探索数据的另一面:ggside —— ggplot2的强力扩展
在数据分析和可视化的世界中,ggplot2是R语言中的一颗璀璨明星。今天,我们要向您介绍一个能为您的ggplot2图表增添额外维度的强大工具——ggside。这个由Justin Landis开发的开源R包不仅提供了新的几何对象,还能将额外的信息以侧边图的形式展现出来,让您的数据可视化工具有了更多可能性。
项目介绍
ggside是一个用于拓展ggplot2功能的R包。它允许您在主面板的一侧添加图形信息,无论是一维的元数据还是连续轴上的总结图形,如箱线图或密度分布。通过这种方式,您可以更直观地理解数据背后的模式,而无需离开主要的视觉空间。
项目技术分析
ggside的核心在于其一系列基于“geom_xside*”和“geom_yside*”的几何对象。它们可以轻松地与ggplot2现有的几何对象结合,创建出带有侧边图的复杂图表。此外, ggside还提供了一系列的尺度转换函数,如“scale_xsidey_”和“scale_ysidex_”,使得混合连续和离散轴的数据可视化变得更加简单。
应用场景
ggside在各种情境下都能发挥优势,尤其适用于:
- 数据探索:在直方图或散点图旁边添加密度曲线,可迅速揭示数据分布。
- 比较不同类别:使用箱线图或条形图在侧面展示分类变量的分布,对比效果更佳。
- 空间数据可视化:地理数据与时间序列数据并存时,可以在一侧展示相关统计信息。
项目特点
- 易用性:ggside的语法与ggplot2保持一致,便于上手和学习。
- 灵活性:支持各种几何对象,并可自定义侧边图的布局和样式。
- 深度集成:可无缝对接ggplot2,充分利用现有ggplot2生态系统。
- 可定制化:丰富的主题元素让您能够微调侧边图的外观,使其与主图协调一致。
示例
以下是一个例子,展示了如何使用ggside在散点图的两侧分别添加密度图和箱线图:
library(ggplot2)
library(ggside)
ggplot(mpg, aes(displ, hwy, color = class)) +
geom_point(size = 2) +
geom_xsidedensity(aes(y = after_stat(density)), position = "stack") +
geom_ysidedensity(aes(x = after_stat(density)), position = "stack") +
theme(axis.text.x = element_text(angle = 90, vjust = .5))

不仅如此,ggside还可以处理混合类型的数据,如在连续轴旁添加离散轴的箱线图:
ggplot(mpg, aes(displ, hwy, color = class)) +
geom_point(size = 2) +
geom_xsideboxplot(aes(y =class), orientation = "y") +
scale_xsidey_discrete() +
geom_ysidedensity(aes(x = after_stat(density)), position = "stack") +
scale_ysidex_continuous(guide = guide_axis(angle = 90), minor_breaks = NULL) +
theme(ggside.panel.scale = .3)

ggside允许您自由调整侧边图的风格,从而创造出专业且引人入胜的图表。
结论
如果您正在寻找一种方法来增强ggplot2图表的功能,ggside绝对值得一试。它的强大功能和易用性将帮助您从新的角度解读和展示数据,提升您的数据可视化水平。立即尝试ggside,开启您的数据探索之旅吧!
要了解更多关于ggside的详细信息,请查看其提供的基本使用指南vignette('ggside_basic_usage')。如果您遇到问题或有改进建议,欢迎到jtlandis/ggside提交反馈。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00