ggplot2作图设置坐标轴的起始位置

当使用ggplot2作图的时候有限制坐标轴的范围的需求时可以使用的设置函数有3个：

xlim( ) or ylim( )

scale_x_continuous(limits = c( )) or scale_y_continuous(limits = c( ))

coord_cartesian(ylim = c( ), xlim = c( ))

从本质上来说这三个函数都可对坐标轴的范围进行设置，但是不同的是前面两函数当有点超出指定的范围时，这些超出的点会被删除，具体演示如下：

library(ggplot2)

a <- c(1,2,3,4,5,6,7,8,9)

b <- c(1,2,3,2,4,6,6,5,3)

ggplot() +

geom_bar(mapping = aes(x=a, y=b), stat = "identity")

ggplot() +

geom_bar(mapping = aes(x=a, y=b), stat = "identity") + ylim(0,7)

ggplot() +

geom_bar(mapping = aes(x=a, y=b), stat = "identity") + ylim(0,5)

ggplot() +

geom_bar(mapping = aes(x=a, y=b), stat = "identity") + scale_y_continuous(limits = c(0,5))

ggplot() +

geom_bar(mapping = aes(x=a, y=b), stat = "identity") + coord_cartesian(ylim = c(0,5))

其中还有一个需要注意的点就是前面两个起始位置都必须是0，否则则不会显示图形，但是最后coord_cartesian(*lim = c( ))函数则会显示从设置的起始位置开始的图形：

ggplot() +

geom_bar(mapping = aes(x=a, y=b), stat = "identity") + ylim(1,7)

ggplot() +

geom_bar(mapping = aes(x=a, y=b), stat = "identity") + scale_y_continuous(limits = c(1,7))

ggplot() +

geom_bar(mapping = aes(x=a, y=b), stat = "identity") + coord_cartesian(ylim = c(1,7))

总的来说，似乎coord_cartesian(*lim = c( ))函数对于坐标轴范围的设置似乎更加强大，也推荐使用.

数据准备

本示例数据是自编数据，仅为练习所用，数据结构假设为，两个年份year(2020，2021)，两个氮水平nitrogen（N1，N2），两个玉米品种variety（a，b）测定了5个试验指标（变量v1，v2，v3，v4，v5），每个处理3次重复block（1，2，3）。

标度（scale）

标度是将数据空间（标度的定义域）映射到图形属性空间（标度的值域）的一个函数。

标度的作用是调整数据映射的图形属性。这些属性包括颜色，位置，形状，大小，线条类型等。

ggplot2为每一种图形属性提供了一个默认的标度，当默认标度不满足我们的作图需求时，我们需要对默认标度进行修改。

标度变换

要想将图形属性映射为变量，需要在函数aes()中将图形属性名称和变量名称关联起来。ggplot2会自动为每个变量值分配唯一的图形属性水平，这个过程即为标度变换。

通常ggplot2会自动根据输入变量选择最优的坐标刻度方案，若要手动设置或调整，就需要用到标度函数：scale_<MAPPING><KIND>()，标度函数构成是scale 图形属性名称_标度名称，如：scale_color_gradient表示对图形颜色的渐变色进行定义。

标度分类

按照对图形作用的部分差异，分为坐标轴标度，颜色标度，填充标度，大小标度，透明度标度，线条标度，形状标度。

常用的标度函数：

坐标原点归位

你会发现，ggplot2绘制的初始图形，坐标原点均不是从0开始，可通过以下方式调整。

设置坐标轴范围

坐标轴翻转

coord_flip(xlim = NULL, ylim = NULL, expand = TRUE)

实现坐标轴翻转，即 x 轴与 y 轴互换。

scale_x_reverse或scale_y_reverse

实现的是x轴或y轴取值范围最大最小值的翻转。

坐标轴比例缩放

coord_fixed(ratio = 1, xlim = NULL, ylim = NULL, expand = TRUE)

参数ratio用于指定纵横比，也就是纵轴1单位显示的长度，是横轴1单位显示的长度的几倍。 默认值为1，表示x 轴和 y 轴之间的缩放比例为 1：1。 ratio值越小，图形越扁。

