ggplpot2中的关系图

如何制作双 y 轴、散点图矩阵、系数图。https://datavizs23.classes.andrewheiss.com/example/07-example.html

ggplot2
relationship
Author

Lee

Published

July 3, 2024

本文的重点是掌握双y轴的图形画法，这类图形在数据分析中会经常用到。

1 载入并清洗数据

library(tidyverse) # 加载tidyverse包，包含ggplot2等数据处理和可视化工具
library(patchwork) # 加载patchwork包，用于组合多个ggplot2图形
library(GGally) # 加载GGally包  ，扩展ggplot2功能，提供更多图形类型
library(broom) # 加载broom包，用于将统计模型结果转换为整洁的数据框
library(latex2exp) # 加载latex2exp包，用于将公式转换为LaTeX代码

weather_atl <- read_csv(
  "D:/Myblog/posts/ggplot2-action-relationshipsplot-2024-07-03/tech/atl-weather-2019.csv"
)

2 绘制双 y 轴关系图

当两个不同的刻度测量的是同一件事，比如计数和百分比、华氏和摄氏、磅和千克、英寸和厘米等，绘制双y轴关系图往往是非常有用的。

绘制双y轴关系图的基本思路是，将两个变量分别放在两个y轴上，并在同一坐标系上绘制散点图。在ggplot2中，我们可以使用scale_y_continuous()函数来设置两个y轴的范围和刻度：

  • 第二个y轴的范围和刻度可以通过sec.axis参数来设置。
  • sec.axis参数会使用一个与其基本同名的函数，即sec_axis()来告诉ggplot2如何对第二y轴的刻度进行转换。
  • 我们需要在sec_axis()函数中指定一个公式或函数来定义如何将第一个y轴的值转换为第二个y轴的值，同时使用.符号来代替原始坐标轴的原始值(即第一个y轴的值)。
在ggplot2中，参数的名称通常用.分割，而函数名则用_分割。例如，axis.text.x参数和element_text()函数。

在weather_atl数据集中，温度的单位为华氏温度，通常情况下，我们希望将其转换为摄氏温度，它们之间具体的转换关系如下 Equation 1 所示。

\[ C = (32-F) \times -{\frac{5}{9}} \tag{1}\]

# 绘制双y轴关系图
ggplot(weather_atl, aes(x = time, y = temperatureHigh)) +
  geom_line() + # 绘制第一个y轴的曲线
  scale_y_continuous(
    sec.axis = sec_axis(
      # 设置第二个y轴的刻度
      transform = ~ (32 - .) * -5 / 9, 
      # 设置第二个y轴的名称
      name = "Celsius"
    ) 
  ) +
  labs(
    x = NULL,
    y = "Temperature (F)"
  ) +
  theme_minimal()

2.1 绘制双y轴双图形

在双y轴的基础上，我们还可以绘制双图形，比如散点图和折线图结合。同样需要借助sec.axis参数

例如，我们想知道亚特兰大温度与湿度间的对比关系，其中：

  • 第一y轴表示温度，用折线图展示。
  • 第二y轴表示湿度，用折线图展示。
weather_atl %>%
  mutate(temperatureHigh_C = ((32 - temperatureHigh) * -5 / 9)) %>%
  ggplot(aes(x = time)) +
  geom_line(aes(y = temperatureHigh_C), color = "blue") +
  geom_line(aes(y = humidity * 10), color = "red") +
  scale_y_continuous(
    sec.axis = sec_axis(
      transform = ~ . / 10,
      name = "Relative Humidity (%)"
    )
  ) +
  theme_bw() +
  labs(
    y = TeX("Temperature($\\Celsius*10^{-1})$"),
  ) +
  theme(
    axis.title.y.left = element_text(color = "blue"),
    axis.text.y.left = element_text(color = "blue"),
    axis.ticks.y.left = element_line(color = "blue"),
    axis.line.y.left = element_line(color = "blue", size = 1),
    axis.title.y.right = element_text(color = "red"),
    axis.text.y.right = element_text(color = "red"),
    axis.ticks.y.right = element_line(color = "red"),
    axis.line.y.right = element_line(color = "red", size = 1)
  )

3 相关性图

3.1 散点阵图

使用GGally::ggpairs()函数可以绘制散点阵图。例如，高温和低温、湿度、风速和降水概率之间的相关性如何？我们首先用这些列制作一个较小的数据集，然后将该数据集输入 ggpairs() 查看所有相关信息：

weather_corr <- weather_atl %>%
  select(
    temperatureHigh, temperatureLow, humidity, windSpeed, precipProbability
  )

ggpairs(weather_corr)

3.2 相关图-Correlograms

散点图矩阵通常包含过多信息，无法在实际出版物中使用。我在做自己的分析时会用到散点图矩阵，只是想看看不同变量之间的关系，但我很少把它们润色后公开发表，即我们熟悉的热图(heatmap)。

  1. 建立关心的主要变量的相关性矩阵。
  2. 该矩阵的两半（沿对角线分割）是相同的，因此我们可以用这段代码删除下三角（将下三角中的所有单元格设置为 NA ）(可选操作)。
  3. 对相关矩阵数据表进行清洗整理。为了绘制图表，数据需要采用Tidy（或长）的格式。以things_to_correlate行列名称添加一列，将所有列放入名为 measure1 的一列中，并将所有相关系数放入名为 cor 的一列中。 最后，我们确保测量变量按其出现顺序排列（否则，它们将按字母顺序绘制，不会形成三角形）
  4. 绘制热图。
# 建立关心的主要变量的相关性矩阵
things_to_corr <- weather_atl %>%
  select(
    temperatureHigh, temperatureLow, humidity, windSpeed, precipProbability
  ) %>%
  cor() %>%
  as.data.frame()

