0
| 本文作者： 雪莉?休斯敦 | 2017-01-11 17:15 |
今天，隨著數(shù)據(jù)量的不斷增加，數(shù)據(jù)可視化成為將數(shù)字變成可用的信息的一個(gè)重要方式。R語言提供了一系列的已有函數(shù)和可調(diào)用的庫，通過建立可視化的方式進(jìn)行數(shù)據(jù)的呈現(xiàn)。在使用技術(shù)的方式實(shí)現(xiàn)可視化之前，我們可以先和雷鋒網(wǎng)一起看看如何選擇正確的圖表類型。
作者 Dikesh Jariwala是一個(gè)軟件工程師，并且在Tatvic平臺(tái)上編寫了一些很酷很有趣的程序。他用API編寫了第一版Price Discovery，雷鋒網(wǎng)對(duì)他所寫的這篇文章做了編譯，未經(jīng)許可不得轉(zhuǎn)載。
四種可選擇的基本類型：
1、 比較類圖表
2、 組成類圖表
3、 分布類圖表
4、 關(guān)系類圖表
為了選擇最適合分析手中數(shù)據(jù)的圖表類型，首先考慮以下幾個(gè)問題：
單個(gè)圖表里，需要幾個(gè)變量？
單個(gè)變量，需要用多少數(shù)據(jù)點(diǎn)來描述？
數(shù)據(jù)是隨時(shí)間的變量，還是離散的，以單體或組的形式？
針對(duì)如何選擇最適宜的圖表，Dr.Andrew Abela 提供了一個(gè)很好的方法示意圖：
在使用圖表分析的時(shí)候，常用的有7種圖表：
1． 散點(diǎn)圖
2． 直方圖
3． 柱狀圖和條形圖
4． 箱線圖
5． 面積圖
6． 熱點(diǎn)圖
7． 相關(guān)圖
我們使用“Big Mart data”作為案例來理解 R 可視化的實(shí)現(xiàn)方法，你可以點(diǎn)擊此處下載完整的數(shù)據(jù)（google doc）。
雷鋒網(wǎng)將在以下篇幅介紹如何利用 R 實(shí)現(xiàn)可視化：
使用場景：散點(diǎn)圖通常用于分析兩個(gè)連續(xù)變量之間的關(guān)系。
在上面介紹的超市數(shù)據(jù)中，如果我們想根據(jù)他們的成本數(shù)據(jù)來可視化商品的知名度，我們可以用散點(diǎn)圖，兩個(gè)連續(xù)的變量這里我們命名為Item_Visibility和Item_MRP。
這里使用R中的ggplot()和geom_point()函數(shù)。
library(ggplot2) // ggplot2 是R中的一個(gè)函數(shù)庫
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()
下圖中增加了一個(gè)新的變量，對(duì)產(chǎn)品進(jìn)行分類的變量，命名為Item_Type，圖中以不同的顏色作為顯示。
R代碼中增加了分組：
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")
可以進(jìn)一步可視化，將散點(diǎn)圖以不同的小圖表的形式呈現(xiàn)，下圖中，每一個(gè)小圖表都代表一種不同的產(chǎn)品：
代碼如下：
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)
代碼中，facet_warp將圖像顯示在長方形圖表中。
使用場景：直方圖用于連續(xù)變量的可視化分析。將數(shù)據(jù)劃分，并用概率的形式呈現(xiàn)數(shù)據(jù)的規(guī)律。我們可以將分類根據(jù)需求進(jìn)行組合和拆分，從而通過這種方式看到數(shù)據(jù)的變化。
繼續(xù)使用上面我們引入的超市數(shù)據(jù)的例子，如果我們需要知道不同成本段的商品的數(shù)量，我們可以將所有數(shù)據(jù)畫出一個(gè)直方圖，Item_MRP作為橫坐標(biāo)。如下圖所示：
下面是一個(gè)簡單的畫直方圖的例子，使用的是R中的ggplot()和geom_histogram()函數(shù)。
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")
使用場景：柱狀圖一般用于表現(xiàn)分類的變量或者是連續(xù)的分類變量的組合。
在超市數(shù)據(jù)的例子中，如果我們需要知道在每一年新開的超市的門店數(shù)量，那么柱狀圖就是一個(gè)很好的圖形分析的方式。用“年”的信息作為坐標(biāo)，如下圖所示：
下面是一個(gè)簡單的畫柱狀圖的例子，使用的是R中的ggplot()函數(shù)。
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()
去除代碼中的coord_flIP()變量，可以將直方圖以水平直方圖的方法呈現(xiàn)。
為了得到商品重量（連續(xù)變量）和折扣店（分類變量）的關(guān)系，可使用下面的代碼：
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")
