[数据分析与可视化] 数据绘图要点4-饼图的问题
数据绘图要点4-饼图的问题
本文让我们了解有史以来被批评最多的图表类型:饼图。
坏的定义
饼图是一个圆,分为多个部分,每个部分代表整体的一部分。它通常用于显示百分比,其中扇区的总和等于100%。问题是人类在阅读角度方面非常糟糕。在相邻的饼图中,尝试找出最大的一组,并尝试按值对它们进行排序。您可能很难这样做,这就是必须避免使用饼图的原因。让我们尝试比较3个饼图。尝试了解在这3个图形中哪个组的值最高。此外,尝试弄清楚群体之间的价值演变是什么。
# Libraries
library(tidyverse)
library(hrbrthemes)
library(viridis)
library(patchwork)
# create 3 data frame 创建数据
data1 <- data.frame( name=letters[1:5], value=c(17,18,20,22,24) )
data2 <- data.frame( name=letters[1:5], value=c(20,18,21,20,20) )
data3 <- data.frame( name=letters[1:5], value=c(24,23,21,19,18) )
# 查看数据
data1
data2
data3
name | value |
---|---|
<fct> | <dbl> |
a | 17 |
b | 18 |
c | 20 |
d | 22 |
e | 24 |
name | value |
---|---|
<fct> | <dbl> |
a | 20 |
b | 18 |
c | 21 |
d | 20 |
e | 20 |
name | value |
---|---|
<fct> | <dbl> |
a | 24 |
b | 23 |
c | 21 |
d | 19 |
e | 18 |
# 定义绘图函数
plot_pie <- function(data, vec){
ggplot(data, aes(x="name", y=value, fill=name)) +
# 饼图要先绘制条形图
geom_bar(width = 1, stat = "identity") +
# 改为极坐标系
coord_polar("y", start=0, direction = -1) +
# 设置填充颜色
scale_fill_viridis(discrete = TRUE, direction=-1) +
# 显示文字
geom_text(aes(y = vec, label = rev(name), size=4, color=c( "white", rep("black", 4)))) +
scale_color_manual(values=c("black", "white")) +
theme(
legend.position="none",
plot.title = element_text(size=14),
panel.grid = element_blank(),
axis.text = element_blank()
) +
xlab("") +
ylab("")
}
a <- plot_pie(data1, c(10,35,55,75,93))
b <- plot_pie(data2, c(10,35,53,75,93))
c <- plot_pie(data3, c(10,29,50,75,93))
a + b + c
现在,让我们使用条形图barplot表示完全相同的数据:
# 定义绘图函数
plot_bar <- function(data){
ggplot(data, aes(x=name, y=value, fill=name)) +
# 绘制条形图
geom_bar(stat = "identity") +
# 设置填充颜色
scale_fill_viridis(discrete = TRUE, direction=-1) +
scale_color_manual(values=c("black", "white")) +
theme(
legend.position="none",
plot.title = element_text(size=14),
panel.grid = element_blank(),
) +
ylim(0,25) +
xlab("") +
ylab("")
}
a <- plot_bar (data1)
b <- plot_bar (data2)
c <- plot_bar (data3)
a + b + c
让我们谈谈使用图表的原因。
- 图表是获取信息并使其更易于理解的一种方式。
- 一般来说,图表的目的是更容易比较不同的数据集。
- 图表能够在不增加复杂性的情况下传达越多越好的信息。
正如您通过对比图片可以看到,饼图难以直观表现数据间的差异,而条形图正好相反,可以清晰看到不同数据的差别。饼图没法比较各种不同的值,而且也没法传达更多的信息。
解决方案
条形图,柱状图是饼图的最佳替代品。如果你有很多值要显示,你也可以考虑一个在我看来更优雅一点的棒棒糖图。以下是基于世界上少数国家/地区销售的重要物品数量的展示示例:
# 从github加载数据
data <- read.table("https://raw.githubusercontent.com/holtzy/data_to_viz/master/Example_dataset/7_OneCatOneNum.csv", header=TRUE, sep=",")
# 清除空值数据
data <- filter(data,!is.na(Value))
nrow(data)
head(data)
# 排列数据
data<- arrange(data,Value)
# 将Contry转换为factor项,来表示分类数据
data<- mutate(data,Country=factor(Country, Country))
# 绘图
ggplot(data,aes(x=Country, y=Value) ) +
# 定义数据轴
geom_segment( aes(x=Country ,xend=Country, y=0, yend=Value), color="grey") +
# 绘制点
geom_point(size=3, color="#69b3a2") +
# x,y轴调换
coord_flip() +
# 设置主题
theme(
# 将内部线条设置为空
panel.grid.minor.y = element_blank(),
panel.grid.major.y = element_blank(),
legend.position="none"
) +
# 原来x轴也就是现在图像中y轴的轴标题设置为空
xlab("")
38
Country | Value | |
---|---|---|
<fct> | <int> | |
1 | United States | 12394 |
2 | Russia | 6148 |
3 | Germany (FRG) | 1653 |
4 | France | 2162 |
5 | United Kingdom | 1214 |
6 | China | 1131 |
如果您的目标是描述整体的组成,另一种可能性是创建树状图。
# Package
# 导入专门的包
library(treemap)
# Plot 绘图
treemap(data,
# data
index="Country",
vSize="Value",
type="index",
# 设置颜色
title="",
palette="Dark2",
# Border 边界框设置
border.col=c("black"),
# 边界框线宽
border.lwds=3,
# Labels 设置标签颜色
fontcolor.labels="white",
# 设置字体
fontface.labels=2,
# 设置标签位置
align.labels=c("left", "top"),
# 设置面积越大,标签越大
inflate.labels=T,
# 设置显示标签等级,越小显示的标签越少
fontsize.labels=5
)
参考
本文来自博客园,作者:落痕的寒假,转载请注明原文链接:https://www.cnblogs.com/luohenyueji/p/16970187.html
![](https://gitcode.net/LuohenYJ/article_picture_warehouse/-/raw/main/wechat/content/%E5%8A%A0%E6%B2%B9%E9%B8%AD.gif)