更改分类轴项目顺序

scale_x_discrete()或scale_y_discrete()：实现图形分类变量顺序变更。

坐标轴坐标转换

scale_x or y_log10()：对x轴或y轴做对数转换。

scale_x or y_sqrt()：对x轴或y轴数值取平方根。

R语言 高阶可视化绘图系统：ggplot2入门

ggplot2是《The Grammar of Graphics》/《图形的语法》中提出了一套图形语法，将图形元素抽象成可以自由组合的要素，类似Photoshop中的图层累加，ggplot2将指定的元素/映射关系逐层叠加，最终形成所图形。更加深入学习ggplot2，请参考《ggplot2: 数据分析与图形艺术》。

目 录

引言：ggplot2基本要素

1. 数据（Data）和映射（Mapping)

2、几何对象（Geometric）

3、标度（Scale）：fill、color、shape

4、统计变换（Stat）

5、坐标系统（Coordinante）

6、分面（Facet）

7、主题（Theme）

附：ggplot2函数速查表

引言：ggplot2基本要素

“+”和“%+%”

数据（data）和映射（mapping）:ggplot2的数据(data)必须是一个数据框（dataframe）。

几何对象（geometric）:几何对象（geom）代表你在图中实际看到的元素，如点、线、多边形等。

统计变换（statistics）:统计变换（stat）是对数据进行的某种汇总。

标度（Scale）:标度（scale）的作用是将数据的取值映射到图形空间，例如用颜色、大小或形状来表示不同的取值。

坐标系统（Coordinate）:坐标系（coord）描述了数据是如何映射到图形所在的平面的，它同时提供了看图所需的坐标轴和网格线。

图层（Layer）:一个图层由4部分组成：数据和图形属性映射；一种统计变换；一种几何对象；一种位置调整方式。

分面（Facet）：分面（facet）描述了如何将数据分解为各个子集，以及如何对子集作图并联合进行展示。

其中各要素通过“+”以图层(layer)的方式来粘合构图（可以简单理解为要素/图层叠加符号）；另外在ggplot2中，数据集必须为数据框(data.frame)格式，并且可以通过%+%符号调整已有数据集（ggplot2指导文档中明确写出“To override the data, you must use %+%”，也就是覆盖数据必须通过%+%）。以mpg数据集为例。

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()

# To override the data, you must use %+%

#也即覆盖原始数据必须通过%+%

p2 <- base %+% subset(mpg, fl == "p") + labs(title="图2") #图2

#第二种调整数据的方法list

# Alternatively, you can add multiple components with a list.

# This can be useful to return from a function.

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))  #（2,1)的位置画图3

1. 数据（Data）和映射（Mapping)

前文已经提及在ggplot2中，数据集必须为数据框(data.frame)格式，并且可以通过%+%符号调整已有数据集。

映射是将一个变量中离散或连续的数据与一个图形属性中以不同的参数来相互关联, 而设定能够将这个变量中所有的数据统一为一个图形属性。aes()函数是ggplot2中的映射函数, 所谓的映射即为数据集中的数据关联到相应的图形属性过程中一种对应关系（注意第10行）。可以发现, 在p2中, 通过aes()指定了横纵坐标分别为wt和hp

>p1 <- ggplot(data = mtcars

>summary(p1)

data: mpg, cyl, disp, hp, drat, wt, qsec, vs, am, gear, carb [32x11]

faceting: <ggproto object: Class FacetNull, Facet, gg> 

…… #此部分省略一些内容

>p2 <- ggplot(data = mtcars, mapping = aes(x = wt, y = hp))

>summary(p2)

data: mpg, cyl, disp, hp, drat, wt, qsec, vs, am, gear, carb [32x11]

mapping:  x = ~wt, y = ~hp faceting: <ggproto object: Class FacetNull, Facet, gg> 

…… #此部分省略一些内容

另外，在ggplot2中，ggplot()函数声明了全局数据和映射关系，在后续几何对象中如未重新设定数据和映射关系，几何对象将沿用ggplot()中声明的数据与映射关系；当然几何对象可重新设定数据与映射关系，并作用于此几何对象（对比图4和图7），但并不对初始图图层产生影响（对比图4和图6，图6虽对几何图形中重新定义y变量为carb，但纵坐标依然是wt）。

