本文介绍ggplot2中常见的几种类型图的绘画，包括散点图、折线图、直方图、柱状图、时间序列图，由于ggplot2所用的数据格式是数据框类型的（Excel表格正常导入就是），非数据框格式的数据需先进行转换，可以利用函数data.frame()完成.

ggplot2画图的基本语法为:

ggplot(data = <你的数据>,aes(x = <x轴代表什么>, y = <y轴代表什么>))+
  geom_point(<内写参数size:点的大小colour:点的颜色shape:形状fill:填充颜色>)+ <散点图>
  geom_line()+  <线形图>
  geom_bar()+   <柱状图>
  geom_boxplot()<箱图>

简而言之就是想画什么图就是在确定好映射关系后，定义geom_即可 

geom_ bar ()             条形图
geom_ boxplot ()       箱线图
geom_ density()        密度图
geom_ histogram()    直方图
geom_ hline()            水平线
geom_ jitter()             抖动点
geom_ line()              线图

geom_ point ()           散点图
geom_ rug()               地毯图
geom_ smooth()         拟合曲线
geom_ text ()              文字注解
geom_ violin()             小提琴图
geom_ v1ine ()            垂线

下面开始正文

散点图

 这里用到的数据是R语言自带数据集diamonds

library (ggplot2)
diamond <- diamonds[sample(nrow(diamonds),2000),]
# p1 is carat~price
p1 <- ggplot(data = diamond,mapping = aes(x = carat, y = price))+
  geom_point()+
  labs(title = "p1",
       caption = "数据来源:R语言自带数据集")
print(p1)

注意labs()里面的参数所对应的位置 

图2是在图1的基础上增加一个分类依据，即在映射(mapping)中增加新的映射关系，这里是用颜色作为分类依据，所以添加 colour = color ，其中后面的color代表的是diamonds数据集中的color列 

# p2 base on p1 ,add color as classification
p2 <- ggplot(data = diamond,mapping = aes(x = carat, y = price,colour = color))+
  geom_point()+
  labs(title = "p2",
       caption = "数据来源:R语言自带数据集")
print(p2)

图3与图2类似，增加以cut为依据以不同形状展示 

# p3 base on p1 ,add shape as classification
p3 <- ggplot(data = diamond,mapping = aes(x = carat, y = price,shape = cut))+
  geom_point()+
  labs(title = "p3",
       caption = "数据来源:R语言自带数据集")
print(p3)

直方图 

直方图(Histogram)，又称质量分布图，是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据类型，纵轴表示分布情况。

这里以卡方分布为例展示如何画直方图 

#p4 直方图 
chi_square <- rchisq(1000,5) #取自由度为5卡方分布的伪随机数
chi <- data.frame(X = chi_square)
p4 <- ggplot(data = chi,mapping = aes(x=X),binwidth = 30)+
  geom_histogram(fill = "gray")+
  labs(title = "p4",
       caption = "卡方分布")
print(p4)

柱状图 

柱状图也是平时生活中较常见的一类图形，首先简单构造一个数据集，再按照ggplot2的基本作图语法画即可 

#p5 实际生活应用的较多的一类柱状图
city <- c("北京","上海","南京","广州","深圳","哈尔滨","青岛","兰州")
value <- c(150,100,-95,120,30,-60,85,75)
df1 <- data.frame(city = city,value = value)
p5 <- ggplot(data = df1,mapping = aes(x = city, y = value))+
  geom_bar(stat = "identity",fill = "pink")+
  labs(title = "p5",
       caption = "数据来源:作者瞎编")
print(p5)

p6 <- ggplot(data = df1,mapping = aes(x = city, y = value))+
  geom_bar(stat = "identity",fill = ifelse(df1$value>0,"pink","blue"))+
  labs(title = "p6",
       caption = "数据来源:作者瞎编")
print(p6)

在填充颜色fill这里，我们可以用一个ifelse语句来定义大于零小于零的填充颜色

语法为：ifelse(test,yes,no) 

 折线图

折线图是反映数据趋势的一类图 ，画出一张好看的折线图关键也是在于找好映射关系

p7 <- ggplot(data = BOD,mapping = aes(x=Time,y=demand))+
  geom_line()+
  geom_point()+
  labs(title = "p7",
       caption = "数据来源:R语言自带数据集")
print(p7)

这里geom_point()若不加就没有这个黑点，具体可以看p10 

有时我们需要描述不同因素对同一事物的影响，这时就需要双折线图了，下面介绍如何在一张图上作出两条折线。 

# ToothGrowth
df2 <- ToothGrowth[c(1,11,21,31,41,51),]
p8 <- ggplot(data = df2,mapping = aes(x=dose,y=len,group=supp,colour=supp))+
  geom_line()+
  geom_point()+
  labs(title = "p8",
       caption = "数据来源:R语言自带数据集")
print(p8)

这里只需要增加一个新的映射关系即可，比如这个数据是不同维生素的剂量对牙齿的影响，显然应该画出每种维生素的折线，即group = supp(以supp这一列为分类依据)

 带回归拟合的折线图

 有时候我们处理一些数据，这些数据是带趋势的，我们常常会用一元线性回归拟合的方法去处理这类数据，ggplot里也提供了现成的函数方便调用，以下是示例：

#线性拟合 置信区间
X <- 1:50
e <- rnorm(50,mean=0,sd=10)
Y <- 6.3 + 3.1*X + e
df3 <- data.frame(x=X,y=Y)
p9 <- ggplot(data = df3,mapping = aes(x=x,y=y))+
  geom_point()+
  geom_smooth(method = "lm",se=T)+
  labs(title = "p9",
       caption = "数据来源:y=6.3+3.1*x")
print(p9)

这里仅需添加geom_smooth()函数即可，method = "lm"表示用线性回归拟合，se = "T"表示显示置信区间。 

method这里同样可以选择一般线性模型glm、一般加性模型gam和曲线loess，由于我这里构造数据是线性的所有用的是"lm"

 时间序列图

#时间序列图
df4 <- data.frame(time = 1875:1972,height = LakeHuron)
p10 <- ggplot(data = df4,mapping = aes(x=time,y=height))+
  geom_line()+
  labs(title = "p10",
       caption = "数据来源:R语言自带数据集")+
  theme_classic()
print(p10)

 下篇文章介绍如何设置每类图片的参数！！