每次有正事的时候就想逃避写个简书，假装自己没有干不正经的事。（明明我还有一些数据需要分析呢，但是毫无分析的动力。）好的，今天我们来介绍一个很酷炫的图：弧形图（Arc Diagram）。
什么是弧形图（Arc Diagram）
弧形图顾名思义，是由弧形组成的。粗暴一点，直接上图让大家来看一下什么是弧形图。
可以看到上图中有很多个节点，不同的节点之间用弧形进行连接。没错，弧形图就是一种可以用来表示关联，展示多个节点之间关系的一种图。
这种关联可能有多种情况，最常见的可以用于展现相关性结果，还可以用于展现不同字词共同出现的频率等等（比如上面这张图就分析了雨果的名作《悲惨世界》中的人物出现情况）。
通过线的粗细、颜色以及节点的各种属性，你可以在图中展现关联各种特性，比如可以用线的粗细表示共现的频率，用节点大小表示该词汇出现的频率。
你可能会疑惑，我们已经有很多种展现关联的方式，比如最简单的网络图或者和弦图（好像我都没有讲过，糟糕，我以后慢慢补）。为什么要用弧形图呢？其实，这几种展现网络关系的图各自特点，下面我们来看一个非常有意思的例子，以展现弧形图的优势（例子来源：data-to-viz网站）。
首先来介绍一下绘图的数据。在学术圈，不同实验室之间可能会有一些长期合作的关系，因此某些作者可能常常会出现在同一篇文章里。比如有一些老板之间可能是师徒，或者是从同一个实验室里出来，所以会经常合作。
而这次例子的数据就是收集了许多文章和作者，通过不同的网络图来展示作者之间的关联：如果两个作者出现在同一篇文章里，那么就会用线将他们连接起来。
我们先来看一下最基础的网络图的效果。可以看到出现了多个模块，体现出了一些人之间的关系可能更为亲密。但是一旦关系复杂起来，比如最大的那个模块，似乎很难清楚地标注每一个节点是谁。即便标注出来了，也不便于你快速找到你关注的目标。
那么有没有什么方法可以显示所有人的姓名呢？和弦图怎么样？
虽然和弦图能够表示所有人的姓名，但是与网络图比起来，似乎人与人之间的关系没有那么直观了，感觉这些线有点杂乱无章。
那么我们再来看看弧形图的效果，可以发现弧形图不仅能够很好地展现每一个人的姓名，也可以看到一些人之间存在紧密的关联，一些人之间的关联很少或者根本没有关联。
当然，如果你对节点不进行调整，那么就有可能出现下图这种可怕的情况。
不过如果能够对节点的顺序进行一些调整，和弦图就能很好地体现出各个节点之间的关联，同时还能允许展现出每个节点的标注。而当节点较多的时候，在网络图中其实很难做到这一点，即便做到这一点，也让人觉得眼花缭乱。而和弦图虽然也能展现出节点信息，但是由于是一个环状，所以也可读性也不如弧形图。
那么弧形图要如何绘制呢？
怎么做弧形图
1）需要什么格式的数据
我们还是用上面例子中的数据，代码来源还是参考上面提到的data-to-viz网站。
具体需要两部分的数据，一部分是具体的贡献情况connect表，另一个是各个作者的共现数目coauth表。
library(tidyverse)
dataUU <- read.table("https://raw.githubusercontent.com/holtzy/data_to_viz/master/Example_dataset/13_AdjacencyUndirectedUnweighted.csv", header=TRUE)
#将dataUU转化成所需的格式
connect <- dataUU %>%
gather(key="to", value="value", -1) %>% #将matrix变成三列，一列from，一列to，一列共现文献数
mutate(to = gsub("\\.", " ",to)) %>% #将to这一列中姓名.去掉变成空格
na.omit() #剔除NA
head(connect)#第一列的数字是剔除NA之前的行号
from to value
89 RF Murphy A Bateman 1
184 M Ardisson A Besnard 1
234 Y Holtz A Besnard 1
237 A Armero A Breil 1
276 FC Baurens A Breil 1
326 S Bocs A Breil 1
# 计算每个作者的共现条数
c( as.character(connect$from), as.character(connect$to)) %>%
as.tibble() %>% #将数据的type转变为tbl_df，tibble可以理解成是一种加强版的数据框
group_by(value) %>% #按照value进行分组
summarize(n=n()) -> coauth
colnames(coauth) <- c("name", "n")#修改列名
head(coauth)
# A tibble: 6 x 2
value n
<chr> <int>
1 A Armero 6
2 A Bateman 5
3 A Besnard 6
4 A Breil 6
5 A Cenci 4
6 A Chifolleau 1
library(igraph)
mygraph <- graph_from_data_frame( connect, vertices = coauth, directed = FALSE )
理论上使用上述数据就可以作图了（具体代码参见下一小节），但是我们可以看一下做出来的效果。
没错效果非常糟糕，这就是我们为什么要对节点进行调整的原因，那么我们要如何对节点进行调整呢？我们可以使用igraph包中的walktrap.community函数。这是一个用来进行社区划分的函数。
当然，igraph包中还提供了许多其他划分函数比如fastgreedy.community，spinglass.community,edge.betweenness.community,leading.eigenvector.community等（不过我还没有仔细研究过具体的区别）。
那么我们来调整一下数据：
# 鉴定社区
com <- walktrap.community(mygraph)
#重新整理数据
coauth <- coauth %>%
mutate( grp = com$membership) %>%
arrange(grp) %>%
mutate(name=factor(name, name))
# 保留排名前15的社区
coauth <- coauth %>%
filter(grp<16)
# 只保留排名前15的社区涉及的作者
connect <- connect %>%
filter(from %in% coauth$name) %>%
filter(to %in% coauth$name)
mygraph <- graph_from_data_frame( connect, vertices = coauth, directed = FALSE )
2）如何作图
接着，我们将使用ggraph函数进行画图。
library(RColorBrewer)
library(ggraph)
mycolor<-colorRampPalette(brewer.pal(9, "Paired"))
ggraph(mygraph, layout="linear") +
geom_edge_arc(edge_colour="black", edge_alpha=0.2, edge_width=0.3, fold=TRUE) +
geom_node_point(aes(size=n, color=as.factor(grp), fill=grp), alpha=0.5) +
scale_size_continuous(range=c(0.5,8)) +
scale_color_manual(values=mycolor(15)) +
geom_node_text(aes(label=name), angle=65, hjust=1, nudge_y = -1.1, size=2.3) +
theme_void() +
theme(
legend.position="none",
plot.margin=unit(c(0,0,0.4,0), "null"),
panel.spacing=unit(c(0,0,3.4,0), "null")
) +
expand_limits(x = c(-1.2, 1.2), y = c(-5.6, 1.2))
今天的分享就到这里啦。
往期R数据可视化分享
R数据可视化17：桑基图
R数据可视化16：哑铃图
R数据可视化15：倾斜图 Slope Graph
R数据可视化14：生存曲线图
R数据可视化13：瀑布图/突变图谱
R数据可视化12: 曼哈顿图
R数据可视化11: 相关性图
R数据可视化10: 蜜蜂图 Beeswarm
R数据可视化9: 棒棒糖图 Lollipop Chart
R数据可视化8: 金字塔图和偏差图
R数据可视化7: 气泡图 Bubble Plot
R数据可视化6: 面积图 Area Chart
R数据可视化5: 热图 Heatmap
R数据可视化4: PCA和PCoA图
R数据可视化3: 直方/条形图
R数据可视化2: 箱形图 Boxplot
R数据可视化1: 火山图
