這是全棧資料工程師養成攻略系列教程的第十三期：13 ggplot2 在R中進行視覺化。
我們已經具備了一定的程式碼基礎，現在不妨來了解下資料視覺化，從生動的圖形中更好地感受資料之美。R是一門統計分析語言，和Python一樣，語法簡單並且有非常豐富的功能包，其中的ggplot2包便可以用簡潔的語法繪製出美觀多樣的圖形。
下載和安裝
如果沒有R的話需要去下載並安裝，在R的官網中找到下載連結，選擇最近的映象地址下載即可，www.r-project.org/。安裝完畢後即可執行R，軟體如下圖所示，介面比較簡單，提供的使用者圖形化介面十分有限。
因此可以再安裝一個叫作RStudio的軟體，它基於R的核心提供了更佳豐富的使用者圖形化操作介面，使用起來更方便，使用者體驗更好。可以在RStudio的官網找到下載連結，下載並安裝RStudio，www.rstudio.com/。安裝完畢後執行RStudio，軟體介面如下圖所示。
左上角的兩個按鈕分別用於新建各種檔案和開啟已有檔案，左邊是一個互動命令列，可以互動式地執行程式碼。右邊上半部分是環境視窗（Environment）和歷史視窗（History），分別可以檢視當前程式設計環境中已有的變數，以及檢視歷史命令記錄。右邊下半部分包括檔案（Files）、繪圖（Plots）、包（Packages）、幫助（Help）等標籤頁，分別用於檢視檔案目錄、檢視繪圖結果、檢視引用的包、檢視幫助文件。
例如，在左邊的互動命令列中輸入?plot並回車，即可在右邊的Help中檢視plot函式的使用文件。再輸入a <- 1並回車，即可在右邊的Environment中看到已有的變數，同時在History中也可以看到之前執行的兩條命令記錄。
R基礎
安裝包和載入包
R和Python一樣，功能之所以強大是因為它具備豐富多樣的功能包。在R中使用以下命令即可安裝一個新的包，例如ggplot2，包的名字需要用引號括起來。
install.packages("ggplot2")複製程式碼功能包安裝完畢之後，即可載入並使用其提供的資料集、函式和功能，使用以下命令載入一個功能包，包的名字不需要用引號括起來。
library(ggplot2)複製程式碼資料結構
R中的資料結構主要有向量、矩陣、陣列、資料框、因子和列表。
向量是用於儲存數值型、字元型或邏輯型資料的一維陣列，單個向量中的資料必須擁有相同的型別或模式，即要麼都是數值型，要麼都是字元型，要麼都是邏輯型。可以發現，R中的賦值使用箭頭符號<-，而不是其他語言常用的=。
# 數值型
a <- c(1, 2, 5, 3, 6, -2, 4)
# 字元型
b <- c("one", "two", "three")
# 邏輯型
c <- c(TRUE, TRUE, TRUE, FALSE, TRUE, FALSE)複製程式碼用方括號可以訪問向量中的元素，例如訪問向量a中的第二個和第四個元素，可以用a[c(2, 4)]。向量也支援支援冒號語法，a[2:6]將返回a的第二至第六個元素。所以向量的用法和Python中list有相似又不同，Python中list的下標從0開始，而且冒號語法只包括開始下標但不包括結束下標。另外Python中負號下標表示從後往前數，而向量中負號表示排除，例如a[-1]返回向量a中除了第一個以外的其他全部元素。
矩陣是一個二維陣列，每個元素都擁有相同的型別，必須都為數值型、字元型或邏輯型，可通過函式matrix建立矩陣。
mymatrix <- matrix(vector, nrow=number_of_rows, ncol=number_of_columns, byrow=FALSE, dimnames=list(rownames, colnames))複製程式碼其中vector向量包含了全部矩陣元素，nrow和ncol為行數和列數，byrow預設為FALSE表示按列填充，否則TRUE為按行填充，dimnames為行名和列名。使用時，只有前三個引數是必須的。
y <- matrix(1:20, nrow=5, ncol=4)
cell <- c(1, 26, 24, 68)
rnames <- c("R1", "R2")
cnames <- c("C1", "C2")
mymatrix <- matrix(cell, nrow=2, ncol=2, byrow=TRUE, dimnames=list(rnames, cnames))
mymatrix <- matrix(cell, nrow=2, ncol=2, byrow=FALSE, dimnames=list(rnames, cnames))複製程式碼x[i,]表示矩陣x中的第i行，x[,j]表示矩陣x中的第j列，x[i, j]表示矩陣x中的第i行第j個元素，或者使用數值型向量代替i、j以同時選擇多行或多列。
陣列和矩陣類似，但是維度可以大於2，通過array函式建立。
myarray <- array(vector, dimensions, dimnames)複製程式碼其中vector包含陣列中的資料，dimensions是一個數值型向量，給出了各個維度下標的最大值，dimnames可選，以向量形式指定各個維度的名稱。
dim1 <- c("A1", "A2")
dim2 <- c("B1", "B2", "B3")
dim3 <- c("C1", "C2", "C3", "C4")
z <- array(1:24, c(2, 3, 4), dimnames=list(dim1, dim2, dim3))複製程式碼資料框可以理解成資料庫中的表，即每一行表示一條記錄，每一列表示一項欄位。不同列可以包含不同型別，例如某一列為數值型而另一列為字元型，但每列所有行的資料型別必須相同。資料框通過data.frame建立，是R中最為重要的一種資料結構。
