R: R ggplot2 Avançado

Q: P: Qual é a diferença entre facet_wrap e facet_grid ?

R: facet_wrap(~ var) Faceta unidimensional (quebras de linha automáticas), facet_grid(rows ~ cols) Faceta bidimensional (linhas e colunas fixas). Use wrap para faceta unidimensional e grid para faceta bidimensional.

Q: P: Como faço para remover o fundo dos rótulos das páginas?

R: theme(strip.background = element_blank()) (remover fundo) + theme(strip.text = element_text(color = "red")) (alterar a cor do texto).

Q: P: Como uso o “patchwork”?

R: p1 + p2 para disposição lado a lado, p1 / p2 para disposição superior e inferior, (p1 + p2) / (p3 + p4) para 2x2. Use plot_layout(ncol = 2) para layouts complexos.

Q: P: Como posso adicionar rótulos de texto sem que eles se sobreponham?

R: Use ggrepel para envolver geom_text_repel() / geom_label_repel(), e ele evitará automaticamente os pontos de dados.

Q: P: Qual é a diferença entre coord_polar e coord_flip?

R: coord_flip Gira em 90 graus (gráfico horizontal), coord_polar Converte para coordenadas polares (gráfico circular/gráfico em rosa).

Última atualização: 2026-08-26

Na aula anterior, aprendemos a “série de três partes” do ggplot2: ggplot() + aes() + geom_xxx(), que nos permite criar cinco tipos básicos de gráficos. Nesta aula, passaremos para o ggplot2 avançado — dominando o “empilhamento de camadas” e o “sistema de facetas” para criar gráficos de qualquer complexidade. É aqui que o ggplot2 realmente se destaca.

Ao concluir esta lição, você será capaz de criar: gráficos compostos com várias camadas, segmentação automática de faces, sobreposição estatística, transformações de coordenadas e anotações — 90% do que o ggplot2 é capaz de fazer é abordado nesta lição.

1. O que você vai aprender

Uma análise da sintaxe de 7 camadas do ggplot2
Sobreposição de camadas (várias geometrias + estatísticas)
facet_wrap() / facet_grid() Filtragem por facetas
Camada de estatísticas stat_summary()
Transformações de coordenadas (coord_flip / coord_polar / coord_fixed)
anotação
Aplicações práticas de grafos de combinação complexos

2. Uma história da análise multidimensional

(1) Desafio: Como criar elementos visuais para 4 cidades, 4 bairros e 4 produtos?

Bob quer apresentar dados de vendas para 4 cidades × 4 trimestres × 4 produtos — será que um único gráfico consegue acomodar essas informações tridimensionais?

(2) A solução com o ggplot2

# Use facet_wrap() to split "Products" into 4 small plots
ggplot(sales, aes(x = quarter, y = sales, color = city, group = city)) +
  geom_line(linewidth = 1) +
  geom_point(size = 3) +
  facet_wrap(~ product) +  # By Product Category
  labs(title = "4 City × 4 Products Sales Trends")

# A Single Painting 4 Post a picture,Automatic Page Break!

1 linha facet_wrap() transforma 1 imagem em 4. Esse é o poder do recorte.

3. Análise da sintaxe de 7 camadas do ggplot2

(1) Estrutura de 7 camadas

graph TB
    A[ggplot Plot] --> B[1. Data layer<br/>ggplot data]
    A --> C[2. Aesthetic Mapping layer<br/>aes]
    A --> D[3. Geometric Objects layer<br/>geom_xxx]
    A --> E[4. Statistical Transformations layer<br/>stat_xxx]
    A --> F[5. Coordinate System layer<br/>coord_xxx]
    A --> G[6. Sub-section layer<br/>facet_xxx]
    A --> H[7. Topic layer<br/>theme_xxx]
    
    style A fill:#fff3cd
    style B fill:#cce5ff
    style C fill:#d4edda
    style D fill:#f8d7da
    style E fill:#e1d4ff
    style F fill:#ffe1e1
    style G fill:#e1ffe1
    style H fill:#ffe1d4

(2) Exemplo de sobreposições de camadas

ggplot(df, aes(x, y)) +       # Data + Aesthetics
  geom_point() +                # Geometric Layer 1:Scatter points
  geom_smooth() +               # Geometric Layer 2:Trendline
  stat_summary() +              # Statistical Layer
  scale_y_log10() +             # Coordinate Transformation
  facet_wrap(~ group) +         # Sub-section
  theme_minimal()               # Topic

▶ Experimente

💡 Dica: Adicione uma camada para cada + e empilhe-as na ordem de baixo para cima.

