Menu

這篇主要描述自己以往在利用 Python 做資料視覺化 (data visualization) 時常犯的思維瑕疵,而該思維如何在接觸 R 的 ggplot2 以後得到改善。

本文會試著說明資料視覺化的本質為何,以及在設計視覺化時,概念上應該包含什麼要素以及步驟。最後展示如何透過 ggplot2 活用前述的概念,來實際做資料視覺化。

目錄

資料視覺化是資料與圖的直接映射?

身為一個 Python 起家的資料科學家,在做資料視覺化的時候,我很自然地使用 Python ecosystem 裡像是 matplotlib 以及 seaborn 等繪圖 packages。針對手中的資料,我會想辦法找到一個「對應」的圖然後把資料塞進去。簡單無腦 (:3 」∠)

舉例來說,當我們手上有三個變數 x, y, z 且其各自的資料型態為:

則我們想要進行資料視覺化的時候有幾種選擇:

  • 想分析 x, y -> 都是定量資料 -> 散佈圖 (scatter plot)
  • 想分析 x, z -> 一定量一定性 -> 長條圖 (bar chart)

在這,「資料視覺化」的定義是一種映射關係 (mapping):也就是如何將資料直接對應到某個「特定」圖表形式(折線圖、散佈圖 etc.)。基本上這種映射關係在做簡單的分析的時候沒有什麼問題,但是當想要同時分析/呈現的變數超過兩個 (例: x & y & z )的時候就不容易找到適合的圖。一個折衷的方法是我們把變數兩兩畫圖做比較,但這樣會侷限我們能分析的資料維度數目,錯過一些有趣的洞見。

資料視覺化應該是 ..

先確認觀眾及目的

在完成一些 ggplot2 的 tutorials 後,可以發現資料視覺化一般依用途可以分為兩種:

  • 探索、了解資料特性
  • 說故事:將探索過後得到的洞見 (insight) 傳達給其他人
Image Credit : 搞清楚資料視覺化的目的以及觀眾是重要的第一步

依照目的以及觀眾的不同,資料視覺化的方式會有所不同。一個常見的例子是當我們第一次接觸某個資料集。這時候資料視覺化的觀眾是自己,目的是在最短的時間了解資料特性。則這時我們在做圖的時候的要求就可以很寬鬆,像是不加上標題,或是只要能做出自己能理解的視覺化即可。

正式定義

在確認觀眾及目的以後,我們終於可以開始進行資料視覺化了!資料視覺化的定義因人而異,而這邊我想給出一個非常直觀的定義:

資料視覺化是將資料中的變數映射到視覺變數上,進而有效且有意義地呈現資料的樣貌

一些常見且肉眼容易識別的視覺變數 / 刻度(visual variables / scales)包含:

  • 位置(x / y axis)
  • 顏色(color)
  • 大小(size)
  • 透明程度(alpha)
  • 填滿(fill)
  • 形狀(shape)

用更口語的方式來解釋:在做資料視覺化的時候,我們希望能將

  • 肉眼難以分析的資料

對應到:

  • 肉眼容易解讀的視覺元素

透過這個映射關係,我們可以將原本的變數的數值變化也映射到視覺變數的變化。而因為我們人類容易區別視覺變數的變化(位置差異、大小長度變化 etc),我們能更容易地理解原始資料的樣貌、變化以及模式。

舉例來說,我們可以:

  • 把不同捷運路線(文湖線、板南線)對應到不同顏色
  • 把各國的 GDP 對應到點的大小
  • 把某個資料的年份對應到 X 軸,越右邊代表越接近現代

一個簡單例子

事實上,我們可能平常每天都在做資料視覺化而不自知。比方說我們有一個數列 y

y = [-2.055, -1.132, -0.522, -1.229, 0.013 .. ]

光是看這個數字,肉眼無法看出什麼模式,但我們可以簡單畫個圖:


這邊我們利用視覺變數「Y軸位置」來呈現數值的變化,可以馬上看出數列裡頭的值都落在 -3 到 3 之間,而這是因為我們肉眼很容易辨別「位置」這個視覺變數的變化。

圖像的分層文法

A Layered Grammar of Graphics 裡頭,Hadley Wickham 闡述所謂的圖像(包含由資料視覺化產生的圖像)實際上如同我們平常使用的語言,是有文法的。而其文法可以拆成 7 個部分(層)。前述的

  • 原始資料 = 資料層(Data)
  • 視覺變數層(Visual variables = Aesthetics)

則恰好是這個架構裡頭最底下的兩層。視覺變數是我為了方便理解建立的名詞,在原文以及 ggplot2 裡頭被稱作 Aesthetics。(中文翻作「美學」,當初看好久也無法理解啊 (╯°Д°)╯ ┻━┻)

