数据故事使用R进行交互式数据可视化

Posted 2021-04-28 R语言

笔者邀请您，先思考：

1 交互式可视化有什么应用场景？

2 您会用R工具做交互式可视化？

数据可视化与科学一样是一门艺术。 有很多工具可用于在R中生成可视化。一些受欢迎的工具是ggplot和ggvis。 虽然ggplot是创建静态可视化的惊人工具，但当您需要创建交互式数据可视化时，它的性能往往不足。 ggvis也是如此。 这是Plotly积极派上用场的地方。 Plotly可以轻松创建丰富的交互式数据可视化，而无需掌握CSS或javascript的知识。

什么是Plotly？

Plotly是建立在可视化库（如html，D3.js和CSS）之上的数据可视化工具。 它是使用Django框架创建的。 它与多种语言兼容。 由plotly生成的图表可以使用plotly的API在线托管。

Plotly的优点：

• 在不知道D3.js的语言的情况下，使用D3.js轻松构建可视化

• 兼容多种语言

• Plotly生成的图表可以在线托管，以便其他人可以访问它们

• 使用Chart Studio创建的图表不需要编码，因此非编码人员可以轻松使用它们

• Plotly的语法很简单

• Plotly与R上的ggplot2兼容

Plotly的缺点：

• 使用社区版Plotly创建的图表可供所有人访问

• 限制每日API调用

在R中使用Plotly构建交互式数据可视化

正如我们已经看过Plotly的优点和缺点一样。 我们开始构建交互式数据可视化。 首先要做的是安装Plotly

if(!require(plotly))
{
  install.packages("plotly")
  require(plotly)
}

在创建图表之前，让我们看看用于创建可视化的语法
plot_ly（ x, y, type, mode, color, size）

这里 -

• x = x轴的值

• y = y轴的值

• type =指定需要创建的图的类型。 例如 - 'scatter'，'box'或'histogram'

• mode =绘图需要表示的模式

• color =表示数据点的颜色

散点图

让我们从交互式数据可视化选项中创建一个散点图类型开始。 我们将使用iris数据集（驻留在R中，无需加载外部文件）创建散点图。 我们附上iris数据集并查看前几行。 此外，我们将使用glimpse函数查看数据的结构。

library(dplyr)
attach(iris)
head(iris)
glimpse(iris)

查看数据，我们可以观察到有四个连续的变量，而物种是分类的。 创建散点图的语法是

sca <- plot_ly(
  x = ~ Sepal.Length,
  y = ~ Petal.Length,
  type = "scatter"
) 
layout(
  sca,
  title = "Scatter Plot",
  xaxis = list(title = 'Sepal length'),
  yaxis = list(title = 'Petal length')
)

布局命令用于定义图的标题，x轴和y轴。
让我们通过添加颜色添加更多图层，以便区分物种彼此。

sca <- plot_ly(
  x = ~Sepal.Length,
  y = ~Petal.Length,
  type = 'scatter',
  color = ~Species
)
layout(
  sca,
  title = 'Scatter Plot',
  xaxis = list(title = 'Sepal length'),
  yaxis = list(title = 'Petal length')
)

现在图已经形成，我们可以 -

• 放大图
  

  

• 重置轴

• 做盒子选择，套索选择

• 将图下载为png

让我们尝试添加大小变量以使散点图显示Sepal长度的读数。

sca <- plot_ly(
  x = ~Sepal.Length,
  y = ~Petal.Length,
  type = 'scatter',
  color = ~Species, 
  size = ~Sepal.Length
)
layout(
  sca,
  title = 'Scatter Plot',
  xaxis = list(title = 'Sepal length'),
  yaxis = list(title = 'Petal length')
)

从上图可以看出，随着萼片长度的读数趋于增加，标记趋于增加。

折线图和时间序列

为了创建折线图，我们将使用空气质量数据集

attach(airquality)
glimpse(airquality)
head(airquality)

