使用 R + ggplot2 可视化“数量”数据：Data-Science-For-Beginners 鸟类翼展实战（折线图、散点图与条形图）

本篇指南以 Data-Science-For-Beginners 课程第 9 课 Visualizing Quantities 的 R 语言版本（3-Data-Visualization/R/09-visualization-quantities/README.md）为骨架，基于仓库自带的明尼苏达州鸟类数据集，完整演示如何用 R 生态中最流行的可视化包 ggplot2（配合 dplyr、tidyr 等管道工具）绘制并优化折线图、散点图与条形图。读完本文，你将掌握“数量（quantity）”类数据的分析套路：从识别离群点、过滤脏数据，到按类别分组计数、比较与叠加数据，最终能独立用 R 脚本讲述一张数据集里的“故事”。如果你更习惯 Python/Matplotlib，可对照阅读对应的主课文档 3-Data-Visualization/09-visualization-quantities/README.md。

本课在课程中的定位与配套资源

这一课是课程第 3 部分（Data Visualization）的第一个 R 语言实践，主题聚焦于**数量（quantities）**的可视化——也就是“数据集中某一数值特征有多大、有多少、如何分布”。课程在 1-Introduction/README.md 所描述的路标图（Sketchnote）sketchnotes/09-Visualizing-Quantities.png 中把该知识点归入“根据数据选择正确图表”的基础能力培养。

• 数据文件：data/birds.csv，存放在仓库根目录的 data 文件夹下，是一份已经过清洗的鸟类观测数据；
• R 代码路径：3-Data-Visualization/R/09-visualization-quantities/README.md；
• 配套练习：3-Data-Visualization/R/09-visualization-quantities/assignment.md；
• 图示输出：3-Data-Visualization/R/09-visualization-quantities/images。

打开 R 控制台或 RStudio，跟着本文逐段执行即可复现全部图表。

认识数据与可视化框架

birds.csv：明尼苏达鸟类数据集长什么样

本课的核心数据是明尼苏达州的鸟类记录，包含表头外的 442 条观测，每条记录给出了从目（Order）到属（Genus）的 Linnaeus 分类学信息、保护状态，以及体长、体重、翼展的最小/最大值等 6 个数值维度。列结构如下（与课程中 head() 输出一致）：

Name	ScientificName	Category	Order	Family	Genus	ConservationStatus	MinLength	MaxLength	MinBodyMass	MaxBodyMass	MinWingspan	MaxWingspan
Black-bellied whistling-duck	Dendrocygna autumnalis	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Dendrocygna	LC	47	56	652	1020	76	94
Fulvous whistling-duck	Dendrocygna bicolor	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Dendrocygna	LC	45	53	712	1050	85	93
Snow goose	Anser caerulescens	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Anser	LC	64	79	2050	4050	135	165
Ross's goose	Anser rossii	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Anser	LC	57.3	64	1066	1567	113	116
Greater white-fronted goose	Anser albifrons	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Anser	LC	64	81	1930	3310	130	165

导入并查看数据前 5 行：

birds <- read.csv("../../data/birds.csv", fileEncoding = "UTF-8-BOM")
head(birds)

注意：数据集路径 ../../data/birds.csv 是相对于本课文件夹的写法。文件实际位于仓库根目录 data/birds.csv；fileEncoding = "UTF-8-BOM" 用于剥离 CSV 文件开头的 BOM 头（该文件第一列 Name 前带 BOM 标记，不加此参数首列名会变成 \ufeffName）。

从 data/birds.csv 的源码看，这份数据是纯文本 CSV，列之间以逗号分隔，数值列单位隐含为“厘米/克”。由于 Python 版课程同样读取该文件，两套语言教程共享同一份数据，这正是仓库设计上的特点——语言不同、数据一致、结论可比。

ggplot2 与“图形语法”：Plot = Data + Aesthetics + Geometry

ggplot2 是一套声明式的绘图系统，理论基础是 Wilkinson 提出的 Grammar of Graphics（图形语法）。它将一张图拆解为若干语义组件（比例尺 scale、图层 layer 等），用户只需告诉 ggplot2“把哪些变量映射到哪些美学属性、用哪种几何对象来画”，剩下的渲染细节由包自动完成。

