PAGEPAGE1R語言及ggplot2在環(huán)境空氣監(jiān)測數(shù)據(jù)可視化中的應(yīng)用隨著新〔環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)〕(GB3095-2012)的發(fā)布、施行，全國各地都在采取環(huán)境空氣自動監(jiān)測以應(yīng)對其嚴(yán)苛的數(shù)據(jù)有效性要求。環(huán)境空氣自動監(jiān)測系統(tǒng)天天都在產(chǎn)生大量的數(shù)據(jù)，怎樣對數(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)空氣自動站即環(huán)保大樓站及圖書館站2014年全年監(jiān)測數(shù)據(jù)為例進(jìn)行各種可視化分析，以討論該軟件在空氣質(zhì)量數(shù)據(jù)分析領(lǐng)域應(yīng)用的宏大潛力。1軟件預(yù)備1.1R語言軟件與擴(kuò)展包R語言是一種區(qū)分大小寫的解釋性語言，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、OSX、Linux等各大操作系統(tǒng)下的版本，能夠直接從網(wǎng)上、安裝、使用。R語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)，除此之外各社區(qū)還開發(fā)了數(shù)以千計(jì)的擴(kuò)展包(packages)為R增長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是當(dāng)前R語言中的圖形繪制擴(kuò)展包，它為R語言提供了一個(gè)基于全面而連貫的語法的繪圖系統(tǒng)，它由一系列獨(dú)立的圖形部件構(gòu)成，并能以很多種不同的方式組合起來，使得數(shù)據(jù)分析者能用緊湊的語法輕松繪制出復(fù)雜的圖形，進(jìn)而使數(shù)據(jù)分析者更能將留意力集中于數(shù)據(jù)分析自己。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)镽語言擴(kuò)展了對數(shù)據(jù)變換、數(shù)據(jù)變形的功能。ggplot2軟件包能夠在R語言命令提示符后輸入install.packages(ggplot2)，選擇適宜的下載鏡像后，就能夠自動從網(wǎng)上下載安裝。在Windows操作系統(tǒng)下下載的是二進(jìn)制文件，能夠直接使用;在類Unix操作系統(tǒng)下，下載的是包的源代碼，經(jīng)過編譯后能力使用，但只要具備gcc等編譯工具，安裝都可通過簡單的命令完成。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。1.2Excel但面對原始數(shù)據(jù)，微軟公司的Excel往往是對數(shù)據(jù)進(jìn)行清洗、分列的直觀分析利器。各地自動監(jiān)測站收集并導(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)挑選功能能夠輕易地刪除大量無效數(shù)據(jù)，分列功能能夠?qū)⒈O(jiān)測日期與時(shí)刻分離以便于下一步的處理，數(shù)據(jù)格式可以以得到統(tǒng)一，將數(shù)據(jù)另存為csv格式后即可通過read.csv()函數(shù)導(dǎo)入R軟件。R軟件可以以通過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)的采集與整理在數(shù)據(jù)分析工作中，采集、整理數(shù)據(jù)的時(shí)間往往是占了工作時(shí)間的80%以上。在數(shù)據(jù)采集、整理工作中交互地使用R語言與Excel，可極大地提升工作效率。首先使用Excel將在自動監(jiān)測經(jīng)過中產(chǎn)生的無效數(shù)據(jù)進(jìn)行挑選、剔除，再按需要，對某些數(shù)據(jù)進(jìn)行分列處理，最后導(dǎo)出為csv文件后以便R語言讀取。與Matlab等將一切視為矩陣不同，R語言能夠靈敏地對向量、矩陣、數(shù)組、數(shù)據(jù)框、因子、列表等多種數(shù)據(jù)構(gòu)造進(jìn)行處理。通過read.csv()導(dǎo)入的數(shù)據(jù)都被視為數(shù)據(jù)框(data.frame)。