查看数据的结构，可以看出所有变量都是比率/间隔类型。 我们将用时间序列绘制Solar.R值。

ti <- plot_ly(
  y = ~Solar.R, 
  type = 'scatter', 
  mode = 'lines'
)
layout(
  ti,
  title = 'Time Series', 
  yaxis = list(title = 'Solar Reading')
)

让我们在上面的图表中添加标记

ti <- plot_ly(
  y = ~Solar.R, 
  type = 'scatter', 
  mode = 'lines+markers'
)
layout(
  ti,
  title = 'Time Series', 
  yaxis = list(title = 'Solar Reading')
)

直方图

接下来我们从iris数据集创建直方图。 我们使用Sepal长度来创建计数。

hist <- plot_ly(
  x = ~Sepal.Length, 
  type = 'histogram'
)
layout(
  hist,
  title = 'Histogram', 
  xaxis = list(title = 'Sepal length'),
  yaxis = list(title = 'count')
)

条形图

用iris数据我们创建一个条形图。

bar <- plot_ly(
  x = ~Sepal.Length, 
  type = 'bar'
)
layout(
  bar,
  title = 'Bar Plot', 
  xaxis = list(title = 'Species'),
  yaxis = list(title = 'count')
)

这只是一个普通的条形图，我们可以创建堆积的条形图。 为此我们创建一些自定义数据。

Animals <- c("giraffes", "orangutans", "monkeys")
SF_Zoo <- c(20, 14, 23) 
LA_Zoo <- c(12, 18, 29) 
data <- data.frame(Animals, SF_Zoo, LA_Zoo) 
p <- plot_ly(
  data,
  x = ~Animals, 
  y = ~SF_Zoo, 
  type = 'bar', 
  name = 'SF Zoo'
) %>%
  add_trace(y = ~LA_Zoo, name = 'LA Zoo')
layout(p,yaxis = list(title = 'Count'), barmode = 'stack')

带散点图的折线图

因为我们已经分别创建了折线图和散点图。 现在是时候添加这两个以创建一个包含这两个图表的图表。 为了完成这个，我们需要使用命令add_trace。 首先让我们创建一些数据。

• trace_1从均值为0的正态分布中创建100个随机值

• trace_2从均值为-5的正态分布中创建100个随机值

数据框的头部

head(data)
plot_ly(
  data, 
  x = ~x,
  y = ~trace_1,
  type = 'scatter',
  mode = 'lines+markers', name = 'trace1'
) %>%
  add_trace(
    y = ~trace_2, 
    mode = 'markers', 
    name = 'trace2'
  )

箱子图

Plotly也可以用来创建出色的箱子图。 使用来自mtcars的数据，我们为马力值创建一个箱形图。

attach(mtcars)
glimpse(mtcars)
box <- plot_ly(
  y = ~hp,
  type = 'box'
)
layout(
  box,
  title = 'Box Plot', 
  yaxis = list(title = 'Horse Power')
)

热图

让我们开始创建一些更高级的交互式数据可视化，Plotly从热图开始。对于这个特定练习，我们将使用volcano数据集。

data(volcano)
glimpse(volcano)
dim(volcano)
plot_ly(z = ~volcano,type = 'heatmap')

3D散点图

这是迄今为止Plotly中最酷的交互式数据可视化技巧之一。 对于这张图表，我们将再次使用iris数据集。 并定义三个轴的值。

plot_ly(
  x = ~Sepal.Length,
  y = ~Sepal.Width,
  z = ~Petal.Length,
  type="scatter3d",
  mode = 'markers',
  size = ~Petal.Width, 
  color = ~Species
)

结论

通过阅读文章，您现在应该熟悉R中Plotly的工作情况。Plotly广泛用于仪表板以创建交互式数据可视化。 它在交互方面具有超过ggplot的优势，但可以与ggplot一起使用来创建要推送到云中的图。 那么，现在是时候让你们继续前进，并开始用Plotly创建出色的可视化效果。

