摘要：文章對(duì)R語(yǔ)言及ggplot2做了介紹，并通過(guò)一系列實(shí)例描述了它們?cè)诃h(huán)境空氣自動(dòng)監(jiān)測(cè)數(shù)據(jù)的收集、清洗、整理、統(tǒng)計(jì)變換、可視化方面的應(yīng)用，反映出其在數(shù)據(jù)分析中的巨大潛力。

關(guān)鍵詞：R語(yǔ)言；ggplot2；環(huán)境空氣監(jiān)測(cè)；監(jiān)測(cè)數(shù)據(jù)分析；可視化 文獻(xiàn)標(biāo)識(shí)碼：A

中圖分類號(hào)：X823 文章編號(hào)：1009-2374（2015）16-0088-04 DOI：10.13535/j.cnki.11-4406/n.2015.16.043

隨著新《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》（GB 3095-2012）的發(fā)布、實(shí)施，全國(guó)各地都在采用環(huán)境空氣自動(dòng)監(jiān)測(cè)以應(yīng)對(duì)其嚴(yán)苛的數(shù)據(jù)有效性要求。環(huán)境空氣自動(dòng)監(jiān)測(cè)系統(tǒng)每天都在產(chǎn)生大量的數(shù)據(jù)，如何對(duì)數(shù)據(jù)進(jìn)行有效的統(tǒng)計(jì)分析，成為一個(gè)新的課題。對(duì)數(shù)據(jù)的可視化，是數(shù)據(jù)分析的第一步。本文應(yīng)用R語(yǔ)言及ggplot2圖形繪制包以浙江省常山縣城區(qū)兩個(gè)空氣自動(dòng)站即環(huán)保大樓站及圖書館站2014年全年監(jiān)測(cè)數(shù)據(jù)為例進(jìn)行各種可視化分析，以探討該軟件在空氣質(zhì)量數(shù)據(jù)分析領(lǐng)域應(yīng)用的巨大潛力。

1 軟件準(zhǔn)備

1.1 R語(yǔ)言軟件與擴(kuò)展包

R語(yǔ)言是一種區(qū)分大小寫的解釋性語(yǔ)言，其具有的強(qiáng)大統(tǒng)計(jì)計(jì)算及繪圖能力，是從大數(shù)據(jù)中獲取有用信息的絕佳工具，它提供了Windows、OS X、Linux等各大操作系統(tǒng)下的版本，可以直接從網(wǎng)上免費(fèi)下載、安裝、使用。R語(yǔ)言軟件在基本安裝中提供了大量的數(shù)據(jù)處理、統(tǒng)計(jì)和圖形函數(shù)，此外各社區(qū)還開(kāi)發(fā)了數(shù)以千計(jì)的擴(kuò)展包（packages）為R增加了更多令人驚奇的功能，本文用到的ggplot2、plyr、reshape2等即是其中的一部分。

ggplot2是目前R語(yǔ)言中的圖形繪制擴(kuò)展包，它為R語(yǔ)言提供了一個(gè)基于全面而連貫的語(yǔ)法的繪圖系統(tǒng)，它由一系列獨(dú)立的圖形部件組成，并能以許多種不同的方式組合起來(lái)，使得數(shù)據(jù)分析者能用緊湊的語(yǔ)法輕松繪制出復(fù)雜的圖形，從而使數(shù)據(jù)分析者更能將注意力集中于數(shù)據(jù)分析本身。plyr與reshape2是兩個(gè)功能強(qiáng)大的數(shù)據(jù)整理擴(kuò)展包，它們?yōu)镽語(yǔ)言擴(kuò)展了對(duì)數(shù)據(jù)變換、數(shù)據(jù)變形的功能。

ggplot2軟件包可以在R語(yǔ)言命令提示符后輸入install.packages（“ggplot2”），選擇合適的下載鏡像后，就可以自動(dòng)從網(wǎng)上下載安裝。在Windows操作系統(tǒng)下下載的是二進(jìn)制文件，可以直接使用；在類Unix操作系統(tǒng)下，下載的是包的源代碼，經(jīng)過(guò)編譯后才能使用，但只要具備gcc等編譯工具，安裝都可通過(guò)簡(jiǎn)單的命令完成。在使用前，需要輸入library（ggplot2）或require（ggplot2）調(diào)用該軟件包。plyr包等也是如此。