(1) O que é uma faceta?

Faceta = divisão dos dados em vários subgráficos com base em uma variável específica:

# Cone of Inadmissibility:1 Post a picture
ggplot(sales, aes(x, y)) + geom_point()

# After splitting:4 Zhang Xiaotu
ggplot(sales, aes(x, y)) + geom_point() + facet_wrap(~ category)

# Split by city(4 subplots)
ggplot(sales_long, aes(x = quarter, y = sales, color = city, group = city)) +
  geom_line() +
  facet_wrap(~ city) +
  labs(title = "Quarterly Sales by City")

# Control the Layout of Sub-Faces:nrow / ncol
facet_wrap(~ city, nrow = 2)   # 2 row
facet_wrap(~ city, ncol = 4)   # 4 col

# Split by city(row) and product(col) Two-Dimensional Section
facet_grid(rows = vars(city), cols = vars(product))

# Abbreviation
facet_grid(city ~ product)

# Formula Syntax(Old Version)
facet_grid(. ~ category)        # Press only category Split Plane
facet_grid(category ~ .)        # Press only category Row-Column Plane

(4) Comparação por aspecto

Sintaxe	Uso
`facet_wrap(~ var)`	Facetação unidimensional (quebras de linha automáticas)
`facet_grid(var ~ .)`	Unidimensional (linha)
`facet_grid(. ~ var)`	Unidimensional (coluna)
`facet_grid(row ~ col)`	Bidimensional (linhas × colunas)

(5) Expansão de facetas

# Free Zoom(Independent coordinates for each subgraph)
facet_wrap(~ city, scales = "free")  # Freedom x/y
facet_wrap(~ city, scales = "free_x")  # Freedom Alone x
facet_wrap(~ city, scales = "free_y")  # Freedom Alone y

# Add a tag
facet_wrap(~ city, labeller = label_both)  # Display"city: Beijing"

# Control the number of subgraphs per row
facet_wrap(~ city, nrow = 2)

5. Camada de estatísticas stat_summary()

(1) Estatísticas automáticas

# Automatically Add Mean Points + Error bar
ggplot(df, aes(x = group, y = value)) +
  geom_boxplot() +
  stat_summary(fun = mean, geom = "point", color = "red", size = 3)

(2) Funções estatísticas comuns

Função	Finalidade
`mean`	Média
`median`	Mediana
`sd`	Desvio-padrão
`sum`	Soma
`function(x) mean(x) + sd(x)`	Personalizado

(3) Aplicação prática: Média + Barras de erro

ggplot(df, aes(x = group, y = value, color = group)) +
  geom_point(alpha = 0.3) +  # Raw Data
  stat_summary(fun = mean, geom = "point", size = 4, color = "red") +
  stat_summary(fun.data = mean_se, geom = "errorbar", width = 0.2)

6. geom_smooth() Linha de tendência

(1) Uso básico

# Auto-add LOESS Trendline
ggplot(mpg, aes(displ, hwy)) +
  geom_point() +
  geom_smooth()

# Linear Regression
ggplot(mpg, aes(displ, hwy)) +
  geom_point() +
  geom_smooth(method = "lm")

# Close Confidence Interval
geom_smooth(method = "lm", se = FALSE)

(2) Aplicação prática

# Multiple lines by component
ggplot(sales_long, aes(x = quarter, y = sales, color = city, group = city)) +
  geom_point() +
  geom_line() +
  geom_smooth(method = "lm", se = FALSE, linewidth = 0.5)

