ggplot2-标度、坐标轴和图例_ggplot中ylab-程序员宅基地

技术标签：笔记

1. 简介

==标度（scale）==控制着数据到图形属性的映射。标度将数据转化为视觉上可见的东西：例如大小、颜色、位置或形状。标度也为我们提供了读图时所使用的工具：坐标轴和图例。更准确地说，每一种标度都是从数据空间的某个区域（标度的定义域）到图形属性空间的某个区域（标度的值域）的一个函数。坐标轴和图例互为逆函数：它允许将可视化的属性映射回数据中

标度可以分为四部分：连续的位置标度、颜色标度、人工标度、同一型标度

2. 调整标度

在图上使用每个图形属性都需要使用标度

ggplot(mpg, aes(displ, hwy)) + geom_point(aes(color = class))

在这里插入图片描述

实际发生的是这样的

ggplot(mpg, aes(displ, hwy)) + geom_point(aes(color = class)) + 
	scale_x_continuous() +
	scale_y_continuous() +
	scale_color_discrete()

默认的标度是根据图形属性的变量类型进行命名的：如scale_y_continuous()、scale_color_discrete()等

每次在一个新的标度上加一个新的图形属性十分啰嗦，ggplot2会默认帮忙完成这些工作。不过，如果想要修改默认值的话，需要自己添加标度

ggplot(mpg, aes(displ, hwy)) +
	geom_point(aes(color = class)) +
	scale_x_continuous("A really awesome x axis label") +
	scale_y_continuous("An amazingly great y axis label")

在这里插入图片描述

使用+号来把标度“添加”到图中容易引起误解。当+上标度时，实际上并不是真的给图形增加了一个标度，而是覆盖了默认的标度

下面的两代码是等价的

ggplot(mpg, aes(displ, hwy)) +
	geom_point() +
	scale_x_continuous("Label 1") +
	scale_x_continuous("Label 2")

ggplot(mpg, aes(displ, hwy)) +
	geom_point() +
	scale_x_continuous("Label 2")

可以使用不同的标度

ggplot(mpg, aes(displ, hwy)) +
	geom_point(aes(color = class)) +
	scale_x_sqrt() +
	scale_color_brewer()

在这里插入图片描述

标度是由三个分离的"_"组成

scale
图形属性的名字（例如：color、shape、x）
标度的名字（例如：continuous、discrete、brewer）

3. 指南：图例和坐标轴

一般最想调整的标度成分是guide（“指南”），即与标度相关的坐标轴或图例
指南允许从图形中读取观察值并映射会它们原始的值
在ggplot2中，不需要直接控制图例，而是需要建立数据，以便在数据和图形属性间有清晰的映射，并且图例也会自动生成

坐标轴和图例是同一种类型的东西，虽然它们看起来不太像，但是它们有很多天然的对应

坐标轴	图例	参数名称
标签	标题	name
刻度标线和网格线	关键字	breaks
刻度标记	关键字标签	labels

1. 标度标题

标度函数name的第一个参数是坐标轴或图例标题，内容可以是字符串（使用\n来断行）或在quote()中的数学表达式（使用?plotmath来查看详细的描述）

df <- data.frame(x = 1:2, y = 1, z = "a")
p <- ggplot(df, aes(x, y)) + geom_point()
p + scale_x_continuous("X axis")
p + scale_x_continuous(quote(a + mathematical ^ expression))

在这里插入图片描述

因为调整这些标签是很常见的工作，所以有快捷方式
xlab()、ylab()和labs()

p <- ggplot(df, aes(x, y)) + geom_point(aes(color = z))
p + xlab("X axis") + ylab("Y axis")
p + labs(x = "X aixs", y = "Y axis", color = "Color\nlegend")

在这里插入图片描述

有两种方式来修改坐标轴标签。设置为“”可忽略标签但是仍然为其分配空间；设置为NULL可以移除标签和它的空间

p <- ggplot(df, aes(x, y)) +
	geom_point() +
	theme(plot.background = element_rect(color = "grey50"))

p + labs(x = "", y = "")
p + labs(x = NULL, y = NULL)

在这里插入图片描述

本文链接：https://blog.csdn.net/Arkardia/article/details/121851762

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

十进制小数部分如何转化成二进制算法实现_小数进制转换编程-程序员宅基地

文章浏览阅读483次。十进制小数转化成二进制，就是不断地乘二，判断之后的这个数是否比1大，比1大则输出输出1，留下小数部分继续前面的操作。将3.75的小数部分转化为二进制。最后的输出结果是.11。_小数进制转换编程

免费OFD文件在线转PDF_在线生成一个 ofd文件-程序员宅基地

文章浏览阅读739次。ofd文件打不开？ofd怎么转换为pdf？本文将给告诉大家ofd是什么文件格式？ofd怎么打开？ofd怎么免费转换为配pdf文件等，以下是具体的方法：一，什么是OFD文件？OFD是我国电子公文交换和存储格式标准。OFD格式是我国自主可控的电子文件版式文档格式。OFD版式文件，版面固定、不跑版、所见即所得，可以视为计算机时代的“数字纸张”；是电子文档发布、数字化信息传播和存档的理想文档格式。OFD格式是当下对于全国产环境具有明显的优势。因此，在自主可控档案系统中，OFD格式无疑是自主可控档案系.._在线生成一个 ofd文件