✅ Plot = Data + Aesthetics + Geometry

• Data（数据）：要使用的数据集（例如 birds）；
• Aesthetics（美学映射）：要研究的变量，即 aes(x = ..., y = ...) 指定的横纵轴变量；
• Geometry（几何对象）：图表的类型，如折线 geom_line()、散点 geom_point()、条形 geom_bar()。

选择哪种几何对象，取决于你的数据结构和想讲述的故事。本课给出了一张选择速查表：

• 分析趋势：折线（line）、柱状（column）；
• 比较数值：条形（bar）、柱状、饼图（pie）、散点；
• 展示部分与整体的关系：饼图；
• 展示数据分布：散点图、条形图；
• 展示数值间关系：折线、散点、气泡图。

用最少的代码绘制单变量或多变量图形，正是 ggplot2 成为 R 中最流行的可视化包的原因。

用折线图观察鸟类的最大翼展

第一步：绘出所有鸟的 MaxWingspan

安装并加载 ggplot2 后，用一句 ggplot() 即可完成第一张折线图：

install.packages("ggplot2")
library("ggplot2")

ggplot(data = birds, aes(x = Name, y = MaxWingspan, group = 1)) +
  geom_line()

ggplot() 的第一参数是数据集，aes() 指定横轴 Name（鸟名）与纵轴 MaxWingspan（最大翼展），group = 1 告诉 ggplot 把所有点当作一条连续的折线来连接；geom_line() 负责绘制折线。

立刻能注意到的问题：图中存在至少一个离群点——某些鸟的翼展高达 2000+ 厘米，也就是 20 多米，仿佛明尼苏达州游荡着翼手龙。显然，这些数值需要调查。

虽然你可以在 Excel 里快速排序找出这些可疑数据（多半是录入时多敲了一位数字），但更好的方式是留在绘图工作流里，用可视化的手段一边看一边处理。

第二步：旋转横轴标签，标注坐标轴

图中横轴有几百个鸟名，直接展示必然重叠。可以在 theme() 中把 x 轴文本旋转 45 度，并用 xlab() / ylab() / ggtitle() 补齐轴标签与标题：

ggplot(data = birds, aes(x = Name, y = MaxWingspan, group = 1)) +
  geom_line() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  xlab("Birds") +
  ylab("Wingspan (CM)") +
  ggtitle("Max Wingspan in Centimeters")

这里 element_text(angle = 45, hjust = 1) 控制文本旋转角度与水平对齐方式（hjust = 1 表示右对齐，避免旋转后标签错位），得到下图。

即使旋转到 45 度，鸟种太多依然无法逐个阅读。换一种策略：只标注离群点，并把标签直接放进图内。

用散点图定位并标注离群点

改用散点几何 geom_point() 能留出更多标注空间。下面这段代码把超过 500 厘米翼展的鸟名直接以文本标签画在数据点旁，同时把 x 轴标签整体隐藏以“去 clutter”：

ggplot(data = birds, aes(x = Name, y = MaxWingspan)) +
  geom_point() +
  geom_text(aes(label = ifelse(MaxWingspan > 500, as.character(Name), "")),
            hjust = 0, vjust = 0) +
  theme(axis.title.x = element_blank(),
        axis.text.x = element_blank(),
        axis.ticks.x = element_blank()) +
  ylab("Wingspan (CM)") +
  ggtitle("Max Wingspan in Centimeters")

要点拆解：

• geom_text(aes(label = ifelse(...))) 逐点判断：当 MaxWingspan > 500 时用鸟名做标签，否则留空；
• hjust = 0, vjust = 0 让标签从点的右下方向外偏移，避免与点重叠；
• theme(axis.title.x = element_blank(), axis.text.x = element_blank(), axis.ticks.x = element_blank()) 依次隐藏 x 轴标题、刻度文本与刻度线。

