企业官网建设流程全解析

Data-Science-For-Beginners 实战：用 R 与 ggplot2 可视化数据分布（直方图与密度图）

【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

分布（Distribution）是数据分析中最基础也最有信息量的视角之一。本篇文章基于 Data-Science-For-Beginners 课程第 10 课《Visualizing Distributions》的 R 版本实现（见 3-Data-Visualization/R/10-visualization-distributions/README.md），以明尼苏达州鸟类数据集为对象，系统讲解如何用 R 的ggplot2包从散点图过渡到直方图、二维直方图与密度图，从而回答"数据沿某个轴如何组织"这一核心问题。读完本文，你将掌握bins、alpha、position、adjust等关键参数的实际作用，并能在数值型与文本型数据上独立完成分布分析与可视化。

课程背景与数据集准备

本课是课程第三部分"数据可视化"中继"可视化数量"（3-Data-Visualization/R/09-visualization-quantities/README.md）之后的进阶章节。上一课中，我们通过绘制翼展散点图发现数据集中存在录入错误（如翼展超过 2000 厘米的"异常记录"），并据此清理了数据。本课在此基础上，将目光转向数据的分布形态——即数据沿某一坐标轴的排列方式，例如明尼苏达鸟类在"最大翼展"或"最大体重"维度上的整体分布。

加载数据与清除离群值

数据集存放在仓库根目录的 data/birds.csv 中，共包含 442 条鸟类记录，13 个字段：Name、ScientificName、Category、Order、Family、Genus、ConservationStatus、MinLength、MaxLength、MinBodyMass、MaxBodyMass、MinWingspan、MaxWingspan。注意该 CSV 文件带有 UTF-8 BOM 头，因此read.csv()必须显式指定fileEncoding="UTF-8-BOM"，否则第一列列名（Name）前会残留不可见字符，导致后续按列名操作失败。

library(ggplot2) birds <- read.csv("../../data/birds.csv", fileEncoding="UTF-8-BOM") # 沿用上一课的方法，剔除翼展大于 500 的离群值 birds_filtered <- subset(birds, MaxWingspan < 500) head(birds_filtered)

过滤后的前几行数据示例：

在ggplot2的图形语法框架中，一张图可概括为Plot = Data + Aesthetics + Geometry：Data指数据集，Aesthetics指定要研究的变量（x、y 轴），Geometry决定图的类型（线图、柱图、散点图等）。本课用到的几何对象全部围绕"分布"这一主题。

先用散点图观察整体分布

在对分布做正式分析前，可以沿用上一课的散点图快速获得全局印象。下面代码按鸟类Order（目）分组，展示每只鸟的最大体长：

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

coord_flip()将坐标系翻转，使大量类别沿纵轴排列、避免标签拥挤。该图能给出"各目鸟类体长大致落在什么范围"的整体印象，但它只是点的堆叠，无法精确表达数值的聚集程度与频次——这正是直方图要解决的问题。

直方图：数值型数据的分布利器

直方图在形式上类似柱状图，但横轴是连续数值的区间（bin），柱子的高低代表落入该区间的数据频次，从而直观呈现"众数在哪、数据是否偏斜、是否存在多峰"。ggplot2中直接使用geom_histogram()即可。

bins 参数控制分组粒度

先对清理后的全量数据绘制MaxBodyMass（最大体重）的直方图，设置 10 个箱：

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

从图中可以立即读出：数据集中的 400 余只鸟，最大体重绝大多数落在 2000 以下，只有极少数大型鸟类（如天鹅、鹭类）拥有更高的体重。这说明数据呈明显的右偏（正偏）分布。

将bins提高到 30，直方图以更细的粒度展示同一批数据：

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

对比两张图可以看到：bins直接决定区间划分数量，箱数越多粒度越细，越能呈现局部的起伏细节；但箱数过多也会放大噪声。实践中应结合数据量与业务语义反复尝试，这与 Matplotlib 版课程（见 3-Data-Visualization/10-visualization-distributions/README.md）中通过bins参数调节粒度的思路完全一致。

数据过滤：修正偏斜分布

左偏（右侧长尾）的直方图会让主体区间被压缩得难以阅读。一个常用策略是先按业务范围过滤数据，再绘图。例如只保留体重介于 1 与 60 之间的鸟类，并维持 30 个箱：

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

过滤后右偏程度显著降低，主体分布（例如集中在 20~40 区间附近的频峰）变得清晰可读。你可以继续尝试其他过滤条件与变量（如MinLength、MaxWingspan），也可以移除过滤条件直接查看全量数据，体会过滤操作对分布形态观察的影响。

二维直方图：比较两个分布的关联

直方图不仅限于单变量。geom_bin2d()将平面按 x、y 两个维度切分为网格，并用颜色深浅（频次高低）表达两个变量的联合分布。下面比较MaxBodyMass与MaxLength的关系，并使用 viridis 色带增强明暗对比：