14、HDFS 透明加密KMS_mapreduce读写sequencefile、mapfile、orcfile和parquetfil-程序员宅基地

文章浏览阅读3w次。HDFS中的数据会以block的形式保存在各台数据节点的本地磁盘中，但这些block都是明文的。通过Web UI页面找到Block的ID和副本位于的机器信息如果在操作系统中直接访问block所在的目录，通过Linux的cat命令是可以直接查看里面的内容的，且是明文。在datanode找到其文件为：HDFS透明加密（Transparent Encryption）支持端到端的透明加密，启用以后，对于一些需要加密的HDFS目录里的文件可以实现透明的加密和解密，而不需要修改用户的业务代码。_mapreduce读写sequencefile、mapfile、orcfile和parquetfile文件

Java SE 第三章常用类 API_java se api常用类-程序员宅基地

文章浏览阅读92次。3.0 API概述https://www.oracle.com/cn/java/technologies/java-se-api-doc.html如何使用API看类的描述 Random类是用于生成随机数的类看构造方法 Random():无参构造方法 Random r = new Random();看成员方法 public int nextInt(int n):产生的是一个[0,n)范围内的随机数调用方法： int number = r.nextInt(10_java se api常用类

3-16心电图多分类预测task01_机器学习在呼吸心跳信号检测中应用ti-程序员宅基地

文章浏览阅读285次。3-16心电图多分类预测task01一、赛题理解1.赛题理解1.数据概况1.评价指标二、baseline学习1.引入库2.读入数据3.数据预处理4.训练、测试数据准备5.模型训练总结提示：以下是本篇文章正文内容，下面案例可供参考一、赛题理解1.赛题理解以心电图心跳信号数据为背景，要求根据心电图感应数据预测心跳信号所属类别，其中心跳信号对应正常病例以及受不同心律不齐和心肌梗塞影响的病例，这是一个多分类的问题。1.数据概况以预测心电图心跳信号类别为任务，总数据量超过20万，主要为1列心跳信号序列数_机器学习在呼吸心跳信号检测中应用ti

【超好懂的比赛题解】第 45 届国际大学生程序设计竞赛（ICPC）亚洲区域赛（济南）_icpc国际大学生程序设计竞赛题目-程序员宅基地

文章浏览阅读930次，点赞2次，收藏2次。title : 第 45 届国际大学生程序设计竞赛（ICPC）亚洲区域赛（济南）tags : ACM,题解，练习记录。_icpc国际大学生程序设计竞赛题目

随便推点

工具系列：TensorFlow决策森林_(3)使用dtreeviz可视化-程序员宅基地

文章浏览阅读1.2k次，点赞19次，收藏19次。之前的教程演示了如何使用TensorFlow的决策森林（随机森林、梯度提升树和CART）分类器和回归器来准备数据、训练和评估。（我们将TensorFlow决策森林缩写为TF-DF。）您还学会了如何使用内置的函数可视化树，并显示特征重要性度量。本教程的目标是通过可视化更深入地解释分类器和回归器决策树。我们将查看详细的树结构图示，以及决策树如何划分特征空间以做出决策的描绘。树结构图帮助我们理解模型的行为，特征空间图帮助我们通过展示特征和目标变量之间的关系来理解数据。我们将使用的可视化库称为dtreeviz。_dtreeviz

MySQL8.0学习记录10 - 字符集与校对规则_mysql8.0存储系统元数据的字符集是-程序员宅基地

文章浏览阅读2.1k次。MySQL8.0字符集_mysql8.0存储系统元数据的字符集是

漫威所有电影的按时间线的观影顺序-程序员宅基地

文章浏览阅读3.1k次。美国队长1 - 2011年惊奇队长 - 2019年钢铁侠1 - 2008年无敌浩克 - 2008年钢铁侠2 - 2010年雷神 - 2011年复仇者联盟 - 2012年雷神2 - 2013年钢铁侠3 - 2013年美国队长2 - 2014年复仇者联盟2 - 2015年银河护卫队 - 2017年蚁人 - 2015年美国队长3 - 2016年奇异博士 - 2016年银河护卫队2 - 2017..._漫威电影观看顺序时间线

PhotoZoom Classic 7中的新功能-程序员宅基地

文章浏览阅读142次。众所周知PhotoZoom Classic是家庭使用理想的放大图像软件。目前很多用户还在使用PhotoZoom Classic 6，对于PhotoZoom Classic 7还是有点陌生。其实在6代衍生下出了7代，7代比6代多了很多适用的功能。下面我们就介绍一下PhotoZoom Classic 7中的新功能。PhotoZoom Classic 6的功能我们就不过多介绍，主要介绍7代中特有的功..._photozoon的作用

tensorflow中tf.keras.models.Sequential()用法-程序员宅基地

文章浏览阅读4.6w次，点赞75次，收藏349次。tensorflow中tf.keras.models.Sequential()用法Sequential()方法是一个容器，描述了神经网络的网络结构，在Sequential()的输入参数中描述从输入层到输出层的网络结构model = tf.keras.models.Sequential([网络结构]) #描述各层网络网络结构举例：拉直层：tf.keras.layers.Flatten() #拉直层可以变换张量的尺寸，把输入特征拉直为一维数组，是不含计算参数的层全连接层：tf.ker._tf.keras.models.sequential

Java递归实现Fibonacci数列计算_用递归方法编程计算fibonacci数列：(n=10)，fac.jpg-程序员宅基地

文章浏览阅读2.8k次。实现代码如下:public static int factorial(int n){ if (n <= 1){ return 1; } return factorial(n-1) + factorial(n-2); }测试代码如下:System.out.println(factorial(40));测..._用递归方法编程计算fibonacci数列：(n=10)，fac.jpg