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

【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

本文基于 Data-Science-For-Beginners 课程《Visualizing Distributions》的 R 语言教学版本，讲解如何使用 R 的ggplot2包对明尼苏达州鸟类数据集（data/birds.csv）进行分布分析：从散点图快速概览，到直方图（含bins参数调优、子集过滤、二维直方图），再到针对文本型数据的直方图变换，以及更平滑的密度图（geom_density与adjust参数）。学完本文，你将能够用纯 R 代码复现整套分布可视化工作流，并把同一套方法论迁移到任意数值型与分类型数据集上。

课程背景与数据集说明

在上一课中，你已经通过散点图与异常值（outlier）分析了解过这份明尼苏达州鸟类数据集，包括不同鸟类类别在最大体长上的差异。本课换一个视角：不再盯住单个变量与类别的对应关系，而是观察数据沿着坐标轴是如何组织与聚集的，也就是数据的“分布”（distribution）。

课程使用同一份数据文件 data/birds.csv，该 CSV 首行带 UTF-8 BOM 头（Name,ScientificName,...），因此 R 版本在读取时必须显式声明fileEncoding="UTF-8-BOM"，否则第一列列名会带有不可见字符。数据集的列结构如下：

在 R 控制台（或 RStudio）中按以下方式导入ggplot2、读取数据并去除异常值（过滤掉翼展超过 500 的记录，沿用上一课的做法）：

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

过滤后前几行数据大致如下（以丹麦语教学版表格为例，字段含义与英文原版一致）：

用散点图快速概览分布

在进入正式分布图表之前，可以先沿用上一课的散点图对“体长 × 目”的关系做快速侦察。R 版课程使用geom_point()+coord_flip()把目名称翻转到横轴，便于阅读：

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

这张图能给出每个鸟目体长分布的大致范围，但它并不是展示“真实分布”的最优方式——点与点之间没有聚合信息，肉眼难以判断哪个区间的样本更密集。处理分布问题的标准工具是直方图（Histogram）。

直方图：数值型数据的分布利器

ggplot2对直方图提供了非常成熟的实现：geom_histogram()会把连续数值轴切分成若干小区间（bin），用柱子的高低反映每个区间内的样本频数，形状上类似柱状图，但表达的是“数据在轴上如何聚集”。

直方图只接受数值型数据。第一个例子针对MaxBodyMass（最大体重）绘制整份数据集的分布，bins=10表示把数据切成 10 个区间：

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

可以看到：数据集中 400+ 只鸟的最大体重绝大多数落在 2000 以下，呈现明显的右偏（长尾）形态——这正是生物体重数据常见的分布特征。右尾由少数大体重鸟类（如天鹅、猛禽）拉长。

调整 bins 参数提升分辨率

把bins从 10 提高到 30，直方图会展示更细粒度的信息：

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

参数说明：bins决定区间数量。值越小柱子越粗、分布越平滑但信息越少；值越大柱子越细、细节越丰富但也更容易暴露噪声。可以把它理解成数据聚合的“分辨率”旋钮。

通过子集过滤消除左偏

上面的直方图整体向左偏（长尾在右侧）。想要得到一个不那么偏斜、更“居中”的分布，可以在绘图前先用subset()圈定数据范围——例如只保留最大体重介于 1 与 60 之间的鸟类，再以 30 个 bin 绘图：

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

✅ 动手试试：换用其他过滤条件（如MinLength、MaxWingspan）和数据范围；如果想看数据的完整分布形态，也可以去掉体重过滤条件，只保留bins设置。

二维直方图：同时观察两个分布的收敛

直方图同样支持二维扩展：geom_bin2d()把平面切成网格，用颜色深浅表示每个格子里样本的密度，scale_fill_continuous()可以指定配色方案（示例使用viridis，一种对色觉障碍友好的渐变色）：

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

结果显示体重与体长沿一条预期中的正向轴存在相关关系，并且在某个区间存在一个特别强的收敛点（颜色最亮的方格）。这种“亮点”往往提示数据的聚集中心，是探索两个变量联合分布时非常直观的起点。

文本型数据的分布：保护状态变换实战

直方图天然适合数值型数据；当需要按文本类别观察分布时，必须先做数据变换。本数据集的ConservationStatus列记录了鸟类的保护状态，缩写来自 IUCN Red List Categories（国际自然保护联盟红色名录）：

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

这些是文本值，直接传给geom_histogram会失败。R 版课程的思路是：先把各状态重编码为有序数值标签（x1～x6），再以MinWingspan为横轴、以重编码后的状态为填充色，绘制重叠直方图。position = "identity"让不同状态的柱子互相叠放而不堆叠，alpha = 0.4提供半透明效果以便观察重叠区域：

