1 前言

library(tidyverse)
library(tibble)

从变量映射到视觉元素,是图形语法中非常重要的概念。

比如geom_point(mapping = aes(x = mass, y = height))是绘制散点图,x轴为mass变量,y轴为height变量。

因为geom_*()很强大而且也很容易理解,所以一般我们不会去思考我们的数据在喂给ggplot()后发生了什么,只希望能出图就行了。但实际上,ggplot()中其实进行了进一步的处理的,其实就是stat_**()系列函数。

2 什么要使用统计图层？

我们都知道,ggplot2绘制图形需要数据是tidy的,那么如果数据已经是tidy了,还需要使用stat_**()函数吗？

答案是有必要,因为即使数据是tidy的,图形显示出的也未必是我们想要的值。我们看一个例子：

simple_df <- tibble(
  group = factor(rep(c("A", "B"), each = 15)),
  subject = 1:30,
  score = c(rnorm(15, 40, 20), rnorm(15, 60, 10))
)
simple_df

# A tibble: 30 × 3
   group subject score
   <fct>   <int> <dbl>
 1 A           1 34.8 
 2 A           2 41.4 
 3 A           3 24.4 
 4 A           4 49.3 
 5 A           5 51.8 
 6 A           6 -1.17
 7 A           7 30.8 
 8 A           8  2.83
 9 A           9 30.6 
10 A          10 36.3 
# ℹ 20 more rows

针对simple_df话柱形图,每个柱子代表一组group,柱子的高度则代表每组score的均值,怎么画？通常的想法,首先规整(tidy)数据,并且确保数据包含每个geom所需的美学映射,最后传递给ggplot()。

simple_df %>%
  group_by(group) %>%
  summarise(mean_score = mean(score)) %>%
  ggplot(aes(x = group, y = mean_score)) +
  geom_col()

如果想画误差棒呢？

simple_df %>%
  group_by(group) %>%
  summarise(
    mean_score = mean(score),
    se = sqrt(var(score) / length(score))
  ) %>%
  mutate(
    lower = mean_score - se,
    upper = mean_score + se
  ) %>%
  ggplot(aes(group, mean_score, ymin = lower, ymax = upper)) +
  geom_errorbar()

如果希望将误差棒和柱形图花在一个图上呢？

simple_df_bar <- simple_df %>%
  group_by(group) %>%
  summarize(
    mean_score = mean(score),
    .groups = "drop"
  )

simple_df_errorbar <- simple_df %>%
  group_by(group) %>%
  summarize(
    mean_score = mean(score),
    se = sqrt(var(score) / length(score)),
    .groups = "drop"
  ) %>%
  mutate(
    lower = mean_score - se,
    upper = mean_score + se
  )

ggplot() +
  geom_col(
    aes(x = group, y = mean_score),
    data = simple_df_bar
  ) +
  geom_errorbar(
    aes(x = group, y = mean_score, ymin = lower, ymax = upper),
    data = simple_df_errorbar
  )

好像有点太长了！原因在于，我们认为在使用ggplot2画图时，一定要准备好一个tidy的数据，并把所有想画的几何形状，都整理至这个tidy数据中。

事实上，理论上讲，simple_data_bar 和 simple_data_errorbar 并不是真正的tidy格式。因为按照Hadley Wickham的对tidy的定义是，一行代表一次观察。而这里的柱子的高度以及误差棒的两端不是观察出来的，而是统计计算出来的。

实际上，simple_data_bar 和 simple_data_errorbar都是来源于原始数据simple_df，那么我们为什么不直接把simple_df传递给ggplot()，让数据在内部转换，从而得到所需的美学映射呢？

simple_df %>%
  ggplot(aes(x = group, y = score)) +
  stat_summary(geom = "bar") +
  stat_summary(geom = "errorbar")

3 用`stat_summary()`理解统计图层

实际上，stat_summary() 是在数据可视化中最常用的一个函数，也是学习和理解 stat_*() 很好的例子，理解了stat_summary()的工作原理，其它的stat_*()也就都明白了。

height_df <- tibble(
  group = "A",
  height = rnorm(30, 170, 10)
)
height_df

# A tibble: 30 × 2
   group height
   <chr>  <dbl>
 1 A       163.
 2 A       172.
 3 A       161.
 4 A       154.
 5 A       163.
 6 A       166.
 7 A       181.
 8 A       169.
 9 A       184.
10 A       163.
# ℹ 20 more rows

散点图：

ggplot(height_df, aes(x = group, y = height)) +
  geom_point()

如果使用stat_summary()会发生什么？

ggplot(height_df, aes(x = group, y = height)) +
  stat_summary()

图形变成了一个点和经过它的一条直线？

其实，stat_summary()函数做了以下工作：

函数内如果没有指定数据，则从ggplot()中继承；
参数fun.data 会调用函数将数据变形，这个函数默认是mean_se();
fun.data 返回的是数据框，这个数据框将用于geom参数画图，这里缺省的geom是pointrange;
如果fun.data 返回的数据框包含了所需要的美学映射，图形就会显示出来。

为了更好的理解以上工作，我们把它在代码中显示出来

height_df %>%
  ggplot(aes(x = group, y = height)) +
  stat_summary(
    geom = "pointrange",
    fun.data = mean_se
  )

4 使用统计图层

那么该如何顺畅的使用stat_summary()呢？

4.1 包含95%置信区间的误差棒

使用企鹅数据画出不同性别下企鹅体重均值的误差棒，同时误差棒要给出95%置信区间（在均值基础上加减1.96倍的标准误）。

my_df <- na.omit(palmerpenguins::penguins)
my_df %>%
  ggplot(aes(x = sex, y = body_mass_g)) +
  stat_summary(
    geom = "errorbar",
    fun.data = ~ mean_se(., mult = 1.96)
  )

4.2 大小变化的点线图

我们现在想画不同岛屿islands上企鹅bill_depth_mm均值，要求点线图中点的大小随观测数量（该岛屿企鹅的数量）变化

my_df %>%
  ggplot(aes(species, bill_depth_mm)) +
  stat_summary(
    fun.data = function(x) {
      scale_size <- length(x) / nrow(my_df)

      mean_se(x) %>%
        mutate(size = scale_size)
    }
  )

上图中stat_summary()内部发生了什么？或者说数据是怎么进行转换的？

my_df %>%
  group_split(species) %>%
  map(~ pull(., bill_depth_mm)) %>%
  map_dfr(
    function(x) {
      scale_size <- length(x) / nrow(my_df)

      mean_se(x) %>%
        mutate(size = scale_size)
    }
  )

         y     ymin     ymax      size
1 18.34726 18.24635 18.44817 0.4384384
2 18.42059 18.28290 18.55828 0.2042042
3 14.99664 14.90625 15.08702 0.3573574

5 总结

尽管数据是tidy的，但它未必能代表你想展示的值
解决办法不是去规整数据以符合几何形状的要求，而是将原初tidy数据传递给ggplot(), 让stat_*()函数在内部实现变型
可以stat_()函数可以定制geom以及相应的变形函数。当然，定制自己的函数，需要核对stat_()所需要的变量和数据类型
如果想用不同的geom，确保变换函数能计算出(几何形状所需要的)美学映射

那么什么时候用stat，什么时候用geom呢？这不是一个非此即彼的问题，事实上，他们彼此依赖– 我们看到stat_summary() 有 geom 参数, geom_() 也有 stat 参数。在更高的层级上讲，stat_()和 geom_*() 都只是ggplot里构建图层的layer()函数的一个便利的方法。