说明：原文档该段代码在 geom_text(...) 前缺少行连接符 +，会直接导致语法错误；本文已将其补全为可连续执行的管道链。

观察散点图可以确认离群点到底是谁。原始输出图见 MaxWingspan-scatterplot.png。

过滤离群点，得到更干净的数据

调查发现，Bald eagle（白头海雕）与 Prairie falcon（草原隼） 的最大翼展疑似各被多加了一个 0。对仓库数据 data/birds.csv 做实际检查可以印证这一点：Bald eagle 的 MaxWingspan 为 2300 厘米、Prairie falcon 为 1100 厘米，而其余 440 条记录全部落在 500 厘米以内——即便对于大型猛禽，翼展也应在 2 米上下量级。

用 subset() 剔除这两个记录，得到新数据框：

birds_filtered <- subset(birds, MaxWingspan < 500)

ggplot(data = birds_filtered, aes(x = Name, y = MaxWingspan)) +
  geom_point() +
  ylab("Wingspan (CM)") +
  xlab("Birds") +
  ggtitle("Max Wingspan in Centimeters") +
  theme(axis.text.x = element_blank(), axis.ticks.x = element_blank())

过滤后翼展分布不再被“拉平”，主分布清晰可读：

值得一提：subset(birds, MaxWingspan < 500) 会把 442 条记录收敛为 441 条（课程中 MaxWingspan < 500 的过滤条件恰好同时剔除上述两只鸟）。若你担心某只翼展 < 500 的鸟被误伤，也可以显式写 !(Name %in% c("Bald eagle", "Prairie falcon"))，两种写法结果一致。

数据在翼展维度上干净之后，下一步是把注意力转向这个数据集“有多少”类型的问题：

• 数据集里有多少种鸟类 Category，各类数量是多少？
• 有多少鸟是灭绝（extinct）、濒危（endangered）、稀有（rare）还是常见（common）？
• 按 Linnaeus 分类术语，各个属（Genus）和目（Order）各有多少种？

折线图与散点图能展示数值与分布，而回答“数量/多少”需要另一类几何对象——条形图。

用条形图探索鸟类类别分组

当需要展示数据的分组时，条形图最实用。先加载数据处理三件套，并按 Category 分组聚合多个数值列，绘制叠加条形图：

install.packages("dplyr")
install.packages("tidyverse")

library(lubridate)
library(scales)
library(dplyr)
library(ggplot2)
library(tidyverse)

birds_filtered %>%
  group_by(Category) %>%
  summarise(n = n(),
            MinLength = mean(MinLength),
            MaxLength = mean(MaxLength),
            MinBodyMass = mean(MinBodyMass),
            MaxBodyMass = mean(MaxBodyMass),
            MinWingspan = mean(MinWingspan),
            MaxWingspan = mean(MaxWingspan)) %>%
  gather("key", "value", -c(Category, n)) %>%
  ggplot(aes(x = Category, y = value, group = key, fill = key)) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B",
                               "#2CA02C", "#1F77B4", "#9467BD")) +
  xlab("Category") +
  ggtitle("Birds of Minnesota")

这条管道做的事情是：group_by(Category) 按类别分组 → summarise() 对各数值列求均值 → gather() 把 6 个数值列“宽转长”为 key/value 两列 → 交给 ggplot，用 fill = key 按指标着色，geom_bar(stat = "identity") 直接以 value 作为条形高度（而不是默认计数）。scale_fill_manual 中 6 个十六进制色值分别对应 6 个数值指标。输出见 stacked-bar-chart.png。

这个堆叠条形图包含太多未分组的冗余数据，几乎不可读——绘图前应只选择真正关心的列。

分类计数：count() 与 coord_flip() 的水平条形图

先只关心“每个类别有多少种鸟”，用 dplyr::count() 计数并排序：

birds_count <- dplyr::count(birds_filtered, Category, sort = TRUE)
birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category)

ggplot(birds_count, aes(Category, n)) +
  geom_bar(stat = "identity") +
  coord_flip()

• dplyr::count(birds_filtered, Category, sort = TRUE) 统计每类出现次数并按降序排列；
• 随后把 Category 转成因子并显式指定 levels，保证 ggplot 按我们排序好的顺序（而不是字母序）绘制；
• coord_flip() 将坐标轴翻转，得到水平条形图，适合类别较多、名称较长的场景。