7. Transformação de coordenadas

(1) coord_flip() Inverter

# Horizontal Bar Chart
ggplot(df, aes(x = city, y = sales)) +
  geom_col() +
  coord_flip()  # x/y Swap

(2) coord_polar() Coordenadas polares

# Pie Chart
ggplot(df, aes(x = 1, y = sales, fill = city)) +
  geom_col() +
  coord_polar(theta = "y")

# Rose Illustration
ggplot(df, aes(x = city, y = sales, fill = city)) +
  geom_col() +
  coord_polar()

(3) coord_fixed() (dimensionado proporcionalmente)

# Scatter Plot X/Y In the same proportion
ggplot(mpg, aes(cty, hwy)) +
  geom_point() +
  coord_fixed(ratio = 1)  # 1:1 Ratio

(4) Transformação dos eixos de coordenadas

# log Transformation
ggplot(df, aes(x, y)) + geom_point() + scale_y_log10()

# Square Root Transformation
ggplot(df, aes(x, y)) + geom_point() + scale_y_sqrt()

8. Comentários e texto

(1) geom_text() / geom_label()

# Add labels next to the data points
ggplot(df, aes(x, y)) +
  geom_point() +
  geom_text(aes(label = name), vjust = -0.5)

# Add a circular label
ggplot(df, aes(x, y)) +
  geom_point() +
  geom_label(aes(label = name))

(2) annotate() Anotação manual

# Mark Key Points
ggplot(df, aes(x, y)) +
  geom_point() +
  annotate("text", x = 5, y = 8, label = "Key Points", color = "red") +
  annotate("rect", xmin = 4, xmax = 6, ymin = 7, ymax = 9,
           alpha = 0.2, fill = "yellow")

(3) Seta

library(ggrepel)

# "Auto-Skip" tag
ggplot(df, aes(x, y, label = name)) +
  geom_point() +
  geom_text_repel()  # Non-overlapping tags

9. Combinação de várias imagens

(1) Bolsa de retalhos

# Installation
install.packages("patchwork")
library(patchwork)

# 4 Image Collage 1
(p1 + p2) / (p3 + p4)  # 2 row 2 col

# Complex Layout
p1 + p2 + p3 + p4 + plot_layout(ncol = 2, heights = c(2, 1))

# Add a title
(p1 + p2) / (p3 + p4) + plot_annotation(title = "Comprehensive Analysis")

(2) Pacote cowplot

library(cowplot)
plot_grid(p1, p2, p3, p4, ncol = 2, labels = c("A", "B", "C", "D"))

10. Exemplo completo: 4 cidades × 4 produtos — Análise multidimensional

A seguir, apresentamos um exemplo de um fluxo de trabalho completo que reúne todos os recursos avançados abordados nesta aula.

▶ Exemplo: Visualização abrangente de dados multidimensionais de vendas

R 📖 Somente leitura

# ============================================
# 4 City × 4 Products Multidimensional Sales Analysis
# Features:Sub-section + Trendline + Notes + Multi-Image Collage
# ============================================

library(ggplot2)
library(dplyr)
library(tidyr)
library(patchwork)

# 1. Prepare data
sales <- expand_grid(
  city = c("Beijing", "Shanghai", "Guangzhou", "Shenzhen"),
  quarter = c("Q1", "Q2", "Q3", "Q4"),
  product = c("Cell Phone", "Computer", "Tablet", "Headphones")
) |>
  mutate(sales = round(runif(64, 500, 3000)))

cat("=== Data Volume:", nrow(sales), "row ===\n")
print(head(sales, 5))

# 2. Plot 1:4 Overall Urban Trends(Basics)
p1 <- ggplot(sales, aes(x = quarter, y = sales, color = city, group = city)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2) +
  labs(title = "4 Overall Sales Trends by City", color = "City") +
  theme_minimal() +
  theme(legend.position = "bottom")

# 3. Plot 2:By City(facet_wrap)
p2 <- ggplot(sales, aes(x = quarter, y = sales, color = product, group = product)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2) +
  facet_wrap(~ city, nrow = 2) +
  labs(title = "Product Sales by City", color = "Products") +
  theme_minimal() +
  theme(legend.position = "bottom",
        axis.text.x = element_text(angle = 45, hjust = 1))