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' 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"))

参数说明：scale_fill_manual()的name设置图例标题，values指定每个级别的填充色，labels覆盖图例显示文本。注意示例代码中values只有 4 个颜色、labels也只对应 4 个状态，而实际数据里仍存在 6 个级别（其中部分级别在过滤后的子集中没有样本或样本过少），这是 R 教学示例中常见的数据情况，不影响理解机制。

从图中看，最小翼展与保护状态之间并没有表现出明显的相关性。你可以用同样的方法测试数据集里的其他字段（如MaxLength、MaxBodyMass），也可以更换过滤条件，观察是否能找到更显著的关联。

密度图：平滑的分布曲线

细心的读者会发现，直方图是“阶梯状”的（柱子之间有明确的边界），曲线无法平滑地连成弧线。当需要展示更光滑的分布形态时，应改用密度图（density plot）。

最小翼展的密度图只需一行几何对象：

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

这张图与之前MinWingspan的直方图形状一致，只是曲线化、平滑化了——它本质上是用核密度估计（KDE）把离散频数拟合成连续概率密度曲线。

之前那张锯齿感很强的MaxBodyMass直方图，同样可以平滑化：

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

adjust 参数：控制平滑程度

如果觉得曲线“过于平滑”而丢失了细节，可以修改adjust参数。adjust是带宽的缩放因子：值小于 1 会让带宽变窄、曲线更贴近原始数据（更粗糙），值大于 1 会让曲线更平滑。例如adjust = 1/5得到一条光滑但保留了较多起伏的曲线：

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

✅ 建议进一步阅读geom_density()的全部可用参数（如kernel、bw、alpha、fill），并动手实验不同取值对曲线形态的影响。

按类别分组的密度图

密度图非常擅长“以极少量代码产出解释力极强的图”。例如只需三行代码，就能按鸟目（Order）分别绘制最大体重的密度曲线，fill = Order自动分组上色，alpha = 0.5控制透明度让重叠区域可见：

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

此时各鸟目的体重分布曲线一目了然——哪些目集中在低体重区间、哪些目明显更“重”，以及不同目之间的分布重叠程度，都能直观读出。这正是密度图相对直方图的独特优势：多组比较时更不易杂乱、更易解读。

课程延伸：挑战、自学与作业

• 挑战（🚀 Challenge）：直方图是比基础散点图、柱状图、折线图更高级的图表类型。请上网搜索优秀的直方图应用案例，思考它们被用在哪些领域、能说明什么问题。这类图表在生物学、经济学、质量控制、图像处理等需要刻画“单变量分布”的场景中非常普遍。
• 自学（Review & Self Study）：本课围绕ggplot2展开，接下来可以研究geom_density_2d()——官方将其描述为“一个或多个维度上的连续概率密度曲线”。它可以把密度估计扩展到二维平面（等高线形式），与二维直方图形成互补。
• 作业（Assignment）：本课配套作业（丹麦语版见 translations/da/3-Data-Visualization/R/10-visualization-distributions/assignment.md，英文版见 3-Data-Visualization/R/10-visualization-distributions/assignment.md）要求：从 Kaggle 等平台另选一份数据集，编写一个带完整注释的 R 脚本，围绕该数据集讲一个故事，并至少使用 5 个直方图来支撑你的发现（优秀标准还包括注明数据来源）。

与本仓库其他资源的关系

本课是 Data-Science-For-Beginners 课程第三模块“数据可视化”的一部分，同一主题在仓库中还有两个并行版本可供对照学习：

• Python 版：3-Data-Visualization/10-visualization-distributions/README.md 使用 Pandas + Matplotlib（plot(kind='hist')）实现相同分析，并在密度图部分引入 Seaborn 的kdeplot()（对应 R 版的geom_density()，平滑参数bw_adjust对应 R 版的adjust）；
• R 版英文原稿：3-Data-Visualization/R/10-visualization-distributions/README.md 即本文所讲解文档的原始版本。

R 版课程目录下还提供了与本文每张示意图对应的 PNG 源图（3-Data-Visualization/R/10-visualization-distributions/images/），以及丹麦语译文使用的 webp 版本（translated_images/da/），便于对照图表细节。整个课程模块还配套了在线测验应用（见 quiz-app/）与手绘速记图（见 sketchnotes/10-Visualizing-Distributions.png），可以作为课前课后复习的补充材料。

至此，你已经掌握了从散点概览、直方图调参、子集过滤、二维直方图，到文本数据变换与密度图平滑的完整分布分析工具箱——下一步，就把这套流程用到你自己的数据上吧。

【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