R语言画图 | ggplot2分面标签设置

[ixxmu]

https://mp.weixin.qq.com/s/Gg-d4M9W-TEw3nFglqbocg

[ixxmu]

R语言画图 | ggplot2分面标签设置 by 被炸熟的虾

前言：

分面（facet）是ggplot2的一个常用功能，当绘制的指标过多时，我们可以利用facet函数分类绘图，使得数据展示完整且美观。

本文使用R内置数据集mpg进行演示，该数据集包含11个变量，包括汽车的品牌、型号、车型、发动机排量、气缸数量、马力、重量、加速度、型号年份、产地和燃油经济性能等。以下是每个变量的详细说明：

1. manufacturer（制造商）：汽车制造商的名称。
2. model（型号）：汽车的型号。
3. displ（发动机排量）：汽车发动机的排量（升）。
4. year（型号年份）：汽车的型号年份。
5. cyl（气缸数量）：汽车发动机的气缸数量。
6. trans（变速器类型）：汽车的变速器类型。
7. drv（驱动方式）：汽车的驱动方式（前驱、后驱或四驱）。
8. cty（城市里程）：汽车的城市里程（每加仑）。
9. hwy（高速公路里程）：汽车的高速公路里程（每加仑）。
10. fl（燃料类型）：汽车使用的燃料类型。
11. class（车型）：汽车的车型。

library(ggplot2)
mpg$manufacturer <- factor(mpg$manufacturer,levels = unique(mpg$manufacturer))
mpg$model <- factor(mpg$model,levels = unique(mpg$model))
mpg$trans <- factor(mpg$trans,levels = unique(mpg$trans))
mpg$drv <- factor(mpg$drv,levels = unique(mpg$drv))
mpg$fl <- factor(mpg$fl,levels = unique(mpg$fl))
mpg$class <- factor(mpg$class,levels = unique(mpg$class))
summary(mpg)
#     manufacturer                 model         displ            year           cyl       
# dodge     :37    caravan 2wd        : 11   Min.   :1.600   Min.   :1999   Min.   :4.000  
# toyota    :34    ram 1500 pickup 4wd: 10   1st Qu.:2.400   1st Qu.:1999   1st Qu.:4.000  
# volkswagen:27    dakota pickup 4wd  :  9   Median :3.300   Median :2004   Median :6.000  
# ford      :25    mustang            :  9   Mean   :3.472   Mean   :2004   Mean   :5.889  
# chevrolet :19    civic              :  9   3rd Qu.:4.600   3rd Qu.:2008   3rd Qu.:8.000  
# audi      :18    jetta              :  9   Max.   :7.000   Max.   :2008   Max.   :8.000  
# (Other)   :74    (Other)            :177                                                 
#        trans    drv          cty             hwy        fl             class   
# auto(l4)  :83   f:106   Min.   : 9.00   Min.   :12.00   p: 52   compact   :47  
# manual(m5):58   4:103   1st Qu.:14.00   1st Qu.:18.00   r:168   midsize   :41  
# auto(l5)  :39   r: 25   Median :17.00   Median :24.00   e:  8   suv       :62  
# manual(m6):19           Mean   :16.86   Mean   :23.44   d:  5   2seater   : 5  
# auto(s6)  :16           3rd Qu.:19.00   3rd Qu.:27.00   c:  1   minivan   :11  
# auto(l6)  : 6           Max.   :35.00   Max.   :44.00           pickup    :33  
# (Other)   :13                                                   subcompact:35  
head(mpg)
# A tibble: 6 × 11
##  manufacturer model displ  year   cyl trans      drv     cty   hwy fl    class  
#  <fct>        <fct> <dbl> <int> <int> <fct>      <fct> <int> <int> <fct> <fct>  
#1 audi         a4      1.8  1999     4 auto(l5)   f        18    29 p     compact
#2 audi         a4      1.8  1999     4 manual(m5) f        21    29 p     compact
#3 audi         a4      2    2008     4 manual(m6) f        20    31 p     compact
#4 audi         a4      2    2008     4 auto(av)   f        21    30 p     compact
#5 audi         a4      2.8  1999     6 auto(l5)   f        16    26 p     compact
#6 audi         a4      2.8  1999     6 manual(m5) f        18    26 p     compact

