(数据科学学习手札55)利用ggthemr来美化ggplot2图像
一、简介
R中的ggplot2是一个非常强大灵活的数据可视化包,熟悉其绘图规则后便可以自由地生成各种可视化图像,但其默认的色彩和样式在很多时候难免有些过于朴素,本文将要介绍的ggthemr包专门针对原生ggplot2图像进行美化,掌握它之后你就可以创作出更具特色和美感的数据可视化作品。
二、基础内容
2.1 安装
不同于常规的R包,ggthemr并没有在CRAN上发布,因此我们需要使用devtools中的install_github()直接从github上安装它,参照github上ggthemr的项目说明页:
library(devtools) install_github('cttobin/ggthemr')
笔者在遵循上述步骤时不太顺利,遇到了如下错误:
不过不用担心,按照上述的错误提示,我们打开对应目录,找到了对应的压缩包:
实际上我们通过上述语句已经将ggthemr的压缩包下载到本地如上图所示,所以我们可以很容易地使用手动安装本地压缩包的形式来完成ggthemr的安装(注意要吧.tar格式改为.tar.gz格式,我想这可能是install_github()安装失败的原因):
经过上述步骤我们便完成了ggthemr的安装准备工作;
2.2 傻瓜式用法
在我之前写得某篇文章中使用过Python中matplotlib.pyplot.style,仅仅使用style.use()这个语句,便可傻瓜式地载入各种精美的自适应绘图主题,在ggthemr中也有类似的功能,我们在利用ggplot2创建图像的语句之前,加上ggthemr('主题名称'),便可简单套用多种内建主题,下面是几个简单的例子:
rm(list=ls())
library(ggplot2)
library(ggthemr) data(mpg)
data <- mpg #chalk风格
ggthemr('chalk')
p1 <- ggplot(data=data, aes(displ, hwy))+
geom_point(mapping = aes(shape=factor(cyl)))+
geom_smooth(mapping = aes(displ,hwy,colour=factor(cyl)))
print(p1)
#dust风格
ggthemr('dust')
p2 <- ggplot(data=data, aes(displ, hwy))+
geom_point(mapping = aes(shape=factor(cyl)))+
geom_smooth(mapping = aes(displ,hwy,colour=factor(cyl)))
print(p2)
#flat风格
ggthemr('flat')
p3 <- ggplot(data=data, aes(displ, hwy))+
geom_point(mapping = aes(shape=factor(cyl)))+
geom_smooth(mapping = aes(displ,hwy,colour=factor(cyl)))
print(p3)
而官方文档中提到可以用ggthemr_reset()来恢复ggplot2默认风格,但笔者经过实践发现这个函数并不能彻底抹除之前施加的主题模式,因此这里不细说,读者们可以自行尝试;
三、自定义主题
尽管ggthemr内建了很多风格迥异的主题,有的过于花哨,有的又过于商务硬朗,除了直接套用这些主题,我们还可以自己创建新的主题以加入自己对构图的想法:
3.1 Palettes(调色板)
palette决定了图像中所有元素的颜色,包括所有图层、背景、网格线等,而swatch则专门用于控制图层元素的配色方案,我们使用define_palette()来构造自定义调色方案,其主要参数如下:
swatch:一个颜色向量,用于定义图层元素的配色方案(要注意图像中需要用到的色彩数量要小于等于swatch的向量长度,否则会报错)
gradient:一个长度为2的向量,lower位置和upper位置用于控制梯度色彩的上下限
background:设置背景色彩
text:设置文本部分的字体颜色
line:设置坐标轴颜色
gridline:控制网格线的颜色
下面我们自定义一个色彩简单的主题:
demo <- define_palette(
swatch = c('black', 'red', 'green', 'blue', 'brown', 'purple', 'yellow'),
gradient = c(lower = 'red', upper = 'green')
) ggthemr(demo)
下面来看看应用上述主题之后的图像效果:
rm(list=ls())
library(ggplot2)