1.2 Excel

但面對(duì)原始數(shù)據(jù)，微軟公司的Excel往往是對(duì)數(shù)據(jù)進(jìn)行清洗、分列的直觀分析利器。各地自動(dòng)監(jiān)測(cè)站采集并導(dǎo)出的原始數(shù)據(jù)往往是xml格式的，而Excel處理這種格式極為得心應(yīng)手。Excel中的數(shù)據(jù)篩選功能可以輕易地刪除大量無(wú)效數(shù)據(jù)，分列功能可以將監(jiān)測(cè)日期與時(shí)刻分離以便于下一步的處理，數(shù)據(jù)格式也可以得到統(tǒng)一，將數(shù)據(jù)“另存為”csv格式后即可通過(guò)read.csv（）函數(shù)導(dǎo)入R軟件。R軟件也可以通過(guò)write.csv（）函數(shù)寫出csv格式的文件與Excel交互使用。

2 數(shù)據(jù)處理

2.1 數(shù)據(jù)的收集與整理

2.2 數(shù)據(jù)的統(tǒng)計(jì)變換

對(duì)數(shù)據(jù)分析的細(xì)化過(guò)程往往就是分組的過(guò)程。2.1節(jié)中為數(shù)據(jù)增加“month”一列即是為數(shù)據(jù)按月份進(jìn)行分組，“site”一列即是為站點(diǎn)分組，“clock”一列即是為數(shù)據(jù)按時(shí)刻進(jìn)行分組。在實(shí)際工作中，分析數(shù)據(jù)的角度不同，分組也是千奇百怪。如可按當(dāng)日溫度差來(lái)分組，也可按平均風(fēng)速的大小來(lái)分組，當(dāng)然也可以按PM2.5日均值大小來(lái)分組來(lái)考察其他觀測(cè)值的情況。

數(shù)據(jù)的變換與變形則是基于統(tǒng)計(jì)以及下一步分析的需要，將數(shù)據(jù)變化成相應(yīng)的形式。

2.2.1 創(chuàng)建分組變量。在數(shù)據(jù)分析過(guò)程中，常常發(fā)現(xiàn)這種情況：組別分的太細(xì)或者需要根據(jù)原數(shù)值內(nèi)容創(chuàng)建分組。

melt（）函數(shù)中id.var意為標(biāo)識(shí)變量，即在原數(shù)據(jù)框中需保留的列向量，measure.var意為度量變量，即在原數(shù)據(jù)框中需要融合的列向量。melt（）函數(shù)生成的新數(shù)據(jù)框中保留了id.var的同時(shí)，生成了兩列：一列名為variable，包含的是measure.var；一列名為value，即原數(shù)據(jù)框中measure.var的值。由于ggplot2的獨(dú)特語(yǔ)法，使用melt（）函數(shù)得到的新數(shù)據(jù)框可使ggplot2在同一張圖中繪制多個(gè)參數(shù)。

3 ggplot2數(shù)據(jù)可視化應(yīng)用

一般認(rèn)為R語(yǔ)言有4套圖形系統(tǒng)，即graphics、grid、lattice、ggplot2。其中g(shù)raphics、grid、lattice被認(rèn)為是基礎(chǔ)圖形系統(tǒng)，它們的繪圖命令精煉、實(shí)用、運(yùn)行速度塊，制出的圖形美觀、實(shí)用，但是基礎(chǔ)圖形系統(tǒng)的制圖方式極為生硬，函數(shù)各參數(shù)繁復(fù)，令人往往在繪圖上耗費(fèi)大量的時(shí)間，而不是在數(shù)據(jù)分析上。

ggplot2是2005年后才新出現(xiàn)的圖形系統(tǒng)，它提供了統(tǒng)一的接口及一些選項(xiàng)，替代了基礎(chǔ)圖形系統(tǒng)那套繁雜的修補(bǔ)體系，令使用者能更多地關(guān)注于數(shù)據(jù)本身。當(dāng)然ggplot2中也有大量底層命令可對(duì)圖形作精細(xì)的修改。

3.1 數(shù)據(jù)的簡(jiǎn)單分布

箱線圖是一種展示數(shù)據(jù)分布的方法，箱內(nèi)為25%～75%的值，箱中的橫線代表中位值，箱子上下豎線表示上下的相鄰值，超過(guò)相鄰值的點(diǎn)稱為外部點(diǎn)。使用ggplot2繪制常山縣兩個(gè)站點(diǎn)二氧化硫全年日均值分布的箱線圖命令如下所示，繪制出的圖形見(jiàn)圖4。

3.2 趨勢(shì)線的添加

在數(shù)據(jù)可視化工作中，參數(shù)與參數(shù)之間往往有著或多或少的關(guān)系，添加趨勢(shì)線是探索這種關(guān)系的一種橋梁。R語(yǔ)言在數(shù)據(jù)分析方面最大的優(yōu)勢(shì)就是其強(qiáng)大的數(shù)據(jù)擬合功能，它提供了線性、非線性、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等大量數(shù)據(jù)擬合工具。這些工具均可以與ggplot2配合使用繪制出趨勢(shì)圖形，以檢驗(yàn)其擬合成果。