我们看一个简单的例子：使用R内置数据集mpg查看displ（发动机排量）与hwy（高速公路里程）的相关性：

library(ggplot2)
library(patchwork)
library(ggpubr)
p1 <- ggplot(mpg, aes(displ, hwy)) + 
      geom_point(size = 3,col = "#88c4e8") +
      labs(x = "Engine displacement", y = "Highway miles per gallon") +
      guides(colour = "none") + theme_bw(base_size = 18) +
      stat_cor(aes(label = paste(..r.label.., ..p.label.., sep = '~`,`~')), 
              method = 'spearman', 
              label.x.npc = 'left', label.y.npc = 'top', size = 6) 

如果我们想分别检查不同class（车型）中这一相关性是否依然存在，那就可以按照class分面，这样就不用提取数据分别绘图。

p2 <- p1 + facet_wrap(~ class)

可以看到初始图中的点按照class拆分为多个子图，以上每个子图对应顶部标签所示分组。

---

下面我们开始系统记录一下ggplot2的分面方法。ggplot2包提供了两种分面方法：

• 一维分面：facet_wrap()函数。将数据根据一个或多个变量进行分面，按行或列进行排列，仅是分面图逐个排列，例如左到右，上到下。
• 二维分面：facet_grid()函数。考虑分面方向，可以同时控制行和列的分面，形成table网格对照关系。适合用来表示两个变量的交互效应。

一、一维面板

facet_wrap()函数的写法比较多样，例如如果我们想按照class（车型）分组，达到和上例相同的效果，还可以写作：

p1 + facet_wrap(facets = vars(class))
p1 + facet_wrap(facets = class ~ .)
p1 + facet_wrap(facets = . ~ class)

多变量叠加

如果想再叠加一层其他变量，比如year（型号年份）可以按照如下写法：

table(mpg$class,mpg$year)            
#             1999 2008
#  compact      25   22
#  midsize      20   21
#  suv          29   33
#  2seater       2    3
#  minivan       6    5
#  pickup       16   17
#  subcompact   19   16

p1 + facet_wrap(facets = vars(class, year))
p1 + facet_wrap(facets = c("class", "year"))
p1 + facet_wrap(facets = ~ class + year)
p1 + facet_wrap(facets = ~ class ~ year)

获得了7×2=14个子图，第一个子图中的每个点就代表1999年的compact车型的displ（发动机排量）与hwy（高速公路里程）。

调整输入列名的顺序即可修改分面标签的顺序（另几种写法同理）：

p1 + facet_wrap(facets = ~ year + class)

facet_wrap()函数提供了很多参数用于分面的调整，主要包括：

• nrow,ncol：设置分面排列成的行和列数；
• scales：设置坐标轴刻度是否固定。默认为"fixed"，所有分面的坐标轴刻度范围一致；设置为"free"则会自动适配分面的数据范围自由调整，也可以单独设置成"free_x"或"free_y"；
• shrink：也和坐标轴刻度有关，如果为TRUE（默认值）则按统计后的数据调整刻度范围，否则按统计前的数据设定坐标；
• drop：表示是否去掉没有数据的分组，默认情况下不显示，逻辑值为FALSE；
• as.table：和小图排列顺序有关的选项。如果为TRUE（默认）则按表格方式排列，即最大值（指分组level值）排在表格最后即右下角，否则排在左上角；
• margins：是否设置一个所有分组的综合统计分面，默认情况为FALSE，即不设置；
• space：设置分面空间是否可以按照数据进行缩放，参数和scales一样；
• labeller：设置分面标签，默认直接显示分面变量的值，也可以简单加上变量的名称，如："label_both"。

我们记录几个常用参数示例：

修改分面标签内容

分面标签默认直接展示不同分组变量的值。有时候不止一个分组，为了直观区分来源，可以通过labeller参数把组名也加上：

p1 + facet_wrap(facets = ~ year + class, labeller = "label_both")
p1 + facet_wrap(facets = ~ year + class, labeller = label_both)

我们还可以自定义函数，比如我们定义一个对输入年份截取3-4位数字的函数，然后使用labeller函数转换为参数传递给labeller选项：

SUB <- function(x) {
  substr(as.character(x), 3, 4)
}
p1 + facet_wrap(facets = ~ year + class, 
                labeller = labeller(year = SUB))

或者直接指定替换内容，例如1999年换成20世纪，2008年换成21世纪（我学不好生物是有原因的）

year2 <- c("1999" = "20th century", "2008" = "21st century")
p1 + facet_wrap(facets = ~ year + class, 
                labeller = labeller(year = year2))

