165

可见,这一天里,美国航空起飞航班 94 架次,达美 112 ,美联航为 165 。

根据上表,我们绘制一张柱状图(bar chart)。

横坐标是航空公司名称,是分类数据;纵坐标是航班次数,是量化数据。

carriers_jan %>%
  filter(mydate == ymd('20130101')) %>%
  ggplot(aes(x=carrier, y=n, fill=carrier)) +
  geom_bar(stat='identity', position='identity')

如上图所示,三家航空公司从纽约机场起飞次数,分别采用了不同颜色柱状图进行了可视化。

红色是美国航空,绿色是达美航空,蓝色是美联航。

简单解释一下其中的 ggplot 语句。

ggplot2 也是 Hadley Wickham 的作品,属于 tidyverse 软件包的一部分。

它将 Leland Wilkinson 提出的"绘图语法"(Grammar of Graphics)在 R 语言上实现。

在《如何用 Python 和 API 收集与分析网络数据?》一文中,我们已经介绍过 ggplot2 的 Python 克隆(plotnine),所以这里就不赘述背景了。

你只要记住,它绘制图形的时候,采用的是"分层"机制就好。

ggplot(aes(x=carrier, y=n, fill=carrier))
这一句讲述映射(mapping)关系,指定了把 carrier 信息投射到 x 轴, n(航班次数)投射到 y 轴,用不同 carrier 类别填充不同的色彩。

但是单单这一句,实际上是绘制不出东西来的,不信你可以尝试执行一下:

carriers_jan %>%
  filter(mydate == ymd('20130101')) %>%
  ggplot(aes(x=carrier, y=n, fill=carrier))

请注意这个图里, x 轴和 y 轴的设置,都与我们的预期一致。但是任何实质性内容,都没有绘制出来。因为咱们还没有告诉 ggplot ,打算画一个什么类别的统计图形。

这就是下一句 geom_bar(stat='identity', position='identity') 的用处。

这句话告诉 ggplot ,请绘制柱状图,柱的高度按照 y 值设置,对应 x 上每一个取值(航空公司名称),分别绘制一根柱。

这张静态图,只能告诉我们2013年1月1日这一天,纽约机场这3个航空公司起飞航班数量信息。

假如我们想多了解一个维度,也就是把时间加进去,怎么办?

这里办法并不唯一。

最简单的常规方法,是把三维信息压缩到二维平面里面去。

因为我们看二维图像,除了能观察到位置区别之外,还可以辨识色彩。

利用下列语句,你可以把这张图轻松做出来。

carriers_jan %>%
  ggplot(aes(x=mydate, y=n, color=carrier)) +
  geom_point() + geom_line()

注意,这里因为我们不再把时间限定在1月1日了,因此你得把 filter(mydate == ymd('20130101')) 这一句去掉,使用全部1个月的时间。否则使用时间轴就没有意义了。

这里的 ggplot(aes(x=mydate, y=n, color=carrier)) ,你应该能观察到跟之前的图形间,映射关系的差别。

不同于上一幅图,我们把 mydate ,而不是 carrier 映射到了 x 轴。 y 轴的映射关系没有变化。

我们此次不打算绘制柱状图了,而是描绘随时间变化趋势,所以选用的是散点图(geom_point())+折线图(geom_line())。

这就意味着,再考虑柱状图里面的填充,就不恰当了,所以我们把 carrier 的信息,映射到颜色上去(color=carrier)。

从这张图里,你可以发现非常显著的规律性。

假如你不想这样压缩信息,而希望用图形随时间的动态变化,来体现附加的时间维度,该怎么办?

这时,你就需要使用 gganimate 这个动画包的功能了。

gganimate 目前的开发维护者,是 Thomas Lin Pedersen 。这是他的 github 页面地址。

他把原先的 gganimate 包接管了过来,仿照 ggplot 的风格,对语法进行了修改和补充,使其能够无缝融入到 ggplot 语句里,很方便地调用。

因为可以用动态体现时间维度,所以我们这次依然绘制柱状图。语句如下:

carriers_jan %>%
  ggplot(aes(x=carrier, y=n, fill=carrier)) +
  geom_bar(stat='identity', position='identity') +
  transition_time(mydate)

图动起来了,是吧?

解释一下语句。

与之前静态柱状图的区别,也是去掉了时间的限定那一句 filter(mydate == ymd('20130101')) ,以便描绘整个儿一月份的情况。

另一个显著差别,是加入了最后一行语句, transition_time(mydate) ,这也是图像能够动起来的关键。

根据 gganimate 官方的说明,图形转换可以有多个不同类型语句来控制。因为我们恰好有 mydate 这个时间数据列,所以可以使用最自然而简单的 transition_time() 方法。

transition_time(mydate) 根据时间信息对数据框进行切片,然后分别加以展示。图像因而动了起来。

不过,这里有个很严重的问题------你根本就看不清,当前的动态结果对应哪个时间。对不对?

咱们需要改进一下。

改进的方法很简单:加入图片标题,显示时间,并且让标题对应着一起变化。

修改后的代码如下:

carriers_jan %>%
  ggplot(aes(x=carrier, y=n, fill=carrier)) +
  geom_bar(stat='identity', position='identity') +
  transition_time(mydate) +
  labs(title='{frame_time}')

这下,你一眼就可以从标题中,看到当前动图对应的时间了。

这里我们用到了 ggplotlabs() 函数,这个函数负责图片的标记设定,除了标题以外,你还可以设置横纵轴说明等内容。

我们用 title 参数设置标题内容。标题需要变化,所以我们得传入一个可以变化的量title 参数。

我们传入的是 {frame_time} ,这就是我们刚才提到的, gganimate 自动切片所用的时间数据。 传入参数时,不要忘了需要将其包裹在双引号里,作为字符串类型传入。

小结

本文给你展示了 R 环境绘制动态统计图的方法,具体包含以下知识点:

  • 如何读入 .RData 格式的数据文件;

  • 如何利用 ggplot 命令映射变量,选择统计图类型(包括柱状图、散点图和折线图等);

  • 如何使用 gganimatetransition_time() 方法绘制基于时间数据的动态图;

  • 如何通过 labs 设置,动态显示时间,以便于和图像的变化对应。

为了展示样例的最小化,本文的动态统计图非常简单,技术含量并不高。

抛砖引玉。希望你举一反三,绘制出更有价值、内容也更加丰富的动态统计图来。

如果你对 ggplot2 绘图包感兴趣,想详细了解其语法,可以读作者 Hadley Wickham 自己写的书 “R for Data Science” 中的 “Graphics for communication” 一章。


如果你想了解 gganimate 包的更多用法,可以阅读官方文档,或者看这段作者的演讲视频。

希望这些资源,能对你今后可视化沟通、展示自己的数据分析结果,有所帮助。

给你留个思考题:

本文中的数据,是从《如何用4行 R 语句,快速探索你的数据集?》一文中的 nycflights13 数据集,通过转换(data manipulation)得来的。

你能不能自己利用 R 或者 Python 语句,完成这一转化过程呢?

欢迎留言,把你的思考和解决过程分享给大家。

小提示:

  • 如果你用 R ,可以参考 dplyr 包的文档(https://dplyr.tidyverse.org/);

  • 如果你用 Python ,可以参考《推荐Python数据框Pandas视频教程》(http://t.cn/ReaSArG) 一文。

喜欢请点赞。还可以微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)。

如果你对数据科学感兴趣,不妨阅读我的系列教程索引贴《如何高效入门数据科学?》,里面还有更多的有趣问题及解法。


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存