使用 R 与 ggplot2 可视化数据分布：直方图与密度图实战（Data Science for Beginners 第 10 课）

使用 R 与 ggplot2 可视化数据分布：直方图与密度图实战（Data Science for Beginners 第 10 课）

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners

数据科学的日常工作中，除了看"多少"（数量），更常需要回答"如何分布"（distribution）——数据沿坐标轴如何组织、集中在哪个区间、是否存在偏态。本课以明尼苏达州鸟类数据集（data/birds.csv）为例，系统讲解如何用 R 的ggplot2包构建直方图（histogram）、2D 直方图与密度图（density plot）来洞察数据分布，并处理文本型变量的可视化难题。读完本文，你将掌握bins、adjust、alpha、fill等核心参数的实际用法，并能独立完成"任意数据集 → 分布探索"的完整流程。

前置准备：加载数据并清洗异常值

本课延续上一课《使用 R 与 ggplot2 可视化数量》的工作流。在上一课中我们发现，Bald Eagle 与 Prairie Falcon 的MaxWingspan疑似多了一个 0，属于录入错误，因此先加载数据并按MaxWingspan < 500过滤掉这些异常值。

在 R 控制台中执行：

library(ggplot2) birds <- read.csv("data/birds.csv", fileEncoding = "UTF-8-BOM") birds_filtered <- subset(birds, MaxWingspan < 500) head(birds_filtered)

说明：fileEncoding = "UTF-8-BOM"用于正确处理带 BOM 头的 UTF-8 文件，避免第一列列名出现乱码。从仓库数据文件 data/birds.csv 的原始内容可以看到，文件第一行确实以 BOM 字符开头，13 列分别为Name, ScientificName, Category, Order, Family, Genus, ConservationStatus, MinLength, MaxLength, MinBodyMass, MaxBodyMass, MinWingspan, MaxWingspan。

过滤后的数据前几行如下（法语文档与英文原版中均给出同一份示例，反映的是雁鸭类水鸟的测量数据）：

先用散点图初探分布：为什么它不够用

分布探索的直觉起点是散点图——把每个观测值按类别摊开来看。按鸟类的"目"（Order）绘制MaxLength的散点，并用coord_flip()把坐标轴翻转成横向，便于阅读较长的类别名：

ggplot(data = birds_filtered, aes(x = Order, y = MaxLength, group = 1)) + geom_point() + ggtitle("Max Length per order") + coord_flip()

这张图给出了不同目的鸟体长的大致分布轮廓，但它并非展示"真实分布"的最优形式：点的堆叠程度难以量化，密集区间与稀疏区间无法用视觉精确比较。这正是直方图（Histogram）的用武之地——它把连续数值轴切成若干等宽区间（bins），用柱高表示落入每个区间的观测频数。

直方图入门：bins 参数如何改变解读

ggplot2通过geom_histogram()提供直方图能力。它的形态类似柱状图，但 x 轴是连续数值变量，柱子的"升起与落下"直接反映数据的集中与分散。构建直方图的前提是数值型数据。

对过滤后的数据绘制MaxBodyMass（最大体重）的分布，先设定 10 个区间：

ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins = 10) + ylab('Frequency')

可以看到，数据集里 400 多种鸟中的大多数，其最大体重落在 2000（克）以下，分布呈现明显的右偏（长尾朝右）形态。

bins是直方图最关键的分辨率参数：值越大，柱子越细，分布细节越丰富；值越小，曲线越平滑，但可能掩盖多峰结构。把bins提高到 30：

ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins = 30) + ylab('Frequency')

粒度变细后，可以观察到更多局部的起伏。若希望得到一个左侧偏斜更小、形态更"规整"的分布图，可以进一步对数据范围做过滤——只保留体重在 1～60 之间的鸟，仍用 30 个区间：

birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60) ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + geom_histogram(bins = 30) + ylab('Frequency')

✅ 动手练习：尝试更换不同的过滤区间与数据点（例如MinLength、MaxWingspan）。若想观察数据的完整分布，可去掉体重过滤，直接对birds_filtered绘制带标签的分布图，比较"全量"与"局部"两种视角的差异。

二维直方图：同时比较两个分布的关系

直方图还能提供更强的颜色与标注能力。当需要比较两个分布之间的关系时，可以使用geom_bin2d()构建二维直方图：x 轴与 y 轴各为一个数值变量，格子颜色越亮代表该区域的观测越密集。

以MaxBodyMass与MaxLength为例，ggplot2内置的viridis色板用更鲜艳的颜色凸显高密度收敛点：

ggplot(data = birds_filtered_1, aes(x = MaxBodyMass, y = MaxLength)) + geom_bin2d() + scale_fill_continuous(type = "viridis")

从图中可以看出，两者沿一条预期的对角线方向存在相关性，并在某个区间出现一个特别强的收敛点——体重中等偏小的鸟占据了样本的主体。二维直方图是快速判断"两变量是否共同集中"的有效工具。

文本数据的分布：以 IUCN 保护状态为例

直方图默认针对数值数据效果最佳。那么面对文本型（分类）数据时，如何考察分布？

鸟类数据集中还包含类别（Category）、属（Genus）、科（Family）以及保护状态（ConservationStatus）等文本信息。我们关心的问题是：不同保护状态下的鸟，其最小翼展分布如何？

