Chapter 6 R 绘图

6.1 词云

library(wordcloud2)
wordcloud2(demoFreq, size = 1,shape = 'star')

中文

## Sys.setlocale("LC_CTYPE","eng")
wordcloud2(demoFreqC, size = 2, fontFamily = "微软雅黑",
           color = "random-light", backgroundColor = "grey")

6.2 使用 Plotly 创建交互式图表

Plotly 是一个功能强大的工具，可以用来创建交互式图表和可视化。在R中，通过 Plotly 包，你可以轻松地创建各种类型的图表，并且能够在浏览器中进行交互。下面是一个简单的教程，带你一步一步学习如何在R中使用Plotly。

首先，你需要安装并加载 Plotly 包。你可以通过以下代码在R中完成这一步骤：

# install.packages("plotly")  # 安装 Plotly 包
library(plotly)             # 加载 Plotly 包

## Loading required package: ggplot2

## 
## Attaching package: 'plotly'

## The following object is masked from 'package:ggplot2':
## 
##     last_plot

## The following object is masked from 'package:stats':
## 
##     filter

## The following object is masked from 'package:graphics':
## 
##     layout

让我们从创建一个简单的散点图开始。我们将使用内置的鸢尾花数据集进行演示。

# 加载鸢尾花数据集
data(iris)

# 创建散点图
plot_ly(data = iris, x = ~Sepal.Length, y = ~Sepal.Width, type = "scatter", mode = "markers")

通过 Plotly，你可以轻松地添加样式和交互性。比如，你可以修改点的颜色、大小和形状，并添加标题、标签等。

# 添加样式和交互性
plot_ly(data = iris, x = ~Sepal.Length, y = ~Sepal.Width, color = ~Species, 
        type = "scatter", mode = "markers", 
        marker = list(size = 10, symbol = "circle"),
        text = ~paste("Species: ", Species),
        hoverinfo = "text") %>%
  layout(title = "Sepal Length vs. Sepal Width",
         xaxis = list(title = "Sepal Length"),
         yaxis = list(title = "Sepal Width"))

最后，你可以将生成的图表导出为图片或HTML文件，也可以嵌入到网页中。

# 导出图表为 HTML 文件
export_html <- plot_ly(data = iris, x = ~Sepal.Length, y = ~Sepal.Width, color = ~Species, 
                        type = "scatter", mode = "markers", 
                        marker = list(size = 10, symbol = "circle"),
                        text = ~paste("Species: ", Species),
                        hoverinfo = "text") %>%
  layout(title = "Sepal Length vs. Sepal Width",
         xaxis = list(title = "Sepal Length"),
         yaxis = list(title = "Sepal Width"))

# htmlwidgets::saveWidget(export_html, "plotly_example.html")

总结绘制其他图形:

1. 散点图

# 创建散点图
plot_ly(data = iris, x = ~Sepal.Length, y = ~Sepal.Width, color = ~Species, 
        type = "scatter", mode = "markers", 
        marker = list(size = 10, symbol = "circle"),
        text = ~paste("Species: ", Species),
        hoverinfo = "text") %>%
  layout(title = "Sepal Length vs. Sepal Width",
         xaxis = list(title = "Sepal Length"),
         yaxis = list(title = "Sepal Width"))

2. 折线图

# 创建折线图
plot_ly(data = iris, x = ~Sepal.Length, y = ~Petal.Length, color = ~Species, 
        type = "scatter", mode = "lines",
        line = list(width = 1),
        text = ~paste("Species: ", Species),
        hoverinfo = "text") %>%
  layout(title = "Sepal Length vs. Petal Length",
         xaxis = list(title = "Sepal Length"),
         yaxis = list(title = "Petal Length"))

3. 柱状图

# 创建柱状图
plot_ly(data = iris, x = ~Species, y = ~Sepal.Length, 
        type = "bar", 
        marker = list(color = "blue"),
        text = ~paste("Species: ", Species),
        hoverinfo = "text") %>%
  layout(title = "Average Sepal Length by Species",
         xaxis = list(title = "Species"),
         yaxis = list(title = "Average Sepal Length"))

4. 箱线图

# 创建箱线图
plot_ly(data = iris, x = ~Species, y = ~Petal.Width, 
        type = "box", 
        marker = list(color = "green"),
        text = ~paste("Species: ", Species),
        hoverinfo = "text") %>%
  layout(title = "Distribution of Petal Width by Species",
         xaxis = list(title = "Species"),
         yaxis = list(title = "Petal Width"))