數(shù)據(jù)框是R語言中最常用的數(shù)據(jù)構(gòu)造，其每一列都能夠包括不同形式的數(shù)據(jù)，如環(huán)境空氣監(jiān)測數(shù)據(jù)之后，能夠增長名為month的一列，用中文一月份表示該數(shù)據(jù)是一月份的數(shù)據(jù)，增長site的一列，用中文標(biāo)注其站點(diǎn)名稱，如假設(shè)hbdl201401為導(dǎo)入的環(huán)保大樓站一月份數(shù)據(jù)，用R命令行示例如下：site-rep(環(huán)保大樓站，dim(hbdl201401))month-rep(一月份，dim(hbdl201401))hbdl201401-cbind(hbdl201401，site，month)同一站點(diǎn)中的數(shù)據(jù)，能夠使用rbind()函數(shù)進(jìn)行按月合并。當(dāng)多站點(diǎn)數(shù)據(jù)合并時(shí)，由于設(shè)備配置的原因，數(shù)據(jù)框中各列的名稱與數(shù)量并不完全一致，使用rbind()合并數(shù)據(jù)時(shí)會出錯(cuò)。如常山縣環(huán)保大樓站除慣例六參數(shù)外還配有碳黑儀、能見度儀、氣象五參數(shù)等，而圖書館站中僅有慣例六參數(shù)。這時(shí)的合并能夠用到merge()函數(shù)。假設(shè)hbdl2014為常山縣環(huán)保大樓站2014年全年小時(shí)均值數(shù)據(jù)，而tsg2014為圖書館站數(shù)據(jù)，則可用下面命令合并數(shù)據(jù)框：cs2014-merge(hbdl2014，tsg2014，all=T，sort=F)合并后的數(shù)據(jù)框cs2014中在圖書館站中所沒有的碳黑儀等數(shù)據(jù)均以NA(缺失)表示。merge()函數(shù)能夠兩兩合并大量來源不同的數(shù)據(jù)框，只需保證列名的統(tǒng)一，數(shù)據(jù)即可合并無誤。在R語言頂用命令tail(cs2014)即可列出cs2014的最后6行：2.2數(shù)據(jù)的統(tǒng)計(jì)變換對數(shù)據(jù)分析的細(xì)化經(jīng)過往往就是分組的經(jīng)過。2.1節(jié)中為數(shù)據(jù)增長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)日溫度差來分組，可以按平均風(fēng)速的大小來分組，當(dāng)然可以以按PM2.5日均值大小來分組來考察其他觀測值的情況。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開創(chuàng)建立分組變量。在數(shù)據(jù)分析經(jīng)過中，經(jīng)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)容開創(chuàng)建立分組。第一種情況能夠合并組別。例如按氣象學(xué)上的規(guī)定，以每年的三、四、五月為春季，六、七、八月為夏季，九、十、十一月為秋季，十二、一、二月為冬季。需要以季節(jié)分組時(shí)，能夠調(diào)用如下命令：cs2014$season[cs2014$month==三月份|cs2014$month==四月份|cs2014$month==五月份]-春cs2014$season[cs2014$month==六月份|cs2014$month==七月份|cs2014$month==八月份]-夏cs2014$season[cs2014$month==九月份|cs2014$month==十月份|cs2014$month==十一月份]-秋cs2014$season[cs2014$month==十二月份|cs2014$month==一月份|cs2014$month==二月份]-冬運(yùn)行上述命令后，數(shù)據(jù)框cs2014中就多了一個(gè)名為season的列，其標(biāo)注了每一行數(shù)據(jù)的季節(jié)。第二種情況能夠用到R語言中的cut()函數(shù)。如原數(shù)據(jù)中各污染物按月份按時(shí)刻進(jìn)行濃度平均得到數(shù)據(jù)框cs2014month后，能夠以0～0.040mg/m3、0.040～0.080mg/m3、0.080mg/m3為區(qū)間將臭氧的時(shí)刻平均數(shù)據(jù)分作3個(gè)組別，分別號為弱、中、強(qiáng)，用cut()函數(shù)開創(chuàng)建立分組變量o3level：cs2014month$o3level-cut(cs2014month$o3，breaks=c(0，0.040，0.080，Inf)，labels=c(弱，中，強(qiáng)))運(yùn)行上述命令后，數(shù)據(jù)框cs2014month中增長了名為o3level的新列，其標(biāo)注了每一行數(shù)據(jù)中臭氧的濃度水平。2.2.2分組變換。plyr包提供了一整套工具集來處理列表(list)、數(shù)組(array)和數(shù)據(jù)框(data.frame)，它能夠?qū)?fù)雜的數(shù)據(jù)分割成幾個(gè)部分，分別對各個(gè)部分進(jìn)行統(tǒng)計(jì)。