1. jointplot 两变量图

 数据分析中常用做图的方式实现相关性分析，即X轴设置为变量A，Y轴设置为变量B，做散点图，由于散点图中点的叠加显示，往往还需要关注每个变量自身的分布情况，jointplot把描述变量的分布图和变量相关的散点图组合在一起，是相关性分析最常用的工具，图片上还能展示回归曲线，以及相关系数。

import statsmodels.api as sm
import seaborn as sns
sns.set(style="darkgrid")
data = sm.datasets.ccard.load_pandas().data
g = sns.jointplot('AVGEXP', 'AGE', data=data, kind="reg",
                 xlim=(0, 1000), ylim=(0, 50), color="m")

 本例中使用statsmodels库的ccard数据，分析了其中两个数值类型变量的相关性，使用xlim和ylim设置了图片显示范围，忽略了离群点，kind参数可设置做图方式：scatter散点图，kde密度图，hex六边形图等，本例中选择reg画出了线性回归图。

2. pairplot多变量图

 如果用对N个变量的相关性做散点图，用maplotlib需要做NxN个图，用pairplot函数调用一次即可实现，其对角线上是直方图，其余都是两两变量的散点图，不仅简单，还能组合在一起作对比。

data = sm.datasets.ccard.load_pandas().data
sns.pairplot(data, vars=['AGE','INCOME', 'INCOMESQ','OWNRENT'])

 

 图中可以看到，数据类型INCOME与INCOMESQ呈强相关，AGE与INCOME也有一定相关趋势，对角线上的图对应的是每个因素与其自身的对比，图中以直方图显示了该变量的分布。

3. factorplot两变量关系图

 factorplot用于绘制两维变量的关系图，用kind可指定其作图类型，包括：point, bar, count, box, violin, strip等。

data = sm.datasets.fair.load_pandas().data
sns.factorplot(x='occupation', y='affairs', hue='religious', data=data)

4. FacetGrid结构化绘图网格

 FacetGrid可以选择任意的做图方式，以及自定义的做图函数，通常包含两部分，FacetGrid部分指定了数据集，行，列，map部分指定做图方式，以及相应参数。

g = sns.FacetGrid(tips, col = 'time', row = 'smoker') # 按行和列的分类做N个图
g.map(plt.hist, 'total_bill', bins = 10) # 指定做图方式

 可以看到无论是连续图，还是分类图，无论是用FacetGrid还是barplot都是将多个特征放在同一张图片上展示，其差别一方面在于观察角度不同，另一方面也取决于数据自身的类型。

 

​

01

—

图形组合布局

par(mfrow=c(2,2))

 

par(mfrow=c(2,2))，可以理解将绘图区域分割为2x2的矩阵区域，另可参照《R语言实战》3.5图形的组合

##################par(mfrow=c(2,2))####################

attach(iris)

opar <- par(no.readonly = TRUE)

# data(iris)

# head(iris)

# > head(iris)

# Sepal.Length Sepal.Width Petal.Length Petal.Width Species

# 1          5.1         3.5          1.4         0.2  setosa

# 2          4.9         3.0          1.4         0.2  setosa

# 3          4.7         3.2          1.3         0.2  setosa

# 4          4.6         3.1          1.5         0.2  setosa

# 5          5.0         3.6          1.4         0.2  setosa

# 6          5.4         3.9          1.7         0.4  setosa

 

​par(mfrow=c(2,2)) # 设置2x2的布局

plot(Sepal.Length,Sepal.Width, main = "第一张图")

boxplot(Sepal.Length, horizontal = TRUE, main = "第二张图")

boxplot(Sepal.Width, main = "第三张图")

hist(Petal.Length, main = "第四张图")​

par(opar)

detach(iris)

 

 

02

—

图形组合布局

par(fig=c(x1, x2, y1, y2), new = TRUE)

 

par(fig=c(x1, x2, y1, y2), new = TRUE)，取x1,x2,y1,y2四条线圈住的位置绘图图形，另可参照《R语言实战》3.5图形的组合

 

 

opar <- par(no.readonly = TRUE)

 

par(fig=c(0,0.8,0,0.8)) # 设置散点图的布局参数

plot(iris$Sepal.Length,iris$Sepal.Width) #绘制散点图​

 

par(fig=c(0,0.8,0.65,1),new = TRUE) #设置上方箱型图的布局参数

boxplot(iris$Sepal.Length, horizontal = TRUE, axes=FALSE) # 绘制上方箱型图​

 

par(fig=c(0.65,1,0,0.8),new = TRUE) #设置右侧箱型图的布局参数

boxplot(iris$Sepal.Width, axes=FALSE) # 绘制右侧箱型图​

 

mtext("par(fig=c(x1, x2, y1, y2), new = TRUE)",side = 3, outer=TRUE, line=-3)

par(opar)