5. 饼图

# 创建饼图
plot_ly(data = iris, labels = ~Species, values = ~Sepal.Length, 
        type = "pie", 
        marker = list(colors = c("red", "green", "blue")),
        text = ~paste("Species: ", Species),
        hoverinfo = "text") %>%
  layout(title = "Distribution of Sepal Length by Species")

6. 3D 散点图

# 创建3D散点图
plot_ly(data = iris, x = ~Sepal.Length, y = ~Sepal.Width, z = ~Petal.Length, 
        color = ~Species, 
        type = "scatter3d", mode = "markers",
        marker = list(size = 5),
        text = ~paste("Species: ", Species),
        hoverinfo = "text") %>%
  layout(title = "3D Scatter Plot of Sepal and Petal Dimensions",
         scene = list(xaxis = list(title = "Sepal Length"),
                      yaxis = list(title = "Sepal Width"),
                      zaxis = list(title = "Petal Length")))

7. 热力图

# 创建热力图
heatmap_data <- as.matrix(iris[, 1:4])
plot_ly(z = ~heatmap_data, colorscale = "Viridis", type = "heatmap") %>%
  layout(title = "Heatmap of Iris Dataset",
         xaxis = list(title = "Features"),
         yaxis = list(title = "Observations"))

6.2.1 ggplot 图和plotly 图转换

# 导入所需的包
library(ggplot2)
library(plotly)

# 创建一个 ggplot 图
gg <- ggplot(data = iris, aes(x = Sepal.Length, y = Sepal.Width, color = Species)) +
      geom_point() +
      labs(title = "Sepal Length vs. Sepal Width",
           x = "Sepal Length",
           y = "Sepal Width",
           color = "Species")

# 将 ggplot 图转换为 plotly 图
p <- ggplotly(gg)

# 在浏览器中显示 plotly 图
p

6.3 ggfortify

ggfortify可用于在 R 中绘制不同类型的统计图表。

library(ggfortify)

接下来，我们将介绍如何使用 ggfortify 包绘制时间序列数据的折线图。首先，让我们生成一些示例数据：

# 生成示例时间序列数据
set.seed(123)
time_series_data <- ts(rnorm(100), start = c(2010, 1), frequency = 12)

现在，我们可以使用 ggfortify 中的 autoplot 函数绘制时间序列数据的折线图：

# 绘制时间序列数据的折线图
autoplot(time_series_data)

如果要自定义图形，可以添加额外的图层或修改默认参数。例如，我们可以添加标题和修改坐标轴标签：

# 自定义图形
autoplot(time_series_data) +
  ggtitle("Example Time Series Plot") +
  xlab("Year") +
  ylab("Value")

继续介绍 ggfortify 包的其他功能，包括主成分分析（PCA）和线性回归分析。首先，让我们生成一些示例数据用于 PCA 和线性回归分析：

# 生成示例数据
set.seed(123)
x <- rnorm(100)
y <- 2*x + rnorm(100)
data <- data.frame(x = x, y = y)

使用 ggfortify 包中的 autoplot 函数可以直观地可视化主成分分析的结果。下面是如何进行主成分分析并绘制结果的示例：

# 进行主成分分析
pca_result <- prcomp(data)

# 可视化主成分分析结果
autoplot(pca_result)

这将绘制一个散点图，其中数据点被投影到主成分空间中。你可以看到数据点在主成分上的分布情况，以及主成分的方差解释比例。

使用 ggfortify 包，你可以将线性回归模型的结果可视化为散点图和拟合直线。下面是一个示例：

# 拟合线性回归模型
lm_model <- lm(y ~ x, data = data)

# 可视化线性回归结果
autoplot(lm_model, data = data, colour = 'red') +
  geom_point()

这将绘制一个散点图，数据点用蓝色表示，拟合的线性回归直线用红色表示。你可以很清楚地看到数据点的分布情况以及回归直线的拟合效果。

6.4 corrplot

在使用corrplot之前，你需要先安装并加载它：

# 安装corrplot包
# install.packages("corrplot")

# 加载corrplot包
library(corrplot)

## corrplot 0.92 loaded

你需要一个数据框（data frame），其中包含你想要分析的变量。这里我们使用R内置的mtcars数据集作为示例：

# 使用mtcars数据集
data <- mtcars