Image Credit : 圖像的分層文法

看到這你一定會「哇靠那我每次畫個圖都要實作七層?」。實際上不需要,上面幾層像是主題(Theme)比較像是裝飾品,給我們更大的自由與彈性來訂製(customize)視覺化結果。在下一節我們會看到,ggplot2 會自動幫我們設定合適的主題或座標。(如果沒特別指定的話)

但一般而言,一個圖像最基本的組成是底下三層。也就是除了前述的兩層(資料、視覺變數)以外還需要加上

  • 幾何圖形層(Geometries)

為何還要這層?假如我們有了資料,決定了視覺變數(第二層,例:把資料中的變數 A 對應到 X 軸;變數 B 對應到 Y 軸)後,實際上就可以畫一個充滿點(point)的散佈圖了不是嗎?

這樣的思維如同資料視覺化是資料與圖的直接映射?部分所提到的,有所瑕疵。如果變數 A 是分類型變數(Categorical)的話,單純以為圖形的散佈圖就會變得十分難以理解(下圖左);這時候以長條為圖形(下圖右)的方式會比較清楚:

獨立幾何圖形層 :
讓資料視覺化不再侷限於「我要畫什麼圖」,而是「我想要怎麼畫」

將「幾何圖形」這個選擇獨立出來一層讓我們在資料視覺化的時候有更大的彈性。有了這些基本概念以後,我們可以開始嘗試使用 ggplot2 來實際做一些資料視覺化。

ggplot2 實踐

在這個章節裡頭我們將使用 Kaggle 的 Ramen Ratings 來做資料視覺化。這資料集紀錄了各國泡麵所得到的星星數。首先我們要先載入這次的主角:R 語言裡頭最著名的視覺化 package ggplot2。dplyr 則是 R 語言用來處理資料的 package。

載入 packages

library(ggplot2)
library(dplyr)

值得一提的是它們都是同屬於 TidyVerse 的一員。TidyVerse 是 R 裡頭常被用來做資料科學的 packages 的集合,以 Python 來說大概就像是 Pandas + Matplotlib + Numpy 的感覺吧。

載入資料 + 簡單資料處理

如下註解所示,這邊將資料集讀入,做一些簡單的資料型態轉變後選擇一部分的資料集(subset)來做之後的視覺化:

# 將 CSV 檔案載入成資料框架(dataframe)
ramen_all <- read.csv("datasets//ramen-ratings.csv")

# 將「星星數」轉成定量資料
ramen_all$Stars <- as.numeric(ramen_all$Stars) 

# Subset 資料,選擇拉麵數量前幾多的國家方便 demo
ramen <- ramen_all %>%
  filter(Country %in% count(ramen_all, Country, sort = TRUE)[1:6, 1, drop=TRUE]) %>%
  filter(Style %in% count(ramen_all, Style, sort = TRUE)[1:4, 1 , drop=TRUE])

除了我們使用 dplyr 的 filter 依照條件 subset 資料集以外,值得一提的是 pipe 運算子 %>%。它是前面提到的 TidyVerse 裡頭的 packages 共享的介面(interface),將前一個函示的輸出當作下一個函式的輸入,讓我們可以把運算全部串(chain)在一起。在 Linux 裡頭就是如同 | 的存在。

而實際我們的資料長這樣:

head(ramen)
Review..BrandVarietyStyleCountryStarsTop.Ten
2580 New Touch T's Restaurant Tantanmen Cup Japan 37
2579 Just Way Noodles Spicy Hot Sesame Spicy Hot Sesame Guan-miao NoodlesPack Taiwan 7
2578 Nissin Cup Noodles Chicken Vegetable Cup USA 16
2577 Wei Lih GGE Ramen Snack Tomato Flavor Pack Taiwan 19
2575 Samyang Foods Kimchi song Song Ramen Pack South Korea 47
2574 Acecook Spice Deli Tantan Men With Cilantro Cup Japan 39

簡單資料視覺化

有了資料,讓我們再確定一下資料視覺化的目的及觀眾:

  • 目的:探索資料
  • 觀眾:我們自己

這樣的條件讓我們知道視覺化的條件是快速做出結果,不需調整如標題、主題的設定。

現在讓我們問一些簡單的問題。像是

  1. 泡麵的包裝(碗裝、袋裝等)各佔多少比例?
  2. 不同國家各有多少泡麵在資料集裡頭?
  3. 不同包裝的泡麵所得到的星星總數,在不同國家有什麼差異嗎?