首先需要理解保护状态缩写，它们来自IUCN 红色名录（IUCN Red List）的物种状态分类：

• CR：极危（Critically Endangered）
• EN：濒危（Endangered）
• EX：灭绝（Extinct）
• LC：无危（Least Concern）
• NT：近危（Near Threatened）
• VU：易危（Vulnerable）

由于ConservationStatus是文本值，直接作为直方图的 x 轴无法工作，需要做一步重编码变换：把各状态映射为有序的数值/字符标签（x1～x6），使它们能按逻辑顺序参与绘图：

birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2' birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3' birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4' birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5' birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6'

接下来，把MinWingspan作为 x 轴、ConservationStatus作为填充色，绘制叠加直方图。这里用到三个关键参数：

• position = "identity"：各状态的柱子不堆叠，而是直接叠加，便于比较形状差异；
• alpha = 0.4：设置透明度，避免相互遮挡时完全看不清；
• scale_fill_manual()：手动指定填充颜色与图例标签。

ggplot(data = birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) + geom_histogram(position = "identity", alpha = 0.4, bins = 20) + scale_fill_manual( name = "Conservation Status", values = c("red", "green", "blue", "pink"), labels = c("Endangered", "Near Threatened", "Vulnerable", "Least Concern") )

结果显示：最小翼展与保护状态之间没有明显的相关性——不同状态类别的分布相互重叠，形态接近。这是一个典型的"负结果"探索，同样有价值：它说明仅凭翼展这一维度无法区分濒危与否。你可以用同样的方法测试数据集中的其他要素（如体长、体重、目），或者更换不同的过滤条件，看看能否发现某种关联。

密度图：让分布曲线流动起来

细心的读者会发现，此前所有直方图都是"阶梯状"的——柱子边缘生硬，无法形成平滑的拱形轮廓。若要展示更平滑的密度形态，应改用密度图（density plot），ggplot2中对应geom_density()。

先对birds_filtered_1的MinWingspan绘制密度曲线：

ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + geom_density()

可以看到，这条曲线与之前的直方图形状相呼应，但变得平滑流畅。同理，之前那张"锯齿感"较强的MaxBodyMass直方图（30 bins 版本），也可以用密度图重新表达，得到非常光滑的形态：

ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + geom_density()

adjust 参数：控制平滑程度

密度图默认的平滑程度未必适合所有数据。若希望曲线"平滑但不过度平滑"，可调整adjust参数——它控制核密度估计的带宽缩放倍数，值越小，曲线对局部细节越敏感、越显粗糙：

ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + geom_density(adjust = 1/5)

对比上一张图可以看出，adjust = 1/5保留了更多局部起伏，同时整体仍比直方图平滑。

✅ 动手练习：查阅geom_density()的其他参数（如bw、kernel、trim）并逐一实验，理解它们对曲线形态的影响。

按分组填充：一次看遍所有目的密度

密度图组合能力极强——只需几行代码，就能把所有目的体重密度叠加展示。给Order加上fill并设置透明度alpha = 0.5，各目之间的分布差异一目了然：

ggplot(data = birds_filtered_1, aes(x = MaxBodyMass, fill = Order)) + geom_density(alpha = 0.5)

这种"分组密度叠加"是直方图难以媲美的：它既展示了每个组的分布形态，又通过半透明填充保留了组间重叠信息，非常适合横向比较。

深入一步：geom_density_2d 与自学方向

密度图家族还有一个进阶成员：geom_density_2d()，即"一维或多维的连续概率密度曲线"。它在二维平面上用等高线刻画两个变量联合分布的密度，可视为本文二维直方图（geom_bin2d）的平滑版本。建议阅读官方文档理解其工作机制，并尝试与geom_point()叠加使用。

🚀 挑战：直方图的行业应用调研

直方图是一种比基础散点图、柱状图、折线图更"进阶"的图形类型。请上网搜索直方图的优秀应用案例：它通常被用于哪些场景、能够证明什么问题、集中在哪些学科领域（如统计学、医学检验、质量控制、影像处理等）？结合你找到的案例，回到本数据集继续试验。

复习小结

本课围绕"分布可视化"完成了从入门到进阶的完整路线：

1. 数据准备：读取 data/birds.csv，用subset(birds, MaxWingspan < 500)剔除异常值；
2. 直方图：geom_histogram()+bins控制粒度，过滤子集改善偏态；
3. 二维直方图：geom_bin2d()+viridis色板考察双变量收敛关系；
4. 文本数据分布：IUCN 状态重编码 +fill/alpha/scale_fill_manual叠加直方图；
5. 密度图：geom_density()平滑分布，adjust控制平滑程度，按Order分组叠加。

每次可视化前都要问自己：数据是数值型还是文本型？我想回答的是"集中在哪里"还是"组间有何差异"？这决定了直方图、二维直方图还是密度图更合适。

课后作业：技能实战

将本课技术迁移到新数据集：从 Kaggle 等平台挑选一个你感兴趣的数据集，编写 R 脚本讲述其中故事，并确保至少使用 5 个直方图来发现数据事实。评分标准可参考关联作业文档 translations/fr/3-Data-Visualization/R/10-visualization-distributions/assignment.md：

相关资源：本课配套 Python 版本见 3-Data-Visualization/10-visualization-distributions/README.md，上一课《可视化数量》见 3-Data-Visualization/R/09-visualization-quantities/README.md，英文原版分布课文档见 3-Data-Visualization/R/10-visualization-distributions/README.md。

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners