資料視覺化習作 (B4)

# 資料下載處 https://www.kaggle.com/residentmario/ramen-ratings, 
# 或由此下載

 

# ex-dv2.r

# https://leemeng.tw/data-visualization-from-matplotlib-to-ggplot2.html

# for R-3.5.1

# B4

 

# R VISUALIZATION GGPLOT2 資料視覺化

# 這篇主要描述自己以往在利用 Python 做資料視覺化 (data visualization) 時常犯的思維瑕疵，

# 而該思維如何在接觸 R 的 ggplot2 以後得到改善。

 

# 本文會試著說明資料視覺化的本質為何，以及在設計視覺化時，概念上應該包含什麼要素以及步驟。

# 最後展示如何透過 ggplot2 活用前述的概念，來實際做資料視覺化。

 

# 目錄

# 資料視覺化是資料與圖的直接映射？

# 資料視覺化應該是 ..

# ggplot2 實踐

# 結語

# References

# 資料視覺化是資料與圖的直接映射？

# 就一個 Python 起家的資料科學家，在做資料視覺化的時候，

# 我很自然地使用 Python ecosystem 裡像是 matplotlib 以及 seaborn 等繪圖 packages。

# 針對手中的資料，我會想辦法找到一個「對應」的圖然後把資料塞進去。

 

# 舉例來說，當我們手上有三個變數 x, y, z 且其各自的資料型態為：

 

# x: 定量變數 (quantitative)

# y: 定量變數

# z: 定性變數（categorical）

# 我們想要進行資料視覺化的時候有幾種選擇：

 

# 想分析 x, y -> 都是定量資料 -> 散佈圖 (scatter plot)

# 想分析 x, z -> 一定量一定性 -> 長條圖 (bar chart)

# 在這，「資料視覺化」的定義是一種映射關係 (mapping)：

# 也就是如何將資料直接對應到某個「特定」圖表形式（折線圖、散佈圖 etc.）。

# 基本上這種映射關係在做簡單的分析的時候沒有什麼問題，

# 但是當想要同時分析/呈現的變數超過兩個 （例： x & y & z ）的時候就不容易找到適合的圖。

# 一個折衷的方法是我們把變數兩兩畫圖做比較，但這樣會侷限我們能分析的資料維度數目，錯過一些有趣的洞見。

 

# 資料視覺化應該是 ..   先確認觀眾及目的

# 在完成一些 ggplot2 的 tutorials 後，可以發現資料視覺化一般依用途可以分為兩種：

 

# 探索、了解資料特性

# 說故事：將探索過後得到的洞見 (insight) 傳達給其他人

 

# Image Credit : 搞清楚資料視覺化的目的以及觀眾是重要的第一步 

 

# B4-1 資料視覺化的第一步是 (                             )

# B4-2 資料視覺化的用途有二：(1) (              )，(2) (               )

 

# 依照目的以及觀眾的不同，資料視覺化的方式會有所不同。

# 一個常見的例子是當我們第一次接觸某個資料集。

# 這時候資料視覺化的觀眾是自己，目的是在最短的時間了解資料特性。

# 則這時我們在做圖的時候的要求就可以很寬鬆，像是不加上標題，或是只要能做出自己能理解的視覺化即可。

 

# 正式定義

# 在確認觀眾及目的以後，我們終於可以開始進行資料視覺化了！

# 資料視覺化的定義因人而異，而這邊我想給出一個非常直觀的定義：

 

# 資料視覺化是將資料中的變數映射到視覺變數上，進而有效且有意義地呈現資料的樣貌

 

# 一些常見且肉眼容易識別的視覺變數 / 刻度（visual variables / scales）包含：

 

# 位置（x / y axis）

# 顏色（color）

# 大小（size）

# 透明程度（alpha）

# 填滿（fill）

# 形狀（shape）

 

# 用更口語的方式來解釋：在做資料視覺化的時候，我們希望能將

# 肉眼難以分析的資料

# 對應到：

# 肉眼容易解讀的視覺元素

 

# 透過這個映射關係，我們可以將原本的變數的數值變化也映射到視覺變數的變化。

# 而因為人類容易區別視覺變數的變化（位置差異、大小長度變化 etc），

# 我們能更容易地理解原始資料的樣貌、變化以及模式。

 

# 舉例來說，我們可以：

 

# 把不同捷運路線（文湖線、板南線）對應到不同顏色

# 把各國的 GDP 對應到點的大小

# 把某個資料的年份對應到 Ｘ 軸，越右邊代表越接近現代

 

# 一個簡單例子

# 事實上，我們可能平常每天都在做資料視覺化而不自知。比方說我們有一個數列 y：

 

# y = [-2.055, -1.132, -0.522, -1.229, 0.013 .. ]

# 光是看這個數字，肉眼無法看出什麼模式，但我們可以簡單畫個圖：

 

# 這邊我們利用視覺變數「Y軸位置」來呈現數值的變化，

# 可以馬上看出數列裡頭的值都落在 -3 到 3 之間，而這是因為我們肉眼很容易辨別「位置」這個視覺變數的變化。

 

# 圖像的分層文法

# 在 A Layered Grammar of Graphics 裡頭，Hadley Wickham 闡述所謂的圖像（包含由資料視覺化產生的圖像）

# 實際上如同我們平常使用的語言，是有文法的。而其文法可以拆成 7 個部分（層）。

 

# 前述的

# 原始資料 = 資料層（Data）

# 視覺變數層（Visual variables = Aesthetics）

# 則恰好是這個架構裡頭最底下的兩層。

# 視覺變數是作者為了方便理解建立的名詞，在原文以及 ggplot2 裡頭被稱作 Aesthetics。

# （中文翻作「美學」，當初看好久也無法理解啊 (╯°Д°)╯ ┻━┻）

 

# Image Credit : 圖像的分層文法 

# 看到這你一定會「哇靠那我每次畫個圖都要實作七層？」。

# 實際上不需要，

# 上面幾層像是主題（Theme）比較像是裝飾品，給我們更大的自由與彈性來訂製（customize）視覺化結果。

# 在下一節我們會看到，ggplot2 會自動幫我們設定合適的主題或座標。（如果沒特別指定的話）

 

# 但一般而言，一個圖像最基本的組成是底下三層。也就是除了前述的兩層（資料、視覺變數）以外還需要加上

 

# 幾何圖形層（Geometries）

# 為何還要這層？假如我們有了資料，決定了視覺變數

# （第二層，例：把資料中的變數 A 對應到 X 軸；變數 B 對應到 Y 軸）後，

# 實際上就可以畫一個充滿點（point）的散佈圖了不是嗎？

 

# 這樣的思維如同資料視覺化是資料與圖的直接映射？部分所提到的，有所瑕疵。

# 如果變數 A 是分類型變數（Categorical）的話，單純以點為圖形的散佈圖就會變得十分難以理解（下圖左）；

# 這時候以長條為圖形（下圖右）的方式會比較清楚：

 

# 獨立幾何圖形層 : 

# 讓資料視覺化不再侷限於「我要畫什麼圖」，而是「我想要怎麼畫」 

 

# 將「幾何圖形」這個選擇獨立出來一層讓我們在資料視覺化的時候有更大的彈性。

# 有了這些基本概念以後，我們可以開始嘗試使用 ggplot2 來實際做一些資料視覺化。

 

# ggplot2 實踐

# 在這個章節裡頭我們將使用 Kaggle 的 Ramen Ratings 來做資料視覺化。

# 這資料集紀錄了各國泡麵所得到的星星數。

# 首先我們要先載入這次的主角：R 語言裡頭最著名的視覺化 package ggplot2。

# dplyr 則是 R 語言用來處理資料的 package。

 

setwd("d:/temp0922")

getwd()

# 載入 packages

library(ggplot2)

library(dplyr)

 

# 值得一提的是它們都是同屬於 TidyVerse 的一員。

# TidyVerse 是 R 裡頭常被用來做資料科學的 packages 的集合，

# 以 Python 來說大概就像是 Pandas + Matplotlib + Numpy 的感覺吧。

 

# 載入資料 + 簡單資料處理

# 如下註解所示，這邊將資料集讀入，

# 做一些簡單的資料型態轉變後選擇一部分的資料集（subset）來做之後的視覺化：

 

# 資料下載處 https://www.kaggle.com/residentmario/ramen-ratings

 

# 將 CSV 檔案載入成資料框架（dataframe）

ramen_all <- read.csv("datasets//ramen-ratings.csv")

 

summary(ramen_all)

 