调整分面标签位置

使用strip.position函数可以调整分面标签的位置，例如调整至右方：

p1 + facet_wrap(facets = ~ year, strip.position = "right")

这一方法我们之前也写过一个例子：图片复现 | 富集分析条形图-调整分面标记的位置

调整分面展示顺序

分面本身堆砌的顺序也可以调整。在facet_wrap()中的dir参数默认值为h（水平方向），as.table参数默认值为TRUE，它会按照我们日常看表格的习惯来从上至下，从左至右排布。以下图为例：

p1 + facet_wrap(facets = ~ year + class, labeller = "label_both")

我们设置了先year后class，因此会先按year再按class来排序。两个变量的各自顺序分别按照各自的因子（levels）顺序。

如果要想按照垂直方向摆放图片，只需调整dir参数默认值为v（垂直方向）即可：

p1 + facet_wrap(facets = ~ year + class, labeller = "label_both", dir = "v")

而当as.table参数设置为FALSE时，则是按照绘图的逻辑，从下到上摆放（下次调整分组顺序时也要记得绘图的逻辑与阅读顺序是反的）：

p1 + facet_wrap(facets = ~ year + class, labeller = "label_both",as.table = F)

调整分面行/列数

比如让所有分面排成一行或两列：

p1 + facet_wrap(facets = ~ class, nrow = 1)
p1 + facet_wrap(facets = ~ class, ncol = 2)

根据数据自动浮动坐标轴范围

以上我们可以看到所有子图的坐标轴都是固定的（即所有子图完全一样，默认scales = fixed），如果想要坐标轴根据每个子图中的实际数值范围来决定，我们可以用设置scales选项为free_x（X轴自由浮动，固定Y轴）；free_y（Y轴自由浮动，固定X轴）；free（X和Y轴都自由浮动）。

p1 + facet_wrap(facets = ~ class, ncol = 3, scales = 'free')
p1 + facet_wrap(facets = ~ class, ncol = 3, scales = 'free_y')

之前更的一个帖子也许更能突出这一参数的价值：R语言画图 | 箱线图（二）一个示例

三组数据的组别并不完全一致，因此我们设置facet_wrap(.~DataSet,scales = "free_x",nrow = 1)

二、二维面板

以上内容我们可以发现facet_wrap()函数结果只有一个维度，它的排布没有行列的概念，只是根据子集作图然后按顺序排布。接下来我们了解一下使用facet_grid()函数。它既可以进行单分组，例如我们设置以year来按行分面，依旧有很多写法：

按行分面：

p1 + facet_grid(facets = year ~ .)
p1 + facet_grid(year ~ .)
p1 + facet_grid(rows = vars(year))
p1 + facet_grid(rows = "year")

按列分面：

p1 + facet_grid(facets = ~ year)
p1 + facet_grid(. ~ year)
p1 + facet_grid(cols = vars(year))

也可以既按行也按列分面：这也是facet_grid()函数的优势所在。例如行按year，列按class分面：

p1 + facet_grid(year ~ class)

亦或者持续叠加更多分组：

p1 + facet_grid(drv ~ year + class)

其他的参数使用和facet_warp()基本一致，例如：

根据数据自动浮动坐标轴范围

p1 + facet_grid(year ~ class, scales = "free")

添加一个额外的汇总分面：

修改一个margin参数即可：

p1 + facet_grid(year ~ class, scales = "free", margins = T)

如果只想显示其中一个分组方向的汇总数据，可以直接指定分面的变量名：

p1 + facet_grid(year ~ class, scales = "free", margins = "year")

剩下的就不一一展示了

总结

• facet_wrap()：当你有一个分类变量，并希望快速查看不同类别的图形时，使用facet_wrap()更为简便。
• facet_grid()：更适合用于显示两个相关变量之间的关系。对于需要明确区分行和列时，比如分组比较，facet_grid()显得更为合适。

参考文章：

1、日常分享的小懒猫：R语言绘图|分面标签设置

2、狗图：ggplot2系列教程 第4节——分面

3、科研后花园：R可视化——ggplot2包实现图形分面技巧汇总

4、生态R学社：ggplot2 facet ：绘制分面图的好帮手

被炸熟的虾

自己的摸索，发现问题麻烦告诉作者，光速回来改正