 

 

03

—

图形组合布局

grid.layout & vplayout

library(ggplot2)

 

​#绘制基本ggplot图

base <- ggplot(mpg, aes(displ, hwy)) + geom_point()

p1 <- base + geom_smooth() + labs(title="图1") #如图1

 

​#用%+%调整映射关系中的数据

base <- ggplot(mpg, aes(displ, hwy)) + geom_point()

 

p2 <- base %+% subset(mpg, fl == "p") + labs(title="图2") #图2​#第二种调整数据的方法list

p3 <- base + list(subset(mpg, fl == "p"), geom_smooth(), labs(title="图3")) #图3​

 

###########一页多图########

library(grid)

grid.newpage()  ##新建页面

pushViewport(viewport(layout = grid.layout(2,2))) #将页面分成2*2矩阵

vplayout <- function(x,y){ viewport(layout.pos.row = x, layout.pos.col = y)}​

 

print(p1, vp = vplayout(1,1))   #（1,1)的位置画图1

print(p2, vp = vplayout(1,2))   #(1,2)的位置画图2

print(p3, vp = vplayout(2,1:2))  #（2,:)的位置画图

 

04

—

图形组合布局

plot_grid {cowplot}

 

install.packages("cowplot") #安装cowplot包

library(cowplot) # 加载

?plot_grid  #帮助函数查看具体usage

 

示例

library(ggplot2)​

df <- data.frame(  x = 1:10, y1 = 1:10, y2 = (1:10)^2, y3 = (1:10)^3, y4 = (1:10)^4)

​p1 <- ggplot(df, aes(x, y1)) + geom_point()

p2 <- ggplot(df, aes(x, y2)) + geom_point()

p3 <- ggplot(df, aes(x, y3)) + geom_point()

p4 <- ggplot(df, aes(x, y4)) + geom_point()

 

gridplot_grid(p1, p2, p3, p4)

 

05

—

图形组合布局

multiplot{Rmisc}

 

############################# multiplot{Rmisc} ##################################

library(Rmisc)

library(ggplot2)​

 

df <- data.frame(  x = 1:10, y1 = 1:10, y2 = (1:10)^2, y3 = (1:10)^3, y4 = (1:10)^4)​

p1 <- ggplot(df, aes(x, y1)) + geom_point()

p2 <- ggplot(df, aes(x, y2)) + geom_point()

p3 <- ggplot(df, aes(x, y3)) + geom_point()

p5 <- ggplot(mpg, aes(as.factor(year), hwy)) +  geom_boxplot() +  facet_wrap(~class, scales = "free_y")​

 

multiplot(p1, p2, p3, p5, cols=2)​

 

“ 获取源代码请至“数据驱动实践”公众号后台回复：一页多图”

 

suppressMessages(library(dplyr))
suppressMessages(library(ggplot2))
#绘制第一幅图p1
p1 <- diamonds %>% 
  ggplot(aes(x = color, y = price, fill = color)) + 
  geom_violin() + 
  facet_grid(clarity ~ .) + 
  theme_classic() +
  scale_fill_brewer(palette = 'Set1')
p1

#绘制第二幅图p2
p2 <- diamonds %>% 
  ggplot(aes(x = color, fill = clarity)) + 
  geom_bar(stat = 'count') + 
  scale_fill_brewer(palette = 'Set1') +
  theme_bw()
p2

#绘制第三幅图p3
p3 <- diamonds %>% 
  ggplot(aes(x = color, fill = clarity)) + 
  geom_bar(stat = 'count', position = 'fill') + 
  scale_fill_brewer(palette = 'Set3') +
  theme_bw()
p3

#绘制第四幅图p4
p4 <- diamonds %>% 
  ggplot(aes(x = color, fill = clarity)) + 
  geom_bar(stat = 'count') + 
  coord_polar() + 
  scale_fill_brewer(palette = 'Set2') +
  theme_bw()
p4

组合图方法一：cowplot包plot_grid()函数

p5 <- cowplot::plot_grid(p1, p2, p3, p4, nrow = 2, labels = LETTERS[1:4])#将p1-p4四幅图组合成一幅图，按照两行两列排列，标签分别为A、B、C、D。（LETTERS[1:4] 意为提取26个大写英文字母的前四个:A、B、C、D）
p5

组合图方法二：ggpubr包ggarrange()函数

p6 <- ggpubr::ggarrange(p1, p2, p3, p4, nrow = 2, ncol = 2, labels = c('A', 'B', 'C', 'D'), font.label = list(color = 'red'))#将p1-p4四幅图组合成一幅图，按照两行两列排列，标签分别为A、B、C、D，颜色为红色(通过font.label = list()修改)，无法通过label.color = 'red'或其他方式修改。
p6