library(ggthemr) data(mpg)
data <- mpg demo <- define_palette(
swatch = c('black', 'red', 'green', 'blue', 'brown', 'purple', 'yellow'),
gradient = c(lower = 'red', upper = 'green')
) ggthemr(demo)
p <- ggplot(data=data, aes(displ, hwy))+
geom_point(mapping = aes(shape=factor(cyl)))+
geom_smooth(mapping = aes(displ,hwy,colour=factor(cyl)))
print(p)
因为我们的demo主题中还设置了色彩梯度,下面我们绘制密度图(此例来自我的(数据科学学习手札38)ggplot2基本图形简述):
data <- data.frame(matrix(rnorm(),nrow=))
p <- ggplot(data, aes(x = X1, y = X2)) +
stat_density2d(aes(fill = ..density..), geom = "raster", contour = F)
p
可以看到,密度图中色彩在预设的红色与绿色之间过渡;
3.2 ggthemr()的其他关键参数
前文中我们使用函数ggthemr()来挂载主题,而除了最关键的主题参数之外,ggthemr()还有若干控制其他图像样式的参数,如下:
layout:用于网格线样式,有clean、clear、minimal、plain、scientific可选,默认clear
spacing:用于控制图像在图床上的紧凑程度,越高意味着图像被挤压得越严重,默认1.6,下面分别为0,1,2时的示例:
text_size:用于控制文本部分字体大小,默认12
type:用于控制背景区域填充的形式,当'inner'时如下:
当设置为'outer'时如下:
line_weight:设置坐标轴和网格线的宽度,默认0.5
set_theme:逻辑型变量,控制是否启动palette传入的主题,默认为TRUE
3.3 微调图像对比度
ggthemr中十分贴心地提供了调节图像对比度的函数,具体如下:
darken_swatch()
/ lighten_swatch()
: 暗化或亮化所有图形元素的对比度
darken_gradient()
/ lighten_gradient()
: 暗化或亮化所有梯度元素的对比度
darken_palette()
/ lighten_palette()
: 暗化或亮化所有元素的对比度
下面是简单的示例:
rm(list=ls())
library(ggplot2)
library(ggthemr) data(mpg)
data <- mpg ggthemr('chalk')
p1 <- ggplot(data=data, aes(displ, hwy))+
geom_point(mapping = aes(shape=factor(cyl)))+
geom_smooth(mapping = aes(displ,hwy,colour=factor(cyl)))
print(p1)
下面我们来分别调低和调高全局色彩对比度:
darken_palette(amount = 0.5)
print(p1)
lighten_palette(amount = 0.5)
print(p1)
以上就是本文的全部内容,如有笔误望指出。
参考资料:https://github.com/cttobin/ggthemr
(数据科学学习手札55)利用ggthemr来美化ggplot2图像的更多相关文章
- (数据科学学习手札57)用ggplotly()美化ggplot2图像
一.简介 经常利用Python进行数据可视化的朋友一定用过或听说过plotly这样的神器,我在(数据科学学习手札43)Plotly基础内容介绍中也曾做过非常详细的介绍,其渲染出的图像以浏览器为载体,非 ...
- (数据科学学习手札50)基于Python的网络数据采集-selenium篇(上)
一.简介 接着几个月之前的(数据科学学习手札31)基于Python的网络数据采集(初级篇),在那篇文章中,我们介绍了关于网络爬虫的基础知识(基本的请求库,基本的解析库,CSS,正则表达式等),在那篇文 ...
- (数据科学学习手札47)基于Python的网络数据采集实战(2)
一.简介 马上大四了,最近在暑期实习,在数据挖掘的主业之外,也帮助同事做了很多网络数据采集的内容,接下来的数篇文章就将一一罗列出来,来续写几个月前开的这个网络数据采集实战的坑. 二.马蜂窝评论数据采集 ...