patientID <- c(1, 2, 3, 4)
age <- c(25, 34, 28, 52)
diabetes <- c("Type1", "Type2", "Type1", "Type1")
status <- c("Poor", "Improved", "Excellent", "Poor")
patientdata <- data.frame(patientID, age, diabetes, status)複製程式碼訪問資料框中的資料可以通過以下三種方式：
# 訪問第一列和第二列
patientdata[1:2]
# 按列名訪問，使用方括號和向量
patientdata[c("diabetes","status")]
# 按列名訪問，使用$
patientdata$age複製程式碼無序類別型變數和有序類別型變數在R中都稱為因子。簡單來說，因子就是一種離散值，例如性別只能是male和female，對應兩個字元型因子，或者分別用0和1來表示，對應兩個數值型因子。如果因子的不同水平之間存在排序關係，則稱為有序因子。以下程式碼中，diabetes對於不同的人只能取Type1或Type2，因此是一個因子。
diabetes <- factor(c("Type1", "Type2", "Type1", "Type1"))複製程式碼以下程式碼中，status對於不同的人只能取Poor、Improved或Excellent
，同時三者之間存在排序關係，因此使用orderded=TRUE指定為一個有序因子。
status <- factor(c("Poor", "Improved", "Excellent", "Poor"), ordered=TRUE)
# 或者手動指定排序的順序
status <- factor(c("Poor", "Improved", "Excellent", "Poor"), ordered=TRUE, levels=c("Poor", "Improved", "Excellent"))複製程式碼列表和向量一樣，同樣是多個元素的排列，但每個元素可以是以上提及的任何資料結構，甚至是其他列表的組合，即巢狀列表。使用list定義一個列表，並可以為各個元素進行命名。
g <- "My First List"
h <- c(25, 26, 18, 39)
j <- matrix(1:10, nrow=5)
k <- c("one", "two", "three")
mylist <- list(title=g, ages=h, j, k)
mylist複製程式碼可以看到mylist包括四個元素，使用mylist[[2]]、mylist$age或者mylist[["ages"]]訪問其中的第二個元素。
最後需要注意的是，R中的變數名、行名、列名等名稱，都儘量使用純英文，避免使用中文導致錯誤。
資料集
R中提供了很多資料集，安裝包也會提供一些額外的資料集，這些資料集大多以資料框的形式給出，例如mtcars資料集提供了32款車型的11項引數值，所有引數值都為數值型。
head(mtcars)
nrow(mtcars)
names(mtcars)
summary(mtcars)複製程式碼另外，也可以從csv、txt等檔案中讀取資料為資料框，使用data.table包的fread()函式讀取資料，例如之前提供的douban_movie_clean.txt。讀取之前需要在Files標籤頁中找到資料檔案，然後點選齒輪中的Set As Working Directory，將當前目錄設為工作路徑。
# 沒有包則安裝
# install.packages("data.table")
library(data.table)
douban_movie_clean <- fread("douban_movie_clean.txt", header=TRUE, sep="^", encoding="UTF-8")複製程式碼R指令碼
除了在互動命令列中編寫R程式碼，一種更方便的選擇是使用R指令碼，就如同新建一個.py程式碼，在Sublime中編輯完畢後再執行一樣。點選左上角的新建檔案按鈕，選擇R Script，在新建的R指令碼中可以自由地編寫多行程式碼。編寫完畢後，選中全部或者部分程式碼，點選R指令碼右上方的Run按鈕，即可執行選中的程式碼。
ggplot2
ggplot2是R中的一個功能包，可以用簡潔統一的語法繪製出美觀多樣的圖形。安裝好ggplot2之後，讓我們通過一個簡單的例子感受下ggplot2的魅力。
# 如果沒有則安裝
# install.packages("ggplot2")
# 載入包
library(ggplot2)
ggplot(douban_movie_clean) + geom_histogram(aes(x=length))複製程式碼以上程式碼對豆瓣電影資料集的片長這一欄位繪製直方圖，橫軸為電影片長，縱軸為每個片長區間的電影數量。繪圖結果將顯示在Plots標籤頁中，可以點選Zoom按鈕放大影像，可以發現大多數電影的片長集中在90至120分鐘之間。
R學習筆記
如果對R感興趣、希望進一步瞭解更多內容，可以訪問我的部落格，zhanghonglun.cn/blog/tag/r/，以上鍊接以r為標籤搜尋相關文章，搜尋結果中會有一個《R學習筆記》系列，共14篇文章，可作為進一步學習R的參考資料。
視訊連結：在R中進行視覺化