如果一幅图胜过千言万语,那么一幅会动的图呢?
我们绘制统计图形,显然不是给电脑看的。因为它看不懂,也没必要看。给它数据就好了。
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。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。
因此人们常说「一图胜千言」。
而当图片变成动态的,它将能够进一步地,给我们提供更多一个维度的信息,比如这样:
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。
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。
预览
实际动手之前,我想让你看一下,用 R 可以绘制出什么样的动态统计图效果。你不需要安装任何软件。只需要点击这个链接,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。
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。这是第一页:
翻到最后一页,效果是这样的:
怎么样,挺有趣吧?想不想自己试试看?
上手
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。
下面就可以输入并运行代码了。
其实我们下面输入的代码,就是刚才你在 code.Rmd
文件里见到的寥寥几个代码段落。而且,就连这几个代码段,也不是你将来绘制动态统计图都需要用到的。它们中的大多数内容,只是为了给你逐步展示方法,加入的中间过程而已。
如果你比较心急,只想获得最终的结果,那么你只需要录入以下这9行语句:
library("tidyverse")
library("lubridate")
library("gganimate")
load('carriers_jan.RData')
carriers_jan %>%
ggplot(aes(x=carrier, y=n, fill=carrier)) +
geom_bar(stat='identity', position='identity') +
transition_time(mydate) +
labs(title='{frame_time}')
点击运行,就能做出你想要的结果了。
然而,这样一来,你还是不清楚具体语句的含义。将来没办法很好地应用到自己的实际工作和科研中去。所以如果你能抽出10分钟的时间,还是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。
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
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 ggplot
的 labs()
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给 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
gganimate
的transition_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《ggplot2:数据分析与图形艺术》。
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;
- 如果你用 Python ,可以参考《推荐Python数据框Pandas视频教程》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。