本书为 R for data science 第二版英文原版的要点记录，并加入自己的理解，力求做到更浓缩，更易懂，更实用。
参考书目：https://r4ds.hadley.nz

本书一上来就给出了数据分析的整体流程的框架：

数据分析处理的整体流程

1 数据可视化

1.1 引子

主要介绍使用 ggplot2 包进行可视化。

1.3 准备工作

R 包：ggplot2，tidyverse，palmerpenguins，ggthemes
如果没有安装这些包，需要运行 install.packages("包名") 来安装指定包

# 如果没有安装，则需运行下面一行安装tidyverse，ggplot也会自动安装
install.packages("tidyverse")
library(tidyverse)
library(palmerpenguins)
library(ggthemes)

1.2 第一步

利用可视化探索一下企鹅数据集中展示的一些关系。

1.2.1 企鹅数据集

该数据框是 palmerpenguins 包中的 penguins 数据框，即：palmerpenguins::penguins。共有344个观察数据。
为了让讲解更容易一些，我们先做以下定义：

• 一个变量即一个可测量的指标，可以理解为数据框中的一列。
• 一个数值即一个变量中测得的数据。
• 一个观测即为一个样本的一组变量的数值集合，可以理解为数据框中的一行。
• 一个表格即一组观测的数据，也相当于一个数据框。

在这里，变量指所有企鹅的属性，而每个观测为每只企鹅所有属性的一个观测值。企鹅的数据是由 tibble 格式存储的，我的理解是可以看作是一个简化形式的数据框格式（dataframe）。
在 R 中，可以通过数据名预览数据集。

penguins
#> # A tibble: 344 × 8
#>   species island    bill_length_mm bill_depth_mm flipper_length_mm
#>   <fct>   <fct>              <dbl>         <dbl>             <int>
#> 1 Adelie  Torgersen           39.1          18.7               181
#> 2 Adelie  Torgersen           39.5          17.4               186
#> 3 Adelie  Torgersen           40.3          18                 195
#> 4 Adelie  Torgersen           NA            NA                  NA
#> 5 Adelie  Torgersen           36.7          19.3               193
#> 6 Adelie  Torgersen           39.3          20.6               190
#> #  338 more rows
#> #  3 more variables: body_mass_g <int>, sex <fct>, year <int>

可以看到本数据集由344个观测（行），每个观测有8个属性（列）。可以通过 glimpse() 来看每个属性的前几个观测值，如果在 R studio 中，则可以通过 View(penguins) 打开整个数据集浏览。

glimpse(penguins)
#> Rows: 344
#> Columns: 8
#> $ species           <fct> Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, A…
#> $ island            <fct> Torgersen, Torgersen, Torgersen, Torgersen, Torge…
#> $ bill_length_mm    <dbl> 39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34.…
#> $ bill_depth_mm     <dbl> 18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18.…
#> $ flipper_length_mm <int> 181, 186, 195, NA, 193, 190, 181, 195, 193, 190, …
#> $ body_mass_g       <int> 3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 347…
#> $ sex               <fct> male, female, female, NA, female, male, female, m…
#> $ year              <int> 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2…

目前我们关心的是：

1. species: 企鹅种类 (Adelie, Chinstrap, or Gentoo).

2. flipper_length_mm: 企鹅鳍状肢长度, 用毫米表示.

3. body_mass_g: 体重，用克表示.

1.2.2 最终目标

我们希望展示出下图：

体重和鳍状肢长度

1.2.3 建立图表

我们开始一步一步建立上图
第一步，建立一个空画布：ggplot(data = penguins)。这一步做了两件事：

1. 建立了一个空的画布，后面将在这张画布上画图
2. 告诉ggplot，这个图所用的数据来自 penguins

第二步，告诉 ggplot 数据应该怎样展示，这里有一个概念：aesthetics，简称 aes，可以理解成展示数据的一种布局和美学。代码为：

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
)

完成以上步骤后，我们将得到下图，仅有背景。

接下来定义显示的几何形状：geometrical objects。简称 geom。

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point()
#> Warning: Removed 2 rows containing missing values or values outside the scale range
#> (`geom_point()`).

我们用点图显示数据（geom_point），得到下图。

1.2.4 增加美学和图层

可以通过将颜色 color 比对到不同种类的企鹅，只需要在 aes 对应的括号内不加入color 参数。

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g, color = species)
) +
  geom_point()

得到下图

可以看到 ggplot2 为我们自动赋予了颜色和图注。
接下来我们加入一个图层，显示体重和鳍状肢长度的关系：geom_smooth.

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g, color = species)
) +
  geom_point() +
  geom_smooth(method = "lm")

得到下图

得到了三条趋势线，原因是我们在ggplot 的全局信息的mapping参数的区域里运用了color。如果我们想保留不同颜色的分类，但仅显示一条总的趋势线，则可以将 aes 的信息放在 geom_point 参数里面。

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point(mapping = aes(color = species)) +
  geom_smooth(method = "lm")

接下来，我们在给不同品种企鹅赋予颜色的同时，也给它们赋予不同的形状。

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point(mapping = aes(color = species, shape = species)) +
  geom_smooth(method = "lm")

最后，让我们完善一下，最终完成这幅图：

1. 加入标题信息
2. 利用ggtheme里面对色盲友好的配色，这样色盲患者也能分清楚信息。这一步至关重要，许多SCI杂志在最终校稿时，都要求作者将配色换成色盲患者也能认清楚的颜色，因此不如在一开始做图时就注意。

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point(aes(color = species, shape = species)) +
  geom_smooth(method = "lm") +
  labs(
    title = "Body mass and flipper length",
    subtitle = "Dimensions for Adelie, Chinstrap, and Gentoo Penguins",
    x = "Flipper length (mm)", y = "Body mass (g)",
    color = "Species", shape = "Species"
  ) +
  scale_color_colorblind()

完成！！！

1.3 ggplot 的代码形式

ggplot 也可以提供其它代码形式使代码变得更加简洁。
以下三种代码布局都可以：

1. 完全形式

ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point()

2. 简洁形式

penguins |> 
  ggplot(aes(x = flipper_length_mm, y = body_mass_g)) + 
  geom_point()

3. 管道形式 (后面会介绍)

penguins |> 
  ggplot(aes(x = flipper_length_mm, y = body_mass_g)) + 
  geom_point()

1.4 可视化分布信息

1.4.1 分类种类信息

柱状图，可以自动统计每个类别的数量

ggplot(penguins, aes(x = species)) +
  geom_bar()

也可以将类别当作 factor 变量展示，这样可以方便排序 (根据数量排序)

ggplot(penguins, aes(x = fct_infreq(species))) +
  geom_bar()

1.4.2 数值分类数据

连续性数值数据，可以分段显示。分段用 binwidth 设置。

ggplot(penguins, aes(x = body_mass_g)) +
  geom_histogram(binwidth = 200)

ggplot(penguins, aes(x = body_mass_g)) +
  geom_histogram(binwidth = 20)
ggplot(penguins, aes(x = body_mass_g)) +
  geom_histogram(binwidth = 2000)

ggplot(penguins, aes(x = body_mass_g)) +
  geom_density()
#> Warning: Removed 2 rows containing non-finite outside the scale range
#> (`stat_density()`).

1.5 可视化变量关系

1.5.1 分类和数值变量

下面是三种图展示的结果
左图是变量的实际分布，中图是柱状图展示的结果，右图是盒子图（boxplot）展示的结果。

很明显，比较好的形式是盒子图。
我们来看一下用盒子图展示体重分布

ggplot(penguins, aes(x = species, y = body_mass_g)) +
  geom_boxplot()

我们也可以用密度分布图展示：

ggplot(penguins, aes(x = body_mass_g, color = species)) +
  geom_density(linewidth = 0.75)

我们可以将密度图填色，显得更加清楚

ggplot(penguins, aes(x = body_mass_g, color = species, fill = species)) +
  geom_density(alpha = 0.5)

有两点需要注意：

1. 如果我们需要将某些变量信息通过图形的形式对应起来，我们需要将这个变量放在 aes 里面进行设置
2. 如果我们仅仅单纯是设置自己想要的颜色，则直接设置。

1.5.2 对应两组都是分类变量的情况

我们可以利用堆积的柱状图展示

ggplot(penguins, aes(x = island, fill = species)) +
  geom_bar()

ggplot(penguins, aes(x = island, fill = species)) +
  geom_bar(position = "fill")

1.5.3 双数值变量的展示

当两个变量都是数量性状时，可以通过点图展示

ggplot(penguins, aes(x = flipper_length_mm, y = body_mass_g)) +
  geom_point()

1.5.4 三个以上变量展示

ggplot(penguins, aes(x = flipper_length_mm, y = body_mass_g)) +
  geom_point(aes(color = species, shape = island))

ggplot(penguins, aes(x = flipper_length_mm, y = body_mass_g)) +
  geom_point(aes(color = species, shape = species)) +
  facet_wrap(~island)

1.6 保存图片

使用ggsave命令

ggplot(penguins, aes(x = flipper_length_mm, y = body_mass_g)) +
  geom_point()
ggsave(filename = "penguin-plot.png")

总结

本章总结了从画图到存储的整个流程。后面将进一步针对每个阶段进行更深入的探讨。