# 4. Plot 3:By City(By Product Stack)
p3 <- ggplot(sales, aes(x = quarter, y = sales, fill = product)) +
  geom_col(position = "stack") +
  facet_wrap(~ city, nrow = 2) +
  labs(title = "Product Bundle Sales by City", fill = "Products") +
  scale_fill_brewer(palette = "Set2") +
  theme_minimal() +
  theme(legend.position = "bottom")

# 5. Plot 4:Trendline + Original Point
p4 <- ggplot(sales, aes(x = quarter, y = sales, color = city, group = city)) +
  geom_point(alpha = 0.3) +
  geom_smooth(method = "lm", se = TRUE) +
  labs(title = "Linear Trendline + Confidence Interval") +
  theme_minimal() +
  theme(legend.position = "bottom")

# 6. Plot 5:Box-and-Whisker Plots
p5 <- ggplot(sales, aes(x = product, y = sales, fill = product)) +
  geom_boxplot() +
  labs(title = "Sales Breakdown by Product") +
  theme_minimal() +
  theme(legend.position = "none",
        axis.text.x = element_text(angle = 45, hjust = 1))

# 7. Plot 6:Heat Map(geom_tile)
sales_summary <- sales |>
  group_by(city, product) |>
  summarise(total = sum(sales), .groups = "drop")

p6 <- ggplot(sales_summary, aes(x = city, y = product, fill = total)) +
  geom_tile() +
  geom_text(aes(label = total), color = "white") +
  labs(title = "City × Products Total Sales Heat Map", fill = "Total Sales") +
  scale_fill_gradient(low = "lightblue", high = "darkred") +
  theme_minimal()

# 8. Multi-Image Collage(patchwork)
combined <- (p1 + p2) / (p3 + p4) / (p5 + p6) +
  plot_annotation(
    title = "4 City × 4 Products Comprehensive Sales Analysis",
    subtitle = "Data Simulation | ggplot2 Photo Gallery"
  )

print(combined)

# 9. Save as high resolution PNG
ggsave("multi_dimension_analysis.png", combined,
       width = 16, height = 18, dpi = 300)
cat("\n=== The composite image has been saved:multi_dimension_analysis.png ===\n")

63 linhas de lógica (limite de 40, somente leitura)

Resultado esperado: Uma imagem grande composta por 6 subimagens (dispostas em uma grade 3×2 usando o método “patchwork”).

❓ Perguntas Frequentes

P: Qual é a diferença entre facet_wrap e facet_grid? R: facet_wrap(~ var) Faceta unidimensional (quebras de linha automáticas), facet_grid(rows ~ cols) Faceta bidimensional (linhas e colunas fixas). Use wrap para faceta unidimensional e grid para faceta bidimensional.

P: Qual é a configuração padrão para geom_smooth? R: A configuração padrão é a suavização LOESS (n < 1000) ou GAM (n ≥ 1000). Para usar a regressão linear, adicione method = "lm".

P: Como faço para remover o fundo dos rótulos das páginas? R: theme(strip.background = element_blank()) (remover fundo) + theme(strip.text = element_text(color = "red")) (alterar a cor do texto).

P: Como uso o “patchwork”? R: p1 + p2 para disposição lado a lado, p1 / p2 para disposição superior e inferior, (p1 + p2) / (p3 + p4) para 2x2. Use plot_layout(ncol = 2) para layouts complexos.

P: Como posso adicionar rótulos de texto sem que eles se sobreponham? R: Use ggrepel para envolver geom_text_repel() / geom_label_repel(), e ele evitará automaticamente os pontos de dados.

P: Qual é a diferença entre coord_polar e coord_flip? R: coord_flip Gira em 90 graus (gráfico horizontal), coord_polar Converte para coordenadas polares (gráfico circular/gráfico em rosa).

