
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 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15