ggplot2
学习一时爽，一直学习一直爽
Hello，大家好，我是 もうり，一个从无到有的技术+语言小白。
回忆复习
原文：https://blog.csdn.net/weixin_44510615/article/details/89579225
参考：https://blog.csdn.net/tanzuozhev/article/details/50822204
ggplot2 同时也是一个 R 包
ggplot2 的简介
pip 安装
ggplot2 是数据可视化的重要程序包，用于绘制各种高级统计图形。
ggplot2 命令的基本组成 具体来讲，在 ggplot2 程序包中，每一副图都是由若干组件组成的，这些组件包括：
- data: 数据，必须为 data.frame。
- coordinate system: 数据可视化，主要是在二维平面上表示数据的关系，所用坐标系一般为平面直角坐标，有时会用到极坐标、地图投影等。ggplot2 软件默认使用平面直角坐标。
- geoms: 包括 geoms_开头的各种对象，用来绘制各种基本组件，包括点、线、面、多边形、柱状图、箱线图等。
- aesthetics: 图形的美学特征，如颜色、形状、透明度、大小、分组等。
- scales: 坐标轴的属性
- stats: 统计变换。用于设定数据要进行的统计转换，例如平均值、中位数、记录数等。
- facets: 描述如何将图形按照某一个或者几个因子（factors）不同水平（levels）用多个图形分开展示。
完整的 ggplot2 绘图命令， 总是以 ggplot() 开始。
ggplot() 及其参数奠定整个 ggplot2 图形的基础，最重要的两个参数为 data 和 mapping。
其中 data 必须为 data.frame 格式。mapping 参数要求数据通过 aes 函数进一步转换。
aes 是 aesthetic 的缩写。
在 aes 函数中，要输入的参数有 x, y, group, color, size 等。
aes 可以直接访问 data 参数所输入数据框的各列，从而直接控制图形的横坐标、纵坐标、分组以及各组的颜色、大小、透明度等等。
柱形图
from ggplot import *
p=ggplot(mpg,aes(x='hwy'))+geom_histogram()
print(p)
p=ggplot(mpg,aes(x='hwy',fill='factor(year)'))+geom_histogram(alpha=0.3,colour='black')
print(p)
p=ggplot(aes(x='factor(cyl)'), data=mtcars) + geom_bar()
print(p)
p=ggplot(aes(x='factor(cyl)'), data=mtcars)+geom_bar(fill='blue',alpha=0.2,width=0.4)
print(p)
p=ggplot(aes(x='factor(cyl)'), data=mtcars)+geom_histogram(fill='blue',alpha=0.2)
print(p)
p=ggplot(aes(x='factor(cyl)', fill='factor(gear)'), data=mtcars) + \
geom_histogram()
print(p)
import pandas as pd
import numpy as np
df = pd.DataFrame({
"x": np.random.normal(0, 10, 1000),
"y": np.random.normal(0, 10, 1000),
"z": np.random.normal(0, 10, 1000)
})
df = pd.melt(df)
p=ggplot(aes(x='value', fill='variable', color='variable'), data=df) + \
geom_histogram(alpha=0.6)
print(p)
import pandas as pd
import numpy as np
from ggplot import *
df = pd.DataFrame({
"x": np.random.normal(0, 10, 1000),
"y": np.random.normal(0, 10, 1000),
"z": np.random.normal(0, 10, 1000)
})
df = pd.melt(df)
p=ggplot(aes(x='value', fill='variable'), data=df) + \
geom_histogram()+facet_grid('variable',)
print(p)
折线图
import pandas as pd
import numpy as np
df = pd.DataFrame({
"x": np.random.normal(0, 10, 1000),
"y": np.random.normal(0, 10, 1000),
"z": np.random.normal(0, 10, 1000)
})
df = pd.melt(df)
p=ggplot(aes(x='value', color='variable'), data=df) + \
geom_density()
print(p)
q=ggplot(aes(x='value', color='variable', fill='variable'), data=df) + \
geom_density(alpha=0.6)
print(q)
p=ggplot(mpg,aes(x='displ',y='hwy'))+geom_line(color='grey',size=2)
print(p)
p=ggplot(mpg,aes(x='factor(displ)',y='hwy'))+geom_bar(stat='identity',width=0.8,fill='grey')
##stat='identity'是指不进行统计变换即hwy就是纵
#坐标值因为displ出现众多的重复值，所以分组更多，纵坐标值不断累加
#width为组距，fill为填充色
print(p)
p=ggplot(mpg,aes(x='displ'))+geom_bar(stat='density')
#一维密度，统计数量
print(p)
p=ggplot(mpg,aes(x='displ'))+geom_density()
#一维密度，统计数量
print(p)
p=ggplot(mpg,aes(x='displ',fill='fl'))+geom_histogram(binwidth=0.4,position='dodge')
#位置调整有问题
print(p)
p=ggplot(mpg,aes(x='displ'))+geom_histogram(fill='grey',binwidth=0.18,alpha=0.3)+geom_density(color='red',size=0.8)
print(p)
p=ggplot(mpg,aes(x='displ',color='factor(fl)'))+geom_density(size=0.5)+ylim(0,1)
print(p)
small=diamonds.sample(n=1000)
p=ggplot(aes(x='cut'),data=small)+geom_bar()+coord_flip()
print(p)
p=ggplot(aes(x='cyl'), data=mtcars)+geom_histogram(fill='blue',alpha=0.2)
print(p)
p=ggplot(aes(x='cyl'), data=mtcars)+geom_bar(fill='blue',alpha=0.2)
print(p)
p=ggplot(aes(x='pageviews'), data=pageviews) + \
geom_histogram()
print(p)
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2019-11-02，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