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

图中在预期的对角方向上呈现一条明显的聚集带，并在某一点出现特别强的汇聚（亮色网格），说明体重与体长两个指标之间存在可预期的正相关。scale_fill_continuous()用于调整频次到颜色的映射，viridis色带对色觉障碍者友好，是 ggplot2 生态中的推荐默认方案之一。

文本数据的分布：保护状态的变换与叠加直方图

直方图默认面向数值数据。当需要按文本类别（如保护状态）查看数值分布时，需要先做一次"类别编码"变换。鸟类数据集中的ConservationStatus字段采用 IUCN 红色名录的缩写：

• 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）

为了在直方图的图例中按固定顺序展示这些类别，可以将缩写重编码为带顺序的标签：

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'

接着用fill美学将保护状态映射到颜色，绘制MinWingspan（最小翼展）的叠加直方图。关键参数包括：

• position = "identity"：直方图不堆叠，各状态直接在原点叠加，便于对比形状；
• alpha = 0.4：设置透明度，避免相互遮挡导致无法阅读；
• scale_fill_manual()：手动指定颜色与图例标签。

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 Threathened","Vulnerable","Least Concern"))

从结果看，各保护状态的翼展分布曲线高度重合，说明"最小翼展"与"保护状态"之间没有明显的相关关系——这也是一种有价值的结论：并非每个变量都与目标标签相关。你可以用同样的方法测试数据集中的其他字段（如MaxLength、MaxBodyMass），并尝试不同的过滤条件，看看能否找到更具区分度的变量。

密度图：平滑的分布曲线

直方图的柱状边缘是"阶梯状"的，无法体现分布的连续变化。密度图（geom_density()）通过核密度估计（KDE）输出一条平滑的连续曲线，曲线越高表示该取值附近的数据越密集。

基础密度图

对MinWingspan绘制密度图：

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

对比此前的叠加直方图可以发现，密度图保留了同一分布的主要峰形，但曲线更加平滑、更易解释。同理，前面第二张直方图中"锯齿状"的MaxBodyMass曲线，也可以用密度图重新绘制以获得平滑版本：

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

adjust 参数控制平滑程度

KDE 的平滑程度由带宽（bandwidth）决定。geom_density()中的adjust参数是带宽的缩放系数：大于 1 更平滑，小于 1 保留更多细节。将adjust设为 1/5 即可获得"平滑但不失细节"的曲线：

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

需要留意的是，与直方图依赖bins类似，密度图的形态也依赖带宽选择——带宽过小会过度拟合噪声（包括离群值），带宽过大则会抹平真实结构。本课数据已经过上一课的离群值清理，因此密度估计较为稳健。

分组密度：按 Order 对比

密度图在"多分布并排对比"场景下极具表现力。下面将Order映射到fill，叠加展示各目鸟类的最大体重密度，并用alpha=0.5保证重叠区域可读：

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

几行代码即可完成"多个分布的重叠比较"，这正是密度图相比直方图的优势所在。

深入练习与延伸阅读

本课还给出了几条深化方向，值得在仓库之外进一步研究：

• 探索直方图的应用场景：直方图是比散点图、柱状图、线图更"进阶"的图形类型。可以调研直方图在质量控制、图像直方图均衡、金融收益分布分析等领域的典型用法，理解它适合回答哪类问题。
• 学习geom_density_2d()：本课自研学习部分建议读者研究geom_density_2d()——"在一维或多维上的连续概率密度曲线"。它是二维密度估计的可视化实现，能够在一张图上同时呈现两个变量的联合密度等高线，适合进一步验证本课中MaxBodyMass与MaxLength的聚集关系。
• 完成课后作业：课程配套作业要求脱离鸟类数据集，另选一个真实数据集（例如 Kaggle 上的开放数据），编写一个带注释的 R 脚本"讲一个数据故事"，并且至少使用 5 张直方图来支撑结论，具体要求与评分标准见 3-Data-Visualization/R/10-visualization-distributions/assignment.md（评分维度包括注释完整度、脚本是否有 bug、是否覆盖至少 5 张直方图）。

小结

本课完整演示了从"散点图初探"到"直方图量化"再到"密度图平滑"的分布分析路径：geom_histogram()用bins控制粒度、用过滤修正偏斜；geom_bin2d()揭示双变量联合分布的聚集点；面对文本类别，先重编码再用position="identity"与alpha叠加对比；最后geom_density()与adjust提供连续平滑的分布曲线，并可用fill实现多组对比。掌握这套方法论后，你可以对任何数值型数据集快速回答"数据长什么样、集中在哪里、如何偏斜、哪些变量相关"等关键问题——这正是探索性数据分析（EDA）的核心能力。

【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