这是全栈数据工程师养成攻略系列教程的第十三期：13 ggplot2 在R中进行可视化。
我们已经具备了一定的代码基础，现在不妨来了解下数据可视化，从生动的图形中更好地感受数据之美。R是一门统计分析语言，和Python一样，语法简单并且有非常丰富的功能包，其中的ggplot2包便可以用简洁的语法绘制出美观多样的图形。
下载和安装
如果没有R的话需要去下载并安装，在R的官网中找到下载链接，选择最近的镜像地址下载即可，https://www.r-project.org/。安装完毕后即可运行R，软件如下图所示，界面比较简单，提供的用户图形化接口十分有限。
因此可以再安装一个叫作RStudio的软件，它基于R的内核提供了更佳丰富的用户图形化操作界面，使用起来更方便，用户体验更好。可以在RStudio的官网找到下载链接，下载并安装RStudio，https://www.rstudio.com/。安装完毕后运行RStudio，软件界面如下图所示。
左上角的两个按钮分别用于新建各种文件和打开已有文件，左边是一个交互命令行，可以交互式地执行代码。右边上半部分是环境窗口（Environment）和历史窗口（History），分别可以查看当前编程环境中已有的变量，以及查看历史命令记录。右边下半部分包括文件（Files）、绘图（Plots）、包（Packages）、帮助（Help）等标签页，分别用于查看文件目录、查看绘图结果、查看引用的包、查看帮助文档。
例如，在左边的交互命令行中输入?plot并回车，即可在右边的Help中查看plot函数的使用文档。再输入a <- 1并回车，即可在右边的Environment中看到已有的变量，同时在History中也可以看到之前执行的两条命令记录。
R基础
安装包和加载包
R和Python一样，功能之所以强大是因为它具备丰富多样的功能包。在R中使用以下命令即可安装一个新的包，例如ggplot2，包的名字需要用引号括起来。
install.packages("ggplot2")
功能包安装完毕之后，即可加载并使用其提供的数据集、函数和功能，使用以下命令加载一个功能包，包的名字不需要用引号括起来。
library(ggplot2)
数据结构
R中的数据结构主要有向量、矩阵、数组、数据框、因子和列表。
向量是用于存储数值型、字符型或逻辑型数据的一维数组，单个向量中的数据必须拥有相同的类型或模式，即要么都是数值型，要么都是字符型，要么都是逻辑型。可以发现，R中的赋值使用箭头符号<-，而不是其他语言常用的=。
# 数值型
a <- c(1, 2, 5, 3, 6, -2, 4)
# 字符型
b <- c("one", "two", "three")
# 逻辑型
c <- c(TRUE, TRUE, TRUE, FALSE, TRUE, FALSE)
用方括号可以访问向量中的元素，例如访问向量a中的第二个和第四个元素，可以用a[c(2, 4)]。向量也支持支持冒号语法，a[2:6]将返回a的第二至第六个元素。所以向量的用法和Python中list有相似又不同，Python中list的下标从0开始，而且冒号语法只包括开始下标但不包括结束下标。另外Python中负号下标表示从后往前数，而向量中负号表示排除，例如a[-1]返回向量a中除了第一个以外的其他全部元素。
矩阵是一个二维数组，每个元素都拥有相同的类型，必须都为数值型、字符型或逻辑型，可通过函数matrix创建矩阵。
mymatrix <- matrix(vector, nrow=number_of_rows, ncol=number_of_columns, byrow=FALSE, dimnames=list(rownames, colnames))
其中vector向量包含了全部矩阵元素，nrow和ncol为行数和列数，byrow默认为FALSE表示按列填充，否则TRUE为按行填充，dimnames为行名和列名。使用时，只有前三个参数是必须的。
y <- matrix(1:20, nrow=5, ncol=4)
cell <- c(1, 26, 24, 68)
rnames <- c("R1", "R2")
cnames <- c("C1", "C2")
mymatrix <- matrix(cell, nrow=2, ncol=2, byrow=TRUE, dimnames=list(rnames, cnames))
mymatrix <- matrix(cell, nrow=2, ncol=2, byrow=FALSE, dimnames=list(rnames, cnames))
x[i,]表示矩阵x中的第i行，x[,j]表示矩阵x中的第j列，x[i, j]表示矩阵x中的第i行第j个元素，或者使用数值型向量代替i、j以同时选择多行或多列。
数组和矩阵类似，但是维度可以大于2，通过array函数创建。
myarray <- array(vector, dimensions, dimnames)
其中vector包含数组中的数据，dimensions是一个数值型向量，给出了各个维度下标的最大值，dimnames可选，以向量形式指定各个维度的名称。
dim1 <- c("A1", "A2")
dim2 <- c("B1", "B2", "B3")
dim3 <- c("C1", "C2", "C3", "C4")
z <- array(1:24, c(2, 3, 4), dimnames=list(dim1, dim2, dim3))