堆疊條形圖是柱狀圖的一個(gè)高級(jí)版本，可以將分類變量組合進(jìn)行分析。
超市數(shù)據(jù)的例子中，如果我們想要知道不同分類商品的折扣店數(shù)量，包含折扣店種類和折扣店區(qū)域，堆疊條形圖就是做這種分析最為有效的圖表分析方法。
下面是一個(gè)簡單的畫堆疊條形圖的例子，使用的是R中的ggplot()函數(shù)。
ggplot(train, aes(Outlet_Location_Type, fill = Outlet_Type)) + geom_bar()+
labs(title = "Stacked Bar Chart", x = "Outlet Location Type", y = "Count of Outlets")
使用場景：箱線圖一般用于相對(duì)復(fù)雜的場景，通常是組合分類的連續(xù)變量。這種圖表應(yīng)用于對(duì)數(shù)據(jù)延伸的可視化分析和檢測離值群。主要包含數(shù)據(jù)的5個(gè)重要節(jié)點(diǎn)，最小值，25%，50%，75%和最大值。
在我們的案例中，如果我們想要找出每個(gè)折扣店每個(gè)商品銷售的價(jià)格的情況，包括最低價(jià)，最高價(jià)和中間價(jià)，箱線圖就大有用處。除此之外，箱線圖還可以提供非正常價(jià)格商品銷售的情況，如下圖所示。
圖中，黑色的點(diǎn)為離值群。離值群的檢測和剔除是數(shù)據(jù)挖掘中很重要的環(huán)節(jié)。
下面是一個(gè)簡單的畫箱線圖的例子，使用的是R中的ggplot()和geom_boxplot函數(shù)。
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")
使用場景：面積圖通常用于顯示變量和數(shù)據(jù)的連續(xù)性。和線性圖很相近，是常用的時(shí)序分析方法。另外，它也被用來繪制連續(xù)變量和分析的基本趨勢。
超市案例中，當(dāng)我們需要知道隨著時(shí)間的眼神，折扣店商品的品種走勢，我們可以畫出如下的面積圖，圖中呈現(xiàn)了折扣店商品的成交量的變化。
下面是一個(gè)簡單的畫面積圖的例子，用于分析折扣店商品成交數(shù)量的走勢，使用的是R中的ggplot()和geom_area函數(shù)。
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")
使用場景：熱點(diǎn)圖用顏色的強(qiáng)度（密度）來顯示二維圖像中的兩個(gè)或多個(gè)變量之間的關(guān)系?？蓪?duì)圖表中三個(gè)部分的進(jìn)行信息挖掘，兩個(gè)坐標(biāo)和圖像顏色深度。
超市案例中，如果我們需要知道每個(gè)商品在每個(gè)折扣店的成本，如下圖中所示，我們可以用三個(gè)變量Item_MRP，Outlet_Identifier和Item_type進(jìn)行分析。
暗的數(shù)據(jù)表示Item_MRP低于50，亮的數(shù)據(jù)表示Item_MRP接近250。
下面是R代碼，使用了ggplot()函數(shù)做簡單的熱點(diǎn)圖。
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")
使用場景：關(guān)系圖用作表示連續(xù)變量之間的關(guān)聯(lián)性。每個(gè)單元可以標(biāo)注成陰影或顏色來表明關(guān)聯(lián)的程度。顏色越深，代表關(guān)聯(lián)程度越高。正相關(guān)用藍(lán)色表示，負(fù)相關(guān)用紅色表示。顏色的深度隨著關(guān)聯(lián)程度的遞增而遞增。
超市案例中，用下圖可以展現(xiàn)成本，重量，知名度與折扣店開業(yè)的年份和銷售價(jià)格之間的關(guān)系?？梢园l(fā)現(xiàn)，成本和售價(jià)成正相關(guān)，而商品的重量和知名度成負(fù)相關(guān)。
下面是用作簡單關(guān)系圖的R代碼，使用的是corrgram()函數(shù)。
install.packages("corrgram")
library(corrgram)
corrgram(train, order=NULL, panel=panel.shade, text.panel=panel.txt,
main="Correlogram")
通過以上的分類介紹和R程序的簡單介紹，相信你可以使用R中的ggplot庫進(jìn)行自己的數(shù)據(jù)可視化分析了。 除了可視化分析，你還可以通過我們的網(wǎng)絡(luò)課程進(jìn)一步的學(xué)習(xí)使用R進(jìn)行的數(shù)據(jù)挖掘，歡迎訪問我們的網(wǎng)頁“Google Analytics Data Mining with R”。
Via Tatvic
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