對于數(shù)據(jù)框的操作，用的是plyr包中的ddply()函數(shù)，如：我們?nèi)粝氲玫礁鱾€(gè)站點(diǎn)的各污染因子日均濃度值，則可調(diào)用如下命令：csdatemean-ddply(cs2014，.(date，site)，summarise，so2=round(mean(so2，na.rm=TRUE)，3)，no2=round(mean(no2，na.rm=TRUE)，3)，co=round(mean(co，na.rm=TRUE)，2)，pm10=round(mean(pm10，na.rm=TRUE)，3)，pm2.5=round(mean(pm2.5，na.rm=TRUE)，3)，o3=round(mean(sort(o3，decreasing=T)，na.rm=TRUE)，3))其中cs2014指原數(shù)據(jù)框，.(date，site)括號中指的是分組變量(日期、站點(diǎn))，summarise命令意為從原數(shù)據(jù)中總結(jié)出一個(gè)新數(shù)據(jù)，round()為小數(shù)位數(shù)修約函數(shù)，mean()為平均函數(shù)，sort()為數(shù)據(jù)排序函數(shù)，命令中臭氧數(shù)據(jù)取其每日最大8小時(shí)平均值，其他污染物均為24小時(shí)平均值。該命令運(yùn)行后就得到了一個(gè)新的數(shù)據(jù)框csdatemean。類似的還能夠用ddply()函數(shù)針對月份以及其他分類變量進(jìn)行分組統(tǒng)計(jì)。如2.2.1節(jié)中提到的cs2014month，就能夠調(diào)用如下命令得到：cs2014month-ddply(cs2014，.(clock，month)，summarise，so2=round(mean(so2，na.rm=TRUE)，3)，no2=round(mean(no2，na.rm=TRUE)，3)，co=round(mean(co，na.rm=TRUE)，2)，pm10=round(mean(pm10，na.rm=TRUE)，3)，pm2.5=round(mean(pm2.5，na.rm=TRUE)，3)，o3=round(mean(o3，na.rm=TRUE)，3))除此之外，plyr包還提供了一些靈敏的函數(shù)如transform等用于組間數(shù)值的統(tǒng)計(jì)，詳見plyr包的自帶說明。2.2.3數(shù)據(jù)變形。reshape2包提供的melt()和dcast()函數(shù)實(shí)現(xiàn)的是類似于Excel中數(shù)據(jù)透視表的功能，可從冗雜的數(shù)據(jù)中摘取出想要的信息。其中melt()函數(shù)能夠?qū)⒍嗔袛?shù)據(jù)挑選后融合在一起，即從寬變長，下面舉例說明：csclockmean-ddply(cs2014，.(clock，season)，summarise，so2=round(mean(so2，na.rm=TRUE)，3)，no2=round(mean(no2，na.rm=TRUE)，3)，co=round(mean(co，na.rm=TRUE)，2)，pm10=round(mean(pm10，na.rm=TRUE)，3)，pm2.5=round(mean(pm2.5，na.rm=TRUE)，3)，o3=round(mean(o3，na.rm=TRUE)，3))csclockmelt-melt(csclockmean，id.var=c(clock，season)，measure.var=c(so2，no2，pm2.5))履行以上命令后，先得到一個(gè)名為csclockmean的數(shù)據(jù)框，再通過melt()函數(shù)得到一個(gè)名為csclockmelt的新數(shù)據(jù)框，用head()函數(shù)分別讀取兩個(gè)數(shù)據(jù)框的前6行：melt()函數(shù)中id.var意為標(biāo)識變量，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，包括的是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)。3ggplot2數(shù)據(jù)可視化應(yīng)用一般以為R語言有4套圖形系統(tǒng)，即graphics、grid、lattice、ggplot2。其中g(shù)raphics、grid、lattice被以為是基礎(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)，令人往往在繪圖上消耗損費(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)那套冗雜的修補(bǔ)體系，令使用者能更多地關(guān)注于數(shù)據(jù)自己。