# 删除下三角
things_to_corr[lower.tri(things_to_corr)] <- NA

# 数据整理
things_to_corr_tidy <- things_to_corr %>%
  as.data.frame() %>% # 将数据转换为数据框
  rownames_to_column("measure2") %>% # 将行名转换为列
  # 将数据转换为长格式
  pivot_longer(
    -measure2,
    names_to = "measure1",
    values_to = "cor"
  ) %>%
  # 将相关系数四舍五入到小数点后两位
  mutate(nice_cor = round(cor, 2)) %>%
  # 过滤掉measure1和measure2相同的数据
  filter(measure1 != measure2) %>%
  # 过滤掉相关系数为NA的数据
  filter(!is.na(cor)) %>%
  # 将measure1和measure2转换为有序因子
  mutate(
    measure1 = fct_inorder(measure1),
    measure2 = fct_inorder(measure2)
  )

# 绘制热图
ggplot(
  things_to_corr_tidy,
  aes(x = measure2, y = measure1, fill = nice_cor)
) +
  geom_tile() +
  geom_text(aes(label = nice_cor)) +
  scale_fill_gradient2(
    low = "#E16462", mid = "white", high = "#0D0887",
    limits = c(-1, 1)
  ) +
  labs(x = NULL, y = NULL) +
  theme_minimal() +
  theme(
    panel.grid = element_blank()
  )

4 系数图-Coefficient Plot

如果我们在模型中使用多个变量，就很难直观地看到结果，因为我们要处理多个维度。相反，我们可以使用系数图来查看模型中的各个系数。

4.1 建立相对复杂的模型

weather_atl_summer <- weather_atl %>%
  filter(time >= "2019-05-01", time <= "2019-09-30") %>%
  mutate(
    humidity_scaled = humidity * 100,
    moonPhase_scaled = moonPhase * 100,
    precipProbability_scaled = precipProbability * 100,
    cloudCover_scaled = cloudCover * 100
  )

model_complex <- lm(
  temperatureHigh ~ humidity_scaled + moonPhase_scaled +
    precipProbability_scaled + windSpeed + pressure + cloudCover_scaled,
  data = weather_atl_summer
)
tidy(model_complex, conf.int = TRUE)
# A tibble: 7 × 7
  term                   estimate std.error statistic p.value conf.low conf.high
  <chr>                     <dbl>     <dbl>     <dbl>   <dbl>    <dbl>     <dbl>
1 (Intercept)            265.      126.         2.11  3.66e-2 16.7      514.    
2 humidity_scaled         -0.111     0.0759    -1.47  1.44e-1 -0.261      0.0387
3 moonPhase_scaled         0.0124    0.0128     0.965 3.36e-1 -0.0129     0.0377
4 precipProbability_sca…   0.0358    0.0204     1.75  8.16e-2 -0.00454    0.0761
5 windSpeed               -1.76      0.417     -4.22  4.30e-5 -2.58      -0.936 
6 pressure                -0.160     0.123     -1.30  1.96e-1 -0.403      0.0834
7 cloudCover_scaled       -0.0950    0.0304    -3.12  2.17e-3 -0.155     -0.0349

4.2 解释系数

  • 在其他条件不变的情况下，湿度每增加1%，最高气温平均下降0.11°，但这种影响在统计上并不显著。
  • 在其他条件不变的情况下，月球能见度每增加1%，最高气温平均就会上升0.01°，而且这种影响在统计上并不显著。
  • 在其他条件不变的情况下，降水概率每增加1%，平均最高气温就会上升0.04°，而且这种影响在统计上并不显著。
  • 在其他条件不变的情况下，风速每增加1英里/小时，最高气温平均下降1.8°，而且这种影响在统计学上非常显著。
  • 在其他条件不变的情况下，气压每增加1个单位，高温平均下降0.15°，而且这种影响在统计上并不显著。
  • 在其他条件不变的情况下，云量每增加1%，最高气温平均会下降0.01°，而且这种影响在统计学上非常显著。
  • Intercept：截距，表示模型的预测值与实际值的差距。本模型中，截距非常无用，它显示当湿度为0%、看不见月亮、无降水机会、无风、无气压、无云层时，预测温度为 262°。

4.3 系数图

# 将模型结果转换为数据框
model_complex_tidy <- broom::tidy(model_complex, conf.int = TRUE) %>%
  filter(term != "(Intercept)")

# 绘制系数图
ggplot(model_complex_tidy, aes(x = estimate, y = term)) +
  geom_pointrange(aes(xmin = conf.low, xmax = conf.high)) +
  geom_vline(xintercept = 0, color = "red", linetype = "dotted") +
  labs(x = "Coefficient Estimate", y = NULL) +
  theme_minimal()
图 1: 系数图

图 1 显示出模型各系数的估计值和置信区间，以及它们有多接近0。可以看出，风速(windSpeed)对温度的影响很大，其他系数均非常接近于0。