来源:AI入门学习
作者:伍正祥
在克里米亚战争期间,南丁格尔发现战地医院的卫生条件恶劣导致很多士兵死亡。因此,她开始研究伤员的死亡和卫生环境的关系,并试图用统计数据说服维多利亚女王改善军事医院的卫生条件。但是她也担心,女王那么忙,没有时间看她那厚厚的报告和那些复杂的表格数据。于是,她设计了上面的这个生动又有趣的图表,巧妙的展示了部队医院季节性的死亡率。她自己给它取名叫鸡冠花图(coxcomb)。
我们先来看看最早的南丁格尔玫瑰图展示了什么样的数据。这张图展示的是1854年4月到1855年3月这一年间士兵的死亡情况。其中:
1)绿色表示死于可预防疾病的士兵人数;
2)红色表示死于枪伤的人数;
3)黑色表示死于其他意外的人数。
从图中可以看出,在这一年间,死亡人数最多的并不是在战争中受枪伤(红色部分),大部分的士兵是死于可预防疾病(绿色部分),特别是冬天的时候(1854年11月-1855年2月),死于可预防疾病的士兵人数大幅增加。这也反映出医院的卫生条件、保暖对于伤员的康复是多么的重要。因此,才说服了女王大人改善医院条件。
这么有气质的图表,我们来看看经过这么多年的发展,大家都是怎么用的。尽管外形很像饼图,但本质上来说,南丁格尔玫瑰图更像在极坐标下绘制的柱状图或堆叠柱状图。只不过,它用半径来反映数值(而饼图是以扇形的弧度来表示数据的)。但是,由于半径和面积之间是平方的关系,视觉上,南丁格尔玫瑰图会将数据的比例夸大。因此,当我们追求数据的准确性时,玫瑰图不一定是个好的选择。但反过来说,当我们需要对比非常相近的数值时,适当的夸大会有助于分辨。
1. Facebook 和 twitter的用户对比
1)图表中包括性别、年龄、教育、收入等11个分类的对比信息指标,每个指标占用的圆周的角度相同,即任一指标的扇区角度为(360/11=32.723度)。
2)在“Gender”,“Income”,“Age”,“Education”四个指标中,又被分别划成几个不同的区段。
2、新冠肺炎全球疫情形势
案例1:facebook数据
直接使用上面facebook的数据,关注公众号AI入门学习回复【facebook】获取csv文件,用R语言画个示例,数据格式需要长格式,如下:
#facebooks数据 library(ggplot2) facebook = read.csv("facebook.csv",header=T,stringsAsFactors = FALSE) ggplot(facebook, aes(x = 类别1,y=比例,fill = 类别2)) + geom_bar(alpha = 0.93,stat="identity") + coord_polar()+ theme_bw()+ theme(panel.background = element_rect(fill = "black"))+ theme(axis.text = element_blank())+ theme(axis.ticks = element_blank())+# 去掉左上角的刻度线 theme(axis.title = element_blank())+ theme(legend.position = 'none')+# 去掉图例 theme(panel.border = element_blank())+# 去掉外层边框
theme(panel.background = element_rect(fill = "black"))+ #黑色背景 theme(panel.grid.major.x = element_line(colour =
"SpringGreen2", size = 0.3))+ #网格线设置 theme(panel.grid.major.y =
element_line(colour = "SpringGreen2", size = 0.3))+ #网格线设置 ylim(-0.3,1.1)+ scale_fill_discrete(c=1000, l=100) ggsave('rose.png',dpi = 1080)#保存为高清格式,dpi越大越清晰
图形如下,可以根据个人喜好对颜色进行切换,当然,各种标注,可以在PPT中完成,多个对比的,也可以在PPT中进行拼接。
用R自带数据集画一个不带网格线的
dsmall = diamonds[sample(nrow(diamonds),5000),] ggplot(dsmall, aes(x = clarity, fill = cut)) + geom_bar(alpha = 0.85) + coord_polar() + theme_bw() + theme(panel.background = element_rect(fill = "black"))+ theme(axis.text = element_blank())+ theme(axis.ticks = element_blank())+# 去掉左上角的刻度线 theme(axis.title = element_blank())+ theme(legend.position = 'none')+# 去掉图例 theme(panel.border = element_blank())+# 去掉外层边框
theme(panel.background = element_rect(fill = "black"))+ #黑色背景 theme(panel.grid=element_blank())+ ylim(-50,1000)+ scale_fill_manual(values = alpha(c("DarkOrchid1", "SpringGreen", "Magenta","Cyan","OrangeRed1"))) ggsave('rose.png',dpi = 1080)
案例2:多图组合
首先,介绍个函数,多个图组合到一起的
multiplot <- function(..., plotlist=NULL, file, cols=1, layout=NULL) { library(grid) plots <- c(list(...), plotlist) numPlots = length(plots) if (is.null(layout)) { layout <- matrix(seq(1, cols * ceiling(numPlots/cols)), ncol = cols, nrow = ceiling(numPlots/cols)) } if (numPlots==1) { print(plots[[1]]) } else { grid.newpage() pushViewport(viewport(layout = grid.layout(nrow(layout), ncol(layout)))) for (i in 1:numPlots) { matchidx <- as.data.frame(which(layout == i, arr.ind = TRUE)) print(plots[[i]], vp = viewport(layout.pos.row = matchidx$row, layout.pos.col = matchidx$col)) } } }
开始绘图部分,下六组数据替换分别跑一次,得到 p1,p2,p3,p4,p5,p6,然后用上面定义的函数组合即可
par(mar=c(0,0,0,0)) #c(4,3,8,2,2,1) #c(4,3,5,2,2,10) #c(15,3,5,8,2,8) #c(1,3,5,3,2,8)
#c(1,3,9,3,2,3) #c(2,12,9,3,2,3) data = data.frame(value= c(2,12,9,3,2,3), type = c('B','A','C','D','E',F)) p1 = ggplot(data, aes(x =type, y=value, fill=type)) + geom_bar(stat = "identity", alpha = 0.99) + coord_polar() + theme_bw() + theme(panel.background = element_rect(fill = "black"))+ theme(axis.text = element_blank())+ theme(axis.ticks = element_blank())+# 去掉左上角的刻度线 theme(axis.title = element_blank())+ theme(legend.position = 'none')+# 去掉图例 theme(panel.border = element_blank())+# 去掉外层边框 theme(panel.background =
element_rect(fill = "black"))+ #黑色背景 theme(panel.grid=element_blank())+ scale_fill_manual(values = alpha(c("OrangeRed1", 'gray91',"SpringGreen", "Magenta","Cyan", "DarkOrchid1"))) multiplot(p1,p2,p3,p4,p5,p6,cols=3)
结果如下:
重新替换一批数据得到下图
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14