- (数据科学学习手札44)在Keras中训练多层感知机
一.简介 Keras是有着自主的一套前端控制语法,后端基于tensorflow和theano的深度学习框架,因为其搭建神经网络简单快捷明了的语法风格,可以帮助使用者更快捷的搭建自己的神经网络,堪称深度 ...
- (数据科学学习手札42)folium进阶内容介绍
一.简介 在上一篇(数据科学学习手札41)中我们了解了folium的基础内容,实际上folium在地理信息可视化上的真正过人之处在于其绘制图像的高度可定制化上,本文就将基于folium官方文档中的一些 ...
- (数据科学学习手札40)tensorflow实现LSTM时间序列预测
一.简介 上一篇中我们较为详细地铺垫了关于RNN及其变种LSTM的一些基本知识,也提到了LSTM在时间序列预测上优越的性能,本篇就将对如何利用tensorflow,在实际时间序列预测任务中搭建模型来完 ...
- (数据科学学习手札36)tensorflow实现MLP
一.简介 我们在前面的数据科学学习手札34中也介绍过,作为最典型的神经网络,多层感知机(MLP)结构简单且规则,并且在隐层设计的足够完善时,可以拟合任意连续函数,而除了利用前面介绍的sklearn.n ...
- (数据科学学习手札32)Python中re模块的详细介绍
一.简介 关于正则表达式,我在前一篇(数据科学学习手札31)中已经做了详细介绍,本篇将对Python中自带模块re的常用功能进行总结: re作为Python中专为正则表达式相关功能做出支持的模块,提供 ...
- (数据科学学习手札69)详解pandas中的map、apply、applymap、groupby、agg
*从本篇开始所有文章的数据和代码都已上传至我的github仓库:https://github.com/CNFeffery/DataScienceStudyNotes 一.简介 pandas提供了很多方 ...
随机推荐
- execl execv
int execl(const char *path, const char *arg, ...); 函数说明 execl()其中后缀"l"代表list也就是参数列表的意思第一参数 ...
- jq复制到剪切板插件clipboard.min.js(兼容IE9)
/*! * clipboard.js v1.5.5 * https://zenorocha.github.io/clipboard.js * * Licensed MIT 漏 Zeno Rocha * ...
- Codeforces Round #441 (Div. 2)【A、B、C、D】
Codeforces Round #441 (Div. 2) codeforces 876 A. Trip For Meal(水题) 题意:R.O.E三点互连,给出任意两点间距离,你在R点,每次只能去 ...
- c++抽象类,纯虚函数
- calayer defaultValueForKey
例如:我们新建一个SubLayer类继承自CALayer,则在SubLayer.m中重写此方法.如下: + (id)defaultValueForKey:(NSString *)key { if ([ ...
- BZOJ1861:[ZJOI2006]书架(Splay)
Description 小T有一个很大的书柜.这个书柜的构造有些独特,即书柜里的书是从上至下堆放成一列.她用1到n的正整数给每本书都编了号. 小T在看书的时候,每次取出一本书,看完后放回书柜然后再拿下 ...
- gluoncv rpn 正负样本
https://github.com/dmlc/gluon-cv/blob/master/gluoncv/model_zoo/rpn/rpn_target.py def forward(self, i ...
- 好用的纯CSS加载动画-spinkit
首先放一个css spinkit <style> .loaders{ width: 100%; height: 100%; padding: 100px; box-sizing: bor ...
- PAT——1034. 有理数四则运算
本题要求编写程序,计算2个有理数的和.差.积.商. 输入格式: 输入在一行中按照“a1/b1 a2/b2”的格式给出两个分数形式的有理数,其中分子和分母全是整型范围内的整数,负号只可能出现在分子前,分 ...
- 【luogu P1955 [NOI2015]程序自动分析】 题解
题目链接:https://www.luogu.org/problemnew/show/P1955 并查集操作,1e9要离散化,数组要开大一些,操作前先执行合并操作 样例好毒啊(全是排好序的) #inc ...