#library(ggolot2)

p <- ggplot(mtcars, aes(x = mpg, y = wt))#设定默认的映射关系

p4 <- p + geom_point() + labs(title="图4")#图4沿用默认的映射关系来绘制散点图

p5 <- p + geom_point(aes(shape = factor(carb))) + labs(title="图5") #图5添加图层中的shape的映射关系

p6 <- p + geom_point(aes(y = carb)) + labs(title="图6")#图6修改默认的y的映射关系, 注意图中y轴名称仍然以默认的wt表示

df <- mtcars[which(mtcars$am==1),]

p7 <- p + geom_point(data = df,aes(x = mpg, y = wt)) + labs(title="图7")

#重新定义point几何对象中的数据与映射关系

###########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(p4, vp = vplayout(1,1))   #（1,1)的位置画图4

print(p5, vp = vplayout(1,2))   #(1,2)的位置画图5

print(p6, vp = vplayout(2,1))  #（2,1)的位置画图6

print(p7, vp = vplayout(2,2))  #（2,2)的位置画图7

2、几何对象（Geometric）

上述例子中，数据映射关系有ggplot()函数设定，使用geom_point()添加一个几何图层，告诉ggplot绘画点图，并将图层属性映射到散点上。

geom_point之外，ggplot2提供了多种几何对象映射，如geom_histogram直方图，geom_bar画柱状图，geom_boxplot画箱式图等等。不同的几何对象，要求的属性会有些不同，这些属性也可以在几何对象映射时提供。

>library(ggplot2)

>ls("package:ggplot2", pattern="^geom_.+")

[1] "geom_abline" "geom_area" "geom_bar" "geom_bin2d" "geom_blank"

[6] "geom_boxplot" "geom_col" "geom_contour" "geom_count" "geom_crossbar"

[11] "geom_curve" "geom_density" "geom_density_2d" "geom_density2d" "geom_dotplot"

[16] "geom_errorbar" "geom_errorbarh" "geom_freqpoly" "geom_hex" "geom_histogram"

[21] "geom_hline" "geom_jitter" "geom_label" "geom_line" "geom_linerange"

[26] "geom_map" "geom_path" "geom_point" "geom_pointrange" "geom_polygon"

[31] "geom_qq" "geom_qq_line" "geom_quantile" "geom_raster" "geom_rect"

[36] "geom_ribbon" "geom_rug" "geom_segment" "geom_sf" "geom_sf_label"

[41] "geom_sf_text" "geom_smooth" "geom_spoke" "geom_step" "geom_text"

[46] "geom_tile" "geom_violin" "geom_vline"

#library(ggplot2)

p <- ggplot(mtcars, aes(x = mpg, y = wt))

p8 <- p + geom_point() + labs(title="图8") #图8散点图

p <- ggplot(mtcars, aes(x = factor(carb), y = wt))

p9 <- p + geom_bar(stat= 'identity') + labs(title="图9") #图9条形图

###########一页多图########

#library(grid)

grid.newpage()  ##新建页面

pushViewport(viewport(layout = grid.layout(1,2))) #将页面分成2*2矩阵

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

print(p8, vp = vplayout(1,1))   #（1,1)的位置画图8

print(p9, vp = vplayout(1,2))   #(1,2)的位置画图9

3、标度（Scale）：fill、color、shape

在对图形属性进行映射之后，使用标度可以控制这些属性的显示方式，比如颜色属性、形状属性等。对比图10和图11，aes中color参数属性可以发现，如color对应变量为factor因子时，图10中图例分组显示不同颜色；但如factor对应的变量为数值，ggplot将其识别为连续变量，数值大小决定颜色深度；对比12和图13，不论是在ggplot函数中定义color还是在几何对象中定义color，其具有相同的效果。

#library(ggplot2)

p <- ggplot(mtcars, aes(x = mpg, y = wt))

p10 <- p + geom_point(aes(color=factor(gear))) + labs(title="图10") #图10

p11 <- p + geom_point(aes(color=gear)) + labs(title="图11") #图11

p <- ggplot(mtcars, aes(x = mpg, y = wt,color = factor(gear)))

p12 <- p + geom_point(aes(shape=factor(cyl))) + labs(title="图12") #图12

p <- ggplot(mtcars, aes(x = mpg, y = wt))

p13 <- p + geom_point(aes(color=factor(gear),shape=factor(cyl))) + labs(title="图13") #图13