数据框可以理解成数据库中的表，即每一行表示一条记录，每一列表示一项字段。不同列可以包含不同类型，例如某一列为数值型而另一列为字符型，但每列所有行的数据类型必须相同。数据框通过data.frame创建，是R中最为重要的一种数据结构。
patientID <- c(1, 2, 3, 4)
age <- c(25, 34, 28, 52)
diabetes <- c("Type1", "Type2", "Type1", "Type1")
status <- c("Poor", "Improved", "Excellent", "Poor")
patientdata <- data.frame(patientID, age, diabetes, status)
访问数据框中的数据可以通过以下三种方式：
# 访问第一列和第二列
patientdata[1:2]
# 按列名访问，使用方括号和向量
patientdata[c("diabetes","status")]
# 按列名访问，使用$
patientdata$age
无序类别型变量和有序类别型变量在R中都称为因子。简单来说，因子就是一种离散值，例如性别只能是male和female，对应两个字符型因子，或者分别用0和1来表示，对应两个数值型因子。如果因子的不同水平之间存在排序关系，则称为有序因子。以下代码中，diabetes对于不同的人只能取Type1或Type2，因此是一个因子。
diabetes <- factor(c("Type1", "Type2", "Type1", "Type1"))
以下代码中，status对于不同的人只能取Poor、Improved或Excellent
，同时三者之间存在排序关系，因此使用orderded=TRUE指定为一个有序因子。
status <- factor(c("Poor", "Improved", "Excellent", "Poor"), ordered=TRUE)
# 或者手动指定排序的顺序
status <- factor(c("Poor", "Improved", "Excellent", "Poor"), ordered=TRUE, levels=c("Poor", "Improved", "Excellent"))
列表和向量一样，同样是多个元素的排列，但每个元素可以是以上提及的任何数据结构，甚至是其他列表的组合，即嵌套列表。使用list定义一个列表，并可以为各个元素进行命名。
g <- "My First List"
h <- c(25, 26, 18, 39)
j <- matrix(1:10, nrow=5)
k <- c("one", "two", "three")
mylist <- list(title=g, ages=h, j, k)
mylist
可以看到mylist包括四个元素，使用mylist[[2]]、mylist$age或者mylist[["ages"]]访问其中的第二个元素。
最后需要注意的是，R中的变量名、行名、列名等名称，都尽量使用纯英文，避免使用中文导致错误。
数据集
R中提供了很多数据集，安装包也会提供一些额外的数据集，这些数据集大多以数据框的形式给出，例如mtcars数据集提供了32款车型的11项参数值，所有参数值都为数值型。
head(mtcars)
nrow(mtcars)
names(mtcars)
summary(mtcars)
另外，也可以从csv、txt等文件中读取数据为数据框，使用data.table包的fread()函数读取数据，例如之前提供的douban_movie_clean.txt。读取之前需要在Files标签页中找到数据文件，然后点击齿轮中的Set As Working Directory，将当前目录设为工作路径。
# 没有包则安装
# install.packages("data.table")
library(data.table)
douban_movie_clean <- fread("douban_movie_clean.txt", header=TRUE, sep="^", encoding="UTF-8")
R脚本
除了在交互命令行中编写R代码，一种更方便的选择是使用R脚本，就如同新建一个.py代码，在Sublime中编辑完毕后再运行一样。点击左上角的新建文件按钮，选择R Script，在新建的R脚本中可以自由地编写多行代码。编写完毕后，选中全部或者部分代码，点击R脚本右上方的Run按钮，即可运行选中的代码。
ggplot2
ggplot2是R中的一个功能包，可以用简洁统一的语法绘制出美观多样的图形。安装好ggplot2之后，让我们通过一个简单的例子感受下ggplot2的魅力。
# 如果没有则安装
# install.packages("ggplot2")
# 加载包
library(ggplot2)
ggplot(douban_movie_clean) + geom_histogram(aes(x=length))
以上代码对豆瓣电影数据集的片长这一字段绘制直方图，横轴为电影片长，纵轴为每个片长区间的电影数量。绘图结果将显示在Plots标签页中，可以点击Zoom按钮放大图像，可以发现大多数电影的片长集中在90至120分钟之间。
R学习笔记
如果对R感兴趣、希望进一步了解更多内容，可以访问我的博客，http://zhanghonglun.cn/blog/tag/r/，以上链接以r为标签搜索相关文章，搜索结果中会有一个《R学习笔记》系列，共14篇文章，可作为进一步学习R的参考资料。
视频链接：在R中进行可视化