當(dāng)然ggplot2中也有大量底層命令可對圖形作精細(xì)的修改。3.1數(shù)據(jù)的簡單分布箱線圖是一種展現(xiàn)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，跨越相鄰值的點(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。ggplot(csdatemean，aes(site，so2))+geom_boxplot()+xlab(空氣自動監(jiān)測站點(diǎn))+ylab(expression(paste(二氧化硫日均濃度(mg/m^3))))ggplot2有其特殊的語法，其特點(diǎn)是+號，任何圖層都能夠通過+號來實(shí)現(xiàn)。geom_boxplot()是ggplot2中繪制箱線圖的函數(shù)，類似的還有g(shù)eom_point()(繪制散點(diǎn)圖)、geom_line()(繪制折線圖)、geom_histogram()(繪制條形圖)等。xlab()添加的是x軸上的文字說明，ylab()中的expression()函數(shù)是為了在圖中實(shí)現(xiàn)mg/m3的表達(dá)式。3.2趨勢線的添加在數(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，添加趨勢線是探尋求索這種關(guān)系的一種橋梁。R語言在數(shù)據(jù)分析方面最大的優(yōu)勢就是其強(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。這些工具均能夠與ggplot2配合使用繪制出趨勢圖形，以檢驗(yàn)其擬合結(jié)果。下例使用ggplot2中的stat_smooth()函數(shù)自動添加趨勢線來探尋求索PM2.5與PM10數(shù)據(jù)間的關(guān)系。ggplot(csdatemean，aes(pm2.5，pm10))+geom_point(colour=grey60)+stat_smooth(method=lm，se=F，colour=black)+xlab(expression(paste(PM2.5日均數(shù)據(jù)(mg/m^3))))+ylab(expression(paste(PM10日均數(shù)據(jù)(mg/m^3))))在geom_point()和stat_smooth()兩個(gè)函數(shù)中添加顏色參數(shù)，以使得散點(diǎn)圖顯得顏色淡一點(diǎn)，而讓趨勢線更明顯。stat_smooth()函數(shù)中method=lm指按直線方式添加趨勢線。從圖5中明顯可見PM2.5與PM10呈現(xiàn)了一種極強(qiáng)的線性關(guān)系。3.3分組變量的具體表現(xiàn)出在數(shù)據(jù)可視化的經(jīng)過中，數(shù)據(jù)分組能夠幫助人們揭示更多的細(xì)節(jié)。ggplot2可將在數(shù)據(jù)處理階段開創(chuàng)建立的分組變量以顏色、形狀、大小等形式映射于圖上。如2.2.2節(jié)中得到了各污染物按月份的時(shí)刻濃度平均數(shù)據(jù)cs2014month，2.2.1節(jié)頂用cut()函數(shù)將該數(shù)據(jù)框中臭氧濃度分為弱、中、強(qiáng)三個(gè)水平，用ggplot2繪制出二氧化氮的時(shí)刻濃度圖，并用圖中二氧化氮濃度點(diǎn)的大小來代表臭氧的濃度水平，命令如下：ggplot(cs2014month，aes(clock，no2))+geom_point(aes(size=o3level))+xlab(時(shí)刻)+ylab(expression(paste(二氧化氮濃度(mg/m^3))))+scale_size_discrete(name=臭氧濃度水平)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，如此從圖中能夠明顯可見臭氧濃度水平強(qiáng)時(shí)，往往是二氧化氮濃度較低時(shí)。類似的還能夠用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)，這樣能夠使得組間數(shù)據(jù)的比較變得容易很多，ggplot2中將之稱為分面(facet)。ggplot2中能夠用facet_grid()和facet_wrap()兩個(gè)函數(shù)都能夠繪制出分面圖。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。csclockmelt$season-factor(csclockmelt$season，levels=c(春，夏，秋，冬))ggplot(csclockmelt，aes(clock，value))+g