3.3 分組變量的體現(xiàn)

在數(shù)據(jù)可視化的過(guò)程中，數(shù)據(jù)分組可以幫助人們揭示更多的細(xì)節(jié)。ggplot2可將在數(shù)據(jù)處理階段創(chuàng)建的分組變量以顏色、形狀、大小等形式映射于圖上。

此例geom_point（）函數(shù)中的size參數(shù)將臭氧濃度水平映射到二氧化氮濃度點(diǎn)的大小上，如此從圖中可以明顯可見(jiàn)臭氧濃度水平“強(qiáng)”時(shí)，往往是二氧化氮濃度較低時(shí)。類似的還可以用colour、shape等將分組變量的各組別映射為顏色、形狀等，使繪制出的二維圖呈現(xiàn)出更多的內(nèi)容。

3.4 圖形分面

數(shù)據(jù)可視化中最實(shí)用的技術(shù)之一是將分組的數(shù)據(jù)并列呈現(xiàn)，這樣可以使得組間數(shù)據(jù)的比較變得容易許多，ggplot2中將之稱為分面（facet）。ggplot2中可以用facet_grid（）和facet_wrap（）兩個(gè)函數(shù)都可以繪制出分面圖。

2.2.3中利用melt（）函數(shù)得到了csclockmelt數(shù)據(jù)框，下例利用該數(shù)據(jù)，繪制四季中二氧化硫、二氧化氮、細(xì)顆粒物這三大污染物在24小時(shí)中的分布情況圖，命令如下，得到圖7。

命令中factor（）函數(shù)為季節(jié)排序，shape、colour將污染物種類映射至散點(diǎn)形狀、曲線顏色，facet_wrap（）函數(shù)自動(dòng)將分組變量season進(jìn)行分面處理。如此在相同的坐標(biāo)系中得到四張并列的圖，可令人更直觀地比較數(shù)據(jù)。

4 結(jié)語(yǔ)

R語(yǔ)言最初時(shí)只是一個(gè)統(tǒng)計(jì)分析軟件包，它擅長(zhǎng)于繪圖、分析數(shù)據(jù)以及利用數(shù)據(jù)來(lái)擬合統(tǒng)計(jì)模型，在不擅長(zhǎng)的領(lǐng)域如復(fù)雜數(shù)據(jù)存儲(chǔ)、大數(shù)據(jù)處理，它也提供了接口；ggplot2以其自成一派的語(yǔ)法聞名，它不需要考慮某圖形需要填充什么顏色，使用什么形狀的線段連接散點(diǎn)，不必去糾結(jié)基本圖形系統(tǒng)中那些繁雜的參數(shù)，將更多的時(shí)間用于數(shù)據(jù)分析本身。本文中某些例子由于考慮到各圖形的美觀及信息的正式性，在繪制時(shí)應(yīng)用了不少ggplot2中的底層命令，顯得各例中命令較為復(fù)雜。實(shí)際應(yīng)用中均可大大簡(jiǎn)化，即使如此，與基礎(chǔ)圖形系統(tǒng)相比，ggplot2的優(yōu)勢(shì)也盡顯無(wú)疑。

當(dāng)然，工具永遠(yuǎn)只能是工具，無(wú)論什么工具都無(wú)法替代有效數(shù)據(jù)的積累和大腦思考問(wèn)題的角度。各地將氣象數(shù)據(jù)納入環(huán)境空氣質(zhì)量數(shù)據(jù)一起分析時(shí)，思考時(shí)角度可以更加多元化；各地的一些污染控制工作內(nèi)容也可以納入數(shù)據(jù)框中作分析，以評(píng)價(jià)其有效性；省、市以上的監(jiān)測(cè)部門更是可以利用更多的環(huán)境空氣自動(dòng)監(jiān)測(cè)數(shù)據(jù)作一些地域性的探索。

參考文獻(xiàn)

[1] Hadley Wickham.ggplot2：Elegant Graphics for Data Analysis[M].New York：Springer-Verlag，2009.

[2] Hadley Wickham.The Split-Apply-Combine Strategy for Data Analysis[J].Journal of Statistical Software，2011，40（1）.

[3] Hadley Wickham.Reshaping data with the reshape package[J].Journal of Statistical Software，2007，21（12）.

作者簡(jiǎn)介：袁佳（1982-），男，常山縣環(huán)境監(jiān)測(cè)站工程師，研究方向：儀器分析、環(huán)境自動(dòng)監(jiān)測(cè)系統(tǒng)運(yùn)維管理。

（責(zé)任編輯：黃銀芳）