📖 Resumo

Sintaxe de 7 camadas do ggplot2: dados/estética/geometria/estatística/coordenadas/facetas/temas
Use + para criar camadas, empilhando de baixo para cima
Orientação: facet_wrap(~ var) Unidimensional / facet_grid(rows ~ cols) Bidimensional
geom_smooth() Adicionar linhas de tendência automaticamente (LOESS/lm)
stat_summary() Adicionar camadas estatísticas, como a média e as barras de erro
Transformações de coordenadas: coord_flip Inversão / coord_polar Coordenadas polares / scale_y_log10 Transformação logarítmica
Notas: geom_text Rótulo de dados / annotate Anotação manual / ggrepel Evasão automática
Conjunto com várias imagens: pacote patchwork (recomendado) / pacote cowplot
ggplot2 para usuários avançados = A arte de combinar camadas — Como criar gráficos complexos a partir de camadas simples

📝 Exercícios

Exercício básico: Crie um data frame (30 linhas, 4 colunas: x/y/grupo/categoria), use facet_wrap(~ group) para traçar um gráfico de dispersão e verifique o efeito da segmentação; em seguida, use facet_grid(group ~ category) para traçar uma segmentação bidimensional.
Exercício básico: Usando mtcars, trace um gráfico de dispersão de wt em função de mpg, adicione uma linha de tendência para geom_smooth(method = "lm") e desenhe uma curva quadrática para geom_smooth(method = "lm", formula = y ~ poly(x, 2), color = "red"); em seguida, compare os dois ajustes.
Exercício básico: Desenhe um gráfico de barras (com 5 categorias), use coord_flip() para girá-lo horizontalmente e, em seguida, use coord_polar() para convertê-lo em um gráfico de pizza e compare as diferenças.
Exercício avançado: Construa dados tridimensionais (x/y/grupo), use o ggplot2 para traçar três gráficos transversais (facet_wrap) e, por fim, use patchwork para combiná-los em um gráfico combinado horizontal 1x3 com um título resumido.
Desafio: Desafio abrangente — Crie 1 gráfico composto com “qualidade de publicação”: ① Utilizando os dados quadridimensionais mtcars (peso/mpg/cilindros/hp) ② Usando facet_wrap(~ cyl) para segmentar por número de cilindros ③ Adicione uma linha de tendência LOESS ④ Use ggrepel para destacar os 3 veículos melhores e os 3 piores ⑤ Use patchwork para adicionar um gráfico de caixa como referência ⑥ Salve como um PNG de alta resolução.

Equipe Técnica Web-Tutorial

Uma plataforma de tutoriais mantida por diversos desenvolvedores. Cada tutorial é escrito e revisado por profissionais da área correspondente. Trabalhamos para manter nosso conteúdo preciso e confiável — se encontrar algum problema, avise-nos.

Sobre Nós

R: R ggplot2 Avançado

1. O que você vai aprender

2. Uma história da análise multidimensional

(1) Desafio: Como criar elementos visuais para 4 cidades, 4 bairros e 4 produtos?

(2) A solução com o ggplot2

3. Análise da sintaxe de 7 camadas do ggplot2

(1) Estrutura de 7 camadas

(2) Exemplo de sobreposições de camadas

4. facet_wrap() / facet_grid() – Facetação

(1) O que é uma faceta?

(2) facet_wrap() – Facetação unidimensional

(3) facet_grid() Facetação bidimensional

(4) Comparação por aspecto

(5) Expansão de facetas

5. Camada de estatísticas stat_summary()

(1) Estatísticas automáticas

(2) Funções estatísticas comuns

(3) Aplicação prática: Média + Barras de erro

6. geom_smooth() Linha de tendência

(1) Uso básico

(2) Aplicação prática

7. Transformação de coordenadas

(1) coord_flip() Inverter

(2) coord_polar() Coordenadas polares

(3) coord_fixed() (dimensionado proporcionalmente)

(4) Transformação dos eixos de coordenadas

8. Comentários e texto

(1) geom_text() / geom_label()

(2) annotate() Anotação manual

(3) Seta

9. Combinação de várias imagens

(1) Bolsa de retalhos

(2) Pacote cowplot

10. Exemplo completo: 4 cidades × 4 produtos — Análise multidimensional

▶ Exemplo: Visualização abrangente de dados multidimensionais de vendas

❓ Perguntas Frequentes

📖 Resumo

📝 Exercícios