其中一種能解決第一個問題的資料視覺化是:

ggplot(ramen, aes(x = Style)) + geom_bar()

ggplot(ramen, aes(x = Style)) + geom_bar()

裡頭,我們實際上已經建構了圖表最基礎的三層元素:

  • 資料層: ramen 告訴 ggplot2 使用此資料框架
  • 視覺變數層: aes(x = Style) 告訴 ggplot2 我們將使用「 X 軸位置」這個視覺變數來反映泡麵包裝 Style 這個變數的變化
    • 因為包裝的值有四種可能,你可以想像 ggplot2 已經準備好要幫你在 X 軸上的四個位置畫圖
    • aes 是我們前面提到 aesthetics 的縮寫
  • 幾何圖形層: geom_bar() 告訴 ggplot 去計算對應到 x 視覺變數的變數裡頭,所有值的出現次數後將結果以長條來呈現

我們通常透過 + 來疊加不同層的結果。

基本層數缺一不可

上面的例子很簡單,但假如我們沒有指定幾何圖形層的話,圖會長什麼樣子呢?

ggplot(ramen, aes(x = Style))

就像我們剛剛所說的,雖然 ggplot2 已經知道要用什麼資料框架、要用什麼視覺變數,不知道要用什麼圖形表示的話就會是空白一張圖。

另個簡單例子

讓我們依樣畫葫蘆,來解決第二個問題:

  • 不同國家各有多少泡麵在資料集裡頭?
ggplot(ramen, aes(x = Country, fill = Style)) + 
  geom_bar() + 
  coord_flip()


這邊有兩個值得注意的地方:

  1. 除了基本的三層以外,我們透過 + coord_flip() 額外對座標層(Coordinates)做操作,請 ggplot2 把 x, y 軸互換。
  2. 透過 aes(..., fill = Style) 裡頭的 fill = Style ,我們告訴 ggplot2 將長條圖裡頭的填滿空間(fill)這個視覺變數,依照泡麵包裝(Style)做變化

第二點是在做資料視覺化的時候,想辦法增加資料墨水量(Data Ink Ratio)的例子。透過增加顯示在同張圖上的變數數目,進而提高該圖能傳達的訊息量。

舉例而言,我們可以很明顯地看到,在這資料集裡頭,台灣的杯裝泡麵(Cup)沒有被記錄到多少;而日本被記錄到的泡麵量最多,且袋裝(Pack)數目最多。這些是在我們沒有用「填滿」這個視覺變數時無法察覺的。而在 ggplot2 裡,要實現這種視覺化非常容易。

複雜例子

讓我們解決最後一個問題:

  • 不同包裝的泡麵所得到的星星總數,在不同國家有什麼差異嗎?

資料視覺化一個有趣的地方就是:同個問題不同的人會有不同的做法。而針對這問題其中一種做法是:

  1. 將包裝 Style 對應到 X 軸、星星數 Stars 對應到 Y 軸,然後使用長條 geom_bar 顯示數值
  2. 依照每個國家重複步驟一

而 ggplot2 的實作為:

ggplot(ramen, aes(x = Style, y = Stars)) +
  geom_bar(stat = "identity") + 
  facet_wrap( ~ Country)


實際上在上面的程式碼裡頭,我們多操作了額外兩層:

  • 統計層(Statistics):專門負責匯總資料
  • 小平面層(Facets):依照選定的變數分別畫圖,如上述的步驟二

首先 ggplot2 的 geom_bar 預設只需要 x 視覺變數,因為匯總資料的統計層會把 x 依照不同的值分別計數(也就是各個包裝的數量),然後讓 geom_bar 顯示。但我們並不希望 geom_bar 使用這個數值,因此使用 geom_bar 裡頭的 stat = "identity" 是告訴統計層不要分別計數,而是使用我們給定的星星數 y

facet_wrap( ~ Country) 則是告訴小平面層依照 Country 這個變數重複畫

ggplot(ramen, aes(x = Style, y = Stars)) +
  geom_bar(stat = "identity")

注意所有的圖的 x, y 軸都是一致的,方便我們做比較。

結語

資料視覺化需要統計知識以及設計美感,涵蓋範圍非常廣大。這篇雖然打了落落長,但真的只有碰到皮毛(淚)。資料視覺化感覺都可以打個系列文了。但最後再次重申資料視覺化的定義:

資料視覺化是將資料中的變數映射到視覺變數上,進而有效且有意義地呈現資料的樣貌

總之先確認你的觀眾與目的,選好你想要觀察的變數,選擇適當的視覺變數做可視化吧!

跟資料科學相關的最新文章直接送到家。
只要加入訂閱名單,當新文章出爐時,
你將能馬上收到通知