# 將「星星數」轉成定量資料

ramen_all$Stars <- as.numeric(ramen_all$Stars) 

summary(ramen_all)

 

# B4-3: 將「星星數」轉成定量資料的指令為： as.(            )

 

# Subset 資料，選擇 Ramen(拉麵)數量前幾多的國家方便 demo

ramen <- ramen_all %>%

  filter(Country %in% count(ramen_all, Country, sort = TRUE)[1:6, 1, drop=TRUE]) %>%

  filter(Style %in% count(ramen_all, Style, sort = TRUE)[1:4, 1 , drop=TRUE])

 

# 除了我們使用 dplyr 的 filter 依照條件 subset 資料集以外，

# 值得一提的是 pipe 運算子 %>%。它是前面提到的 TidyVerse 裡頭的 packages 共享的介面（interface），

# 將前一個函示的輸出當作下一個函式的輸入，讓我們可以把運算全部串（chain）在一起。

# 在 Linux 裡頭就是如同 | 的存在。

 

# 而實際我們的資料長這樣：

 

head(ramen)

 

# 簡單資料視覺化

# 有了資料，讓我們再確定一下資料視覺化的目的及觀眾：

 

# 目的：探索資料

# 觀眾：我們自己

# 這樣的條件讓我們知道視覺化的條件是快速做出結果，不需調整如標題、主題的設定。

 

# 現在讓我們問一些簡單的問題。像是

 

# 泡麵的包裝（碗裝、袋裝等）各佔多少比例？

# 不同國家各有多少泡麵在資料集裡頭？

# 不同包裝的泡麵所得到的星星總數，在不同國家有什麼差異嗎？

# 其中一種能解決第一個問題的資料視覺化是：

 

ggplot(ramen, aes(x = Style)) + geom_bar()

 

# 在 ggplot(ramen, aes(x = Style)) + geom_bar()

# 裡頭，我們實際上已經建構了圖表最基礎的三層元素：

 

# (1) 資料層： ramen 告訴 ggplot2 使用此資料框架

# (2) 視覺變數層： aes(x = Style) 告訴 ggplot2 我們將使用「 X 軸位置」這個視覺變數來反映泡麵包裝 Style 這個變數的變化

# 因為包裝的值有四種可能，你可以想像 ggplot2 已經準備好要幫你在 X 軸上的四個位置畫圖

# aes 是我們前面提到 aesthetics 的縮寫

# (3) 幾何圖形層： geom_bar() 告訴 ggplot 去計算對應到 x 視覺變數的變數裡頭，所有值的出現次數後將結果以長條來呈現

# 我們通常透過 + 來疊加不同層的結果。

 

# 基本層數缺一不可

# 上面的例子很簡單，但假如我們沒有指定幾何圖形層的話，圖會長什麼樣子呢？

 

ggplot(ramen, aes(x = Style))

 

# 就像我們剛剛所說的，雖然 ggplot2 已經知道要用什麼資料框架、要用什麼視覺變數，

# 不知道要用什麼圖形表示的話就會是空白一張圖。

 

# 另個簡單例子

# 讓我們依樣畫葫蘆，來解決第二個問題：

 

# 不同國家各有多少泡麵在資料集裡頭？

ggplot(ramen, aes(x = Country, fill = Style)) + 

geom_bar() + 

coord_flip()

 

# 這邊有兩個值得注意的地方：

 

# 除了基本的三層以外，我們透過 + coord_flip() 額外對座標層（Coordinates）做操作，

# 請 ggplot2 把 x, y 軸互換。

# 透過 aes(..., fill = Style) 裡頭的 fill = Style ，

# 我們告訴 ggplot2 將長條圖裡頭的填滿空間（fill）這個視覺變數，依照泡麵包裝（Style）做變化

 

# 第二點是在做資料視覺化的時候，想辦法增加資料墨水量（Data Ink Ratio）的例子。

# 透過增加顯示在同張圖上的變數數目，進而提高該圖能傳達的訊息量。

 

# 舉例而言，我們可以很明顯地看到，

# 在這資料集裡頭，台灣的杯裝泡麵（Cup）沒有被記錄到多少；

# 而日本被記錄到的泡麵量最多，且袋裝（Pack）數目最多。

# 這些是在我們沒有用「填滿」這個視覺變數時無法察覺的。而在 ggplot2 裡，要實現這種視覺化非常容易。

 

