京公网安备 11010802034615号
经营许可证编号:京B2-20210330
一个案例,告诉你如何灵活的运用ggplot2来制作花样繁多的信息图!
虽然ggplot2的内置图层只有屈指可数的几十个,可是图表组合之后的可能性是无限的。
实际上还是万变不离其宗,就如同使用Excel模仿复杂图表一样,再复杂的图表也是有不同的元素和模块组合起来的,只要能够用心去拆解,都可以找到行之有效的方法。如同庖丁解牛,只要洞悉骨架和经脉,才能随心所欲的下刀。
library("ggplot2")
library("tidyr")
library("dplyr")
library("grid")
library("showtext")
library('"Cairo")
library("scales")
font.add("myfont","msyhl.ttc")
mydata<-read.csv("mydata.csv",stringsAsFactors=FALSE,check.names=FALSE)
mydata$index<-1:nrow(mydata)
mydata$angle1<-1.5*seq(-1,-59)
mydata$angle2<-1.5*seq(59,1)
label<-strsplit(mydata$Country,"")
for (i in 1:length(label)){
label[[i]]<-paste0(label[[i]],collapse="\n")
}
mydata$label<-unlist(label)
mydata$label[37:59]<-gsub("\n","",mydata$label[37:59])
mynewdata<-mydata%>%gather(Class,Value,2:4)
图形一:
mynewdata$Class<-factor(mynewdata$Class,levels=c("环保优先","其他/未回答","经济优先"),order=T)
p1<-ggplot(data=mynewdata,aes(x=index,y=Value,fill=Class))+
geom_bar(stat="identity",width=0.95)+
geom_text(aes(y=105,label=ifelse(index<=36,label,""),angle=angle1),hjust=.5,vjust=0,family="myfont")+
geom_text(aes(y=105,label=ifelse(index>36,label,""),angle=angle2),hjust=0,vjust=0.5,family="myfont")+
geom_text(aes(y=Value,label=Value,angle=angle2),position=position_stack(vjust=.9),family="myfont")+
xlim(0.5,236.5)+ylim(-120,105)+
coord_polar(theta="x")+
guides(fill=guide_legend(title=NULL))+
scale_fill_manual(values=c("#2EA7E0","#B5B5B6","#CBE510"))+
theme(
text=element_text(size=20),
line=element_blank(),
rect=element_blank(),
axis.text=element_blank(),
axis.title=element_blank(),
legend.position=c(.95,.75),
legend.key.size =unit(.8,'cm'),
)
以上可以制作出原始案例的外围圆环图:
mydata2<-data.frame(year=c("1998年","2004年","2009年","2014年"),经济优先=c(.24,.27,.23,.28),未回答=c(.25,.21,.23,.15),环保优先=c(.51,.52,.54,.57),smallyear=rep(.15,4),check.names = FALSE)
names(mydata2)[3]<-"其他/未回答"
mydata2$index<-1:nrow(mydata2)
mynewdata2<-mydata2%>%gather(Class,Value,2:5)
mynewdata2$Class<-factor(mynewdata2$Class,levels=c("smallyear","环保优先","其他/未回答","经济优先"),order=T)
p2<-ggplot(data=mynewdata2,aes(x=index,y=Value,fill=Class))+
geom_bar(stat="identity",width=0.99)+
geom_text(aes(y=Value,label=ifelse(mynewdata2$Class=="smallyear",levels(mynewdata2$year),""),angle=c(rep(0,12),11.25*seq(-1,-7,-2))),position=position_stack(vjust=.5),family="myfont",size=7.5)+
geom_text(aes(y=Value,label=ifelse(mynewdata2$Class!="smallyear",percent(mynewdata2$Value),"")),position=position_stack(vjust=.5),family="myfont",size=6)+
xlim(0.5,16.5)+ylim(-.5,1.25)+
coord_polar(theta="x")+
guides(fill=FALSE)+
scale_fill_manual(values=c("#EFEFEF","#2EA7E0","#B5B5B6","#CBE510"))+
theme(
line=element_blank(),
rect=element_blank(),
axis.text=element_blank(),
axis.title=element_blank(),
legend.position="none"
)
以上可以做出内侧小圆环图:
CairoPNG(file="circletile1.png",width=2000,height=2000)
showtext.begin()
vie<-viewport(width=0.5,height=0.5,x=0.5,y=0.5)
p1;print(p2,vp=vie)
grid.text(label="六成中国人认为\n环境比经济更重要",,x=.99,y=.90,gp=gpar(col="black",fontsize=60,draw=TRUE,just="right")
showtext.end()
dev.off()
合并一步,一幅完整的图表便出炉了!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27