完整代码

# 加载R包
if(!require(plotly))
{
  install.packages("plotly")
  require(plotly)
}
library(dplyr)
# 数据查看
attach(iris)
head(iris)
glimpse(iris)
# 散点图
sca <- plot_ly(
  x = ~ Sepal.Length,
  y = ~ Petal.Length,
  type = "scatter"
) 
layout(
  sca,
  title = "Scatter Plot",
  xaxis = list(title = 'Sepal length'),
  yaxis = list(title = 'Petal length')
)
sca <- plot_ly(
  x = ~Sepal.Length,
  y = ~Petal.Length,
  type = 'scatter',
  color = ~Species
)
layout(
  sca,
  title = 'Scatter Plot',
  xaxis = list(title = 'Sepal length'),
  yaxis = list(title = 'Petal length')
)
attach(airquality)
glimpse(airquality)
head(airquality)
ti <- plot_ly(
  y = ~Solar.R, 
  type = 'scatter', 
  mode = 'lines'
)
layout(
  ti,
  title = 'Time Series', 
  yaxis = list(title = 'Solar Reading')
)
ti <- plot_ly(
  y = ~Solar.R, 
  type = 'scatter', 
  mode = 'lines+markers'
)
layout(
  ti,
  title = 'Time Series', 
  yaxis = list(title = 'Solar Reading')
)
# 直方图
hist <- plot_ly(
  x = ~Sepal.Length, 
  type = 'histogram'
)
layout(
  hist,
  title = 'Histogram', 
  xaxis = list(title = 'Sepal length'),
  yaxis = list(title = 'count')
)
# 条形图
bar <- plot_ly(
  x = ~Sepal.Length, 
  type = 'bar'
)
layout(
  bar,
  title = 'Bar Plot', 
  xaxis = list(title = 'Species'),
  yaxis = list(title = 'count')
)
Animals <- c("giraffes", "orangutans", "monkeys")
SF_Zoo <- c(20, 14, 23) 
LA_Zoo <- c(12, 18, 29) 
data <- data.frame(Animals, SF_Zoo, LA_Zoo) 
p <- plot_ly(
  data,
  x = ~Animals, 
  y = ~SF_Zoo, 
  type = 'bar', 
  name = 'SF Zoo'
) %>%
  add_trace(y = ~LA_Zoo, name = 'LA Zoo')
layout(p,yaxis = list(title = 'Count'), barmode = 'stack')
trace_1 <- rnorm(100, mean = 0)
trace_2 <- rnorm(100, mean = -5)
x <- c(1:100)
data <- data.frame(x, trace_1, trace_2)
head(data)
plot_ly(
  data, 
  x = ~x,
  y = ~trace_1,
  type = 'scatter',
  mode = 'lines+markers', name = 'trace1'
) %>%
  add_trace(
    y = ~trace_2, 
    mode = 'markers', 
    name = 'trace2'
  )
# 箱子图
attach(mtcars)
glimpse(mtcars)
box <- plot_ly(
  y = ~hp,
  type = 'box'
)
layout(
  box,
  title = 'Box Plot', 
  yaxis = list(title = 'Horse Power')
)
# 热图
data(volcano)
glimpse(volcano)
dim(volcano)
plot_ly(z = ~volcano,type = 'heatmap')
plot_ly(
  x = ~Sepal.Length,
  y = ~Sepal.Width,
  z = ~Petal.Length,
  type="scatter3d",
  mode = 'markers',
  size = ~Petal.Width, 
  color = ~Species
)

版权声明：作者保留权利，严禁修改，转载请注明原文链接。

数据人网是数据人学习、交流和分享的平台http://shujuren.org 。专注于从数据中学习到有用知识。
平台的理念：人人投稿，知识共享；人人分析，洞见驱动；智慧聚合，普惠人人。
您在数据人网平台，可以1）学习数据知识；2）创建数据博客；3）认识数据朋友；4）寻找数据工作；5）找到其它与数据相关的干货。
我们努力坚持做原创，聚合和分享优质的省时的数据知识！
我们都是数据人，数据是有价值的，坚定不移地实现从数据到商业价值的转换！

加入数据人圈子或者商务合作，请添加笔者微信。

点击阅读原文，进入数据人网，获取数据知识。

公众号推荐：

链达君，专注于分享区块链内容。

脚印英语，专注于分享英语口语内容。