# 複雜例子

# 讓我們解決最後一個問題：

 

# 不同包裝的泡麵所得到的星星總數，在不同國家有什麼差異嗎？

# 資料視覺化一個有趣的地方就是：同個問題不同的人會有不同的做法。而針對這問題其中一種做法是：

 

# 將包裝 Style 對應到 X 軸、星星數 Stars 對應到 Y 軸，然後使用長條 geom_bar 顯示數值

# 依照每個國家重複步驟一

# 而 ggplot2 的實作為：

 

ggplot(ramen, aes(x = Style, y = Stars)) +

geom_bar(stat = "identity") + 

facet_wrap( ~ Country)

 

 

# 實際上在上面的程式碼裡頭，我們多操作了額外兩層：

 

# 統計層（Statistics）：專門負責匯總資料

# 小平面層（Facets）：依照選定的變數分別畫圖，如上述的步驟二

# 首先 ggplot2 的 geom_bar 預設只需要 x 視覺變數，因

# 為匯總資料的統計層會把 x 依照不同的值分別計數（也就是各個包裝的數量），

# 然後讓 geom_bar 顯示。但我們並不希望 geom_bar 使用這個數值，

# 因此使用 geom_bar 裡頭的 stat = "identity" 是告訴統計層不要分別計數，而是使用我們給定的星星數 y 。

 

# 而 facet_wrap( ~ Country) 則是告訴小平面層依照 Country 這個變數重複畫

 

ggplot(ramen, aes(x = Style, y = Stars)) +

geom_bar(stat = "identity")

 

# 注意所有的圖的 x, y 軸都是一致的，方便我們做比較。

 

# 結語

# 資料視覺化需要統計知識以及設計美感，涵蓋範圍非常廣大。

# 資料視覺化感覺都可以打個系列文了。但最後再次重申資料視覺化的定義：

 

# 資料視覺化是將資料中的變數映射到視覺變數上，進而有效且有意義地呈現資料的樣貌

 

# 總之先確認你的觀眾與目的，選好你想要觀察的變數，選擇適當的視覺變數做可視化吧！

 

# References

# DataCamp - Data Visualization with ggplot2 (Part 1)

# r-statistics.co - ggplot2 tutorial

# Safari - Data Visualization in R With ggplot2

# Post Tags R visualization ggplot2 資料視覺化

 

 

# B4-4  圖像的分層文法將圖像元素拆成 7 個部分（層）：

# 以泡麵的包裝（碗裝、袋裝等）各佔多少比例？ ggplot(ramen, aes(x = Style)) + geom_bar() 程式碼為例

# (1) (            )層：原始資料（Data），ramen 告訴 ggplot2 使用此資料框架

# (2) (            )層：（Visual variables = Aesthetics）

#                   aes(x = Style) 告訴 ggplot2 我們將使用「 X 軸位置」這個視覺變數來反映泡麵包裝 Style 這個變數的變化

# (3) (            )層：Geometries, geom_bar() 告訴 ggplot 去計算對應到 x 視覺變數的變數裡頭，

#                   所有值的出現次數後將結果以長條來呈現

# 再以不同包裝的泡麵所得到的星星總數，在不同國家有什麼差異嗎？程式碼如下：

# ggplot(ramen, aes(x = Style, y = Stars)) + geom_bar(stat = "identity") + 

# facet_wrap( ~ Country)

# 

# (4) (            )層：Facets, 依照選定的變數分別畫圖，如 facet_wrap( ~ Country) 是告訴本層

#                   依照 Country 這個變數重複畫

# (5) (            )層：Statistics, 專門負責匯總資料，如使用 geom_bar 裡頭的 stat = "identity" 

#                       是告訴統計層不要分別計數，而是使用我們給定的星星數 y 。

#

# 最後以不同國家各有多少泡麵在資料集裡頭？

# ggplot(ramen, aes(x = Country, fill = Style)) + geom_bar() + 

# coord_flip()

# (6) (            )層：Coordinates, 透過 + coord_flip() 額外對座標層（Coordinates）做操作，

#                   請 ggplot2 把 x, y 軸互換。 

# (7) (            )層：Theme,主題（Theme）比較像是裝飾品，給我們更大的自由與彈性來訂製（customize）視覺化結果。