独家｜盘点9个适用所有学科的R数据可视化包（附链接）
作者：Asha Hill
翻译：王雨桐
校对：蒋雨畅
本文约1900字，建议阅读8分钟。
本文将简要盘点R中常用的9个可视化包，并通过简要介绍包的特点和相关案例来帮助读者深入理解可视化包。
如果最近浏览了R包的目录，你会发现可用包的数量已经达到了12550个，足以让人眼花缭乱。这意味着现有的包几乎足以解决所有你能想象到的数据可视化任务，从癌症基因组可视化到图书的可视化分析。
对于R菜鸟或想提升R数据可视化能力的人来说，CRAN目录看起来是一种尴尬的富有——数据可视化的包过多，不知从何入手。
为了解决这种问题，今天我们要盘点9个实用的跨学科R数据可视化包。为了减少在本地运行R的麻烦，您可以使用 Mode的R Notebooks。
R Notebooks链接：https://about.modeanalytics.com/notebooks/译者注：本文提及的包大多提供交互性操作，文中插图仅供参考，建议访问文中链接查看案例，且链接中附有代码。
1. ggplot2
散点图（Hadley Wickham/Tidyverse）
尽管在R中很容易完成基本绘图，但如果需要自定义绘图，事情就会变得复杂得多。这就是ggplot2诞生的原因：为了让定制绘图更容易。
正如其作者所言，“ggplot2解决了许多繁琐的细节问题(比如绘制图例)，并提供了一个强大的图形模型，这有助于轻松地生成复杂的多层图形。”
ggplot2以《The Grammar of Graphics》这本书中的思想为基础，将图理解成组成完整绘图的不同图层。例如，在ggplot2中你可以从绘制坐标轴开始，然后加入点，线和置信区间等。
ggplot2的缺点是比R中的基础画图要慢，并且初学者会发现上手很困难。但支持者为此辩解称，学习ggplot2和(更普遍地说)用tidyverse处理数据，对任何使用R的数据科学家来说都有巨大的好处。（译者注：tidyverse是为数据科学家所设计的，集合了数据处理和R的可视化包）
作者：Hadley Wickham详细链接：https://ggplot2.tidyverse.org/2. Lattice
拟合模型(Deepayan Sarkar)
当你需要对多变量数据进行可视化分析时，Lattice是最佳选择。Lattice是由Trellis graphics衍生的一个绘图系统。他能帮你生成绘图的平铺面板，以用来比较给定变量的不同值或子集。（如上图所示，这些平面图常常看起来像花园的栅栏。）
Lattice是基于grid包搭建的，并继承了grid包的大量特征。由于grid随后被列为基本的R包，所以R的老用户对Lattice的逻辑不会感到陌生。
作者：Deepayan Sarkar详细链接：http://lattice.r-forge.r-project.org/3. Highcharter
交互热图（(Joshua Kunst）
Highcharter是R中Highcharts的改进，是一个JavaScript中的交互式可视化库。和它的前身一样，Highcharter配备了非常强大的API。
Highcharter使动态图表变得简单。通过使用hchart()这样一个函数，它可以绘制R中各种对象类的图，从数据框到树形图再到谱系图。它也为代码的编写者提供了可行的方法以完成其他流行的Highcharts图，如Highstock(绘制金融图)和Highmaps(基于网络项目的原理图)。
该包配有自定义的主题，以及内置的主题，如“经济学家”、“金融时报”和“538”，便于用户向专业人士借鉴图表。
作者：Joshua Kunst详细链接：http://jkunst.com/highcharter/4. Leaflet
GeoJSON map (RStudio)
类似于highcharter，R中的Leaflet包也是基于非常流行的同名JavaScript程序库。
Leaflet提供了一种简便且有效的方法来构建交互地图。您可能已经从《纽约时报》、《华盛顿邮报》、GitHub以及类似Mapbox和CartoDB等GIS专业网站上看到过相关地图（以JS形式）。
Leaflet的R接口是由htmlwidgets框架发展而来，这使得在R Markdown documents (v2), Rstudio和Shiny apps中很容易控制并集成Leaflet地图。
作者：Joe Cheng, Bhaskar Karambelkar, Yihui Xie 详细链接：https://rstudio.github.io/leaflet/5. RColorBrewer
ROYGB Scatter (ModernData)
RColorBrewer很好地展示了R的一个优点：在各种图表和地图中调整颜色。
本包基于Cynthia Brewer关于在制图中运用颜色的研究，它帮助你生成美观的序列色、分色或定色调色板。和Plotly搭配使用，可以得到更好的效果。
附案例链接：https://moderndata.plot.ly/create-colorful-graphs-in-r-with-rcolorbrewer-and-plotly/作者：Erich Neuwirth详细链接：http://colorbrewer2.org /#type=sequential&scheme=BuGn&n=36. Plotly
线型图(Plotly)
也许你知道Plotly是一个数据可视化的在线平台，但你是否知道可以在R或Python中应用它？
与highcharter类似，Plotly擅长绘制交互图表，但它提供了一些其他包中没有的图表如：
- 等值线
- https://plot.ly/r/contour-plots/
- 蜡烛图
- https://plot.ly/r/candlestick-charts/
- 3D图
- https://plot.ly/r/3d-charts/
7. sunburstR
旭日图展示棒球数据(Kent Russell)
旭日图适用于描述事件的序列，如体育数据和产品的用户流。
运用旭日图，你可以像Kerry Rodden一样构造如图所示的旭日图。此类图表是交互式的，可以帮助用户通过强大的方式探索序列数据。
附案例链接：https://bl.ocks.org/kerryrodden /7090426作者：Kent Russell, Kerry Rodden, Mike Bostock, Kevin Warne详细链接：https://www.rdocumentation.org /packages/sunburstR/versions/2.0.08. RGL
Iris数据的3D图 (Duncan Murdoch)
想要在R中得到交互的3D图时，可以使用RGL。它的逻辑是根据R中的基础graphics建模的，但它是以三维形式呈现而不是二维。例如Lattice，它也受到grid包的启发（尽管两者在技术上并不兼容）。所以对经验丰富的R用户来说，这非常容易上手。
RGL有很多炫酷的技能，包括可以选择3D形状、灯光效果、物体的各种质感，甚至可以运用动漫制作调整3D情景。
作者：Daniel Adler ,Duncan Murdoch详细链接：https://cran.r-project.org/web/packages /rgl/vignettes/rgl.html9. Dygraphs
选定范围的时间序列图（RStudio）
此包为dygraphs提供了一个R接口。dygraphs是一个快速且灵活的JavaScript绘图程序库，用于探索时间序列数据集。dygraphs的强大之处在于，它具备很强的交互性，具有默认的鼠标悬停标签、缩放和平移等功能。他还有其他实用的交互特征，例如同时段比较和时段选定。
但是dygraphs的交互性并不是以速度为代价：它可以处理有百万数据点的大型数据集而不减慢它的效果。你也可以结合RColorBrewer和dygraphs来为时间序列选择不同颜色的调色板。
附案例：https://rstudio.github.io/dygraphs/gallery-series-options.html作者：Dan Vanderkam, RStudio详细链接：https://rstudio.github.io/dygraphs/原文标题：
9 Useful R Data Visualization Packages for Any Discipline
原文链接：
https://blog.modeanalytics.com/r-data-visualization-packages/
译者简介
王雨桐，统计学在读，数据科学硕士预备，跑步不停，弹琴不止。梦想把数据可视化当作艺术，目前日常是摸着下巴看机器学习。