课程输出图如下。一眼就能看出：数量最多的类别是 Ducks/Geese/Waterfowl。对数据实际核算，前几名是：Ducks/Geese/Waterfowl（45 种）、New World warblers（41 种）、Sandpipers/Allies（34 种）、Gulls/Terns/Skimmers（28 种）、New World sparrows（26 种）。明尼苏达号称“万湖之州”，鸭雁类占榜首毫不意外。

✅ 试试其他列计数（例如按 ConservationStatus、Order、Genus），看看有没有让你意外的结果？

比较分组数据：聚合、叠加与“越大的鸟范围越大”

条形图同样适合比较不同分组的数值。下面先按 Category 聚合出最大翼展/体长类指标，再比较各组的最大体长：

birds_grouped <- birds_filtered %>%
  group_by(Category) %>%
  summarise(
    MaxLength = max(MaxLength, na.rm = TRUE),
    MinLength = max(MinLength, na.rm = TRUE)
  ) %>%
  arrange(Category)

ggplot(birds_grouped, aes(Category, MaxLength)) +
  geom_bar(stat = "identity") +
  coord_flip()

summarise() 中用 max(..., na.rm = TRUE) 求各组最大值，na.rm = TRUE 避免个别缺失值把整组拉成 NA；arrange(Category) 让分组结果有序。输出图见 comparingdata.png。结论毫不意外：蜂鸟（Hummingbirds）的最大体长最小，而鹈鹕（Pelicans）和雁类（Geese）则大得多——数据符合直觉，恰好说明可视化结果可信。

更进阶的技巧是叠加（superimposing）两组数据：把同一类别的最小体长与最大体长画成两层条形，直观呈现每个类别的长度范围：

ggplot(data = birds_grouped, aes(x = Category)) +
  geom_bar(aes(y = MaxLength), stat = "identity",
           position = "identity", fill = 'blue') +
  geom_bar(aes(y = MinLength), stat = "identity",
           position = "identity", fill = 'orange') +
  coord_flip()

注意这里两次 geom_bar() 都使用了 position = "identity"，让橙色（MinLength）条形直接叠印在蓝色（MaxLength）条形之上而非并列堆叠，于是蓝色条上露出的“橙色头”就是该类别的长度跨度：

由此可以得出一个相当有趣的规律：鸟的体型越大，其长度范围通常也越大。这正是“可视化数量”的价值——把原始表格中隐藏的数值关系变成一眼可读的图形证据。

动手挑战与配套作业

🚀 Challenge

本数据集只是明尼苏达鸟类生态的一角。挑战目标是：在互联网上寻找其他鸟类数据集，围绕这些数据练习绘制不同类型的图表，看看能否发现之前不知道的事实。

配套作业：Lines, Scatters, and Bars

完成本课配套作业 3-Data-Visualization/R/09-visualization-quantities/assignment.md：

• 任务：深入挖掘 birds.csv，针对某一种鸟（例如 Snow goose）写一个 R 脚本，使用折线图、散点图和条形图这三种图，在 notebook 里讲一个完整的故事；
• 评分标准：Exemplary（优秀）要求脚本具备良好注释、扎实的故事线叙事与赏心悦目的图表；若缺少其中一种元素为 Adequate；缺少两种及以上为 Needs Improvement。

复习与自学建议

• 本课是 R 版可视化的第一课。将 Python 主课 3-Data-Visualization/09-visualization-quantities/README.md 中的 Matplotlib 实现与本课的 ggplot2 实现对照阅读，能同时理解两种语言下“数据 → 转换 → 映射 → 几何对象 → 输出”的统一流程；
• 进一步研究其他适合可视化分组数据的 R 包，例如面向 R 传统绘图的 lattice，以及面向交互式图表（可缩放、可悬停）的 plotly，体会声明式 ggplot2 与命令式/交互式绘图的差异。

通过本课，你已经走通了 R 生态中“数量”可视化的完整闭环：读入清洗过的数据 → 用折线图粗览全貌 → 用散点图定位离群点 → 用 subset() 清洗 → 用分组计数与水平条形图回答“有多少” → 用叠加条形图比较区间。这套方法论可复用于任何“带数值维度的分类型数据集”，也是后续课程中学习分布、比例与关系可视化的共同基础。