###########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(p10, vp = vplayout(1,1))   #（1,1)的位置画图10

print(p11, vp = vplayout(1,2))   #(1,2)的位置画图11

print(p12, vp = vplayout(2,1))  #（2,1)的位置画图12

print(p13, vp = vplayout(2,2))  #（2,2)的位置画图13

4、统计变换（Stat）

统计变换对原始数据进行某种计算，然后在图上显示出来，例如在散点图上加一条回归线。

ggplot(mtcars, aes(x = mpg, y = wt))+geom_point()+scale_y_log10()+stat_smooth(method = "auto", formula = y ~ x)

aes所提供的参数，就通过ggplot提供，而不是提供给geom_point，因为ggplot里的参数，相当于全局变量，geom_point()和stat_smooth()都知道x,y的映射，如果只提供给geom_point()，则相当于是局部变量。ggplot2提供了多种统计变换方式：

>library(ggplot2)

>ls("package:ggplot2",pattern="stat_.+")

[1] "stat_bin" "stat_bin_2d" "stat_bin_hex" "stat_bin2d" "stat_binhex"

[6] "stat_boxplot" "stat_contour" "stat_count" "stat_density" "stat_density_2d"

[11] "stat_density2d" "stat_ecdf" "stat_ellipse" "stat_function" "stat_identity"

[16] "stat_qq" "stat_qq_line" "stat_quantile" "stat_sf" "stat_sf_coordinates"

[21] "stat_smooth" "stat_spoke" "stat_sum" "stat_summary" "stat_summary_2d"

[26] "stat_summary_bin" "stat_summary_hex" "stat_summary2d" "stat_unique" "stat_ydensity"

[31] "update_stat_defaults"

5、坐标系统（Coordinante）

坐标系统控制坐标轴进行变换，例如XY轴翻转，笛卡尔坐标和极坐标转换。

#设置基本映射关系

p <- ggplot(mtcars)

p14 <- p + geom_bar(aes(x = factor(carb)))+coord_flip() + labs(title="图14")  #图14原图

#坐标轴翻转由coord_flip()实现

p15 <- p + geom_bar(aes(x = factor(carb)))+coord_flip() + labs(title="图15")  #图15

#转换成极坐标可以由coord_polar()实现:风玫瑰图(windrose)

p16 <- p + geom_bar(aes(x = factor(1),fill=factor(gear))) + coord_polar() + labs(title="图16")  #图16

#转换成极坐标可以由coord_polar()实现:风玫瑰图(windrose)

p17 <- p + geom_bar(aes(x = factor(carb),fill=factor(gear))) + coord_polar() + labs(title="图17")  #图17

###########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(p14, vp = vplayout(1,1))   #（1,1)的位置画图14

print(p15, vp = vplayout(1,2))   #(1,2)的位置画图15

print(p16, vp = vplayout(2,1))  #（2,1)的位置画图16

print(p17, vp = vplayout(2,2))  #（2,2)的位置画图17

6、分面（Facet）

分面可以让我们按照某种给定的条件，对数据进行分组，然后分别画图。

#facet_grid

mt <- ggplot(mtcars, aes(mpg, wt, colour = factor(cyl))) +  geom_point()

mt + facet_grid(. ~ cyl, scales = "free")

#facet_wrap

ggplot(mpg, aes(displ, hwy)) +  geom_point() +  facet_wrap(~class, scales = "free")

7、主题（Theme）

p1 <- ggplot(mtcars, aes(wt, mpg)) +  geom_point() +  labs(title = "Fuel economy declines as weight increases") + labs(title="图20")  #图20

p17 <- p1 + theme(plot.title = element_text(size = rel(2)))  + labs(title="图17")  #图17

p18 <- p1 + theme(plot.background = element_rect(fill = "green"))  + labs(title="图18")  #图18

p19 <- p1 + theme(panel.background = element_rect(fill = "white", colour = "grey50")) + labs(title="图19")  #图19

###########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20

print(p17, vp = vplayout(1,2))   #(1,2)的位置画图17

print(p18, vp = vplayout(2,1))  #（2,1)的位置画图18

print(p19, vp = vplayout(2,2))  #（2,2)的位置画图19

---