Data-Science-For-Beginners 实战：用 R 与 ggplot2 直方图完成数据分布可视化作业

Data-Science-For-Beginners 实战：用 R 与 ggplot2 直方图完成数据分布可视化作业

【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

本篇技术指南围绕 Data-Science-For-Beginners 课程中《Visualizing Distributions》一课的实践作业展开，讲解如何以明尼苏达州鸟类数据集（birds.csv）为起点，用 R 语言与 ggplot2 绘制直方图、二维直方图与密度图，最终独立完成"基于新数据集编写 R 脚本、用至少 5 个直方图讲述数据故事"的课后任务。读完本文，你将掌握geom_histogram的bins调参、geom_bin2d的双变量分布对比、geom_density的平滑曲线绘制，以及将文本型分类字段转换为可参与直方图分箱的实用技巧，并对照评分标准（Grille d'évaluation）自查作业质量。

一、任务解读：作业到底要求做什么

本课作业原文（法语版见 translations/fr/3-Data-Visualization/R/10-visualization-distributions/assignment.md，英文版见 translations/en/3-Data-Visualization/R/10-visualization-distributions/assignment.md）的核心诉求非常明确：

到目前为止，你已使用明尼苏达鸟类数据集探索了鸟类数量与种群密度。请将这些技术应用到另一个数据集（例如来自 Kaggle 的数据集）上，编写一个 R 脚本来讲述该数据集的故事，并且务必在分析中使用直方图。

其评分标准（Rubric）分三档：

可以看出，作业的验收点有三个：可运行的 R 脚本、包含数据来源在内的详细注释、不少于 5 个直方图。而直方图背后需要的全部技术，正是本课正文 3-Data-Visualization/R/10-visualization-distributions/README.md 所教授的。因此完成作业的第一步，是把这节课的图表工具箱学透。

二、准备数据环境：读取与清洗 birds 数据集

本课所有示例都基于仓库根目录下的 data/birds.csv（含表头共 443 行，即 442 条鸟类记录）。该文件带有UTF-8 BOM 编码，直接使用read.csv会把首列列名读成乱码，因此必须显式指定fileEncoding="UTF-8-BOM"：

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

数据集的 13 个字段覆盖了每只鸟的分类学信息（Name、ScientificName、Category、Order、Family、Genus）、保护状态（ConservationStatus）以及四组长度/体重/翼展的最小值与最大值（MinLength、MaxLength、MinBodyMass、MaxBodyMass、MinWingspan、MaxWingspan）。其中 LC、NT、VU、EN、CR、EX 是 IUCN 红色名录的简写，分别表示无危（Least Concern）、近危（Near Threatened）、易危（Vulnerable）、濒危（Endangered）、极危（Critically Endangered）、灭绝（Extinct）。

subset(birds, MaxWingspan < 500)是在承接上一课"剔除异常值"的结论——数据中存在个别记录异常大的翼展值，过滤后得到更可信的分布样本。后续所有分布分析都基于birds_filtered展开。

三、直方图基础：用 geom_histogram 观察分布形态

课程指出，散点图（如ggplot(data=birds_filtered, aes(x=Order, y=MaxLength)) + geom_point()）只能给出分布的粗略概览，真正的分布形态应当用直方图来呈现。直方图本质上是一种"条块随数值高低起伏"的图表，它把连续数值切分成若干等宽区间（bin），再统计每个区间内的样本频数。

对全量数据绘制 MaxBodyMass（最大体重）的分布：

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

一眼即可看出：这 400 多只鸟的体重绝大多数集中在 2000 以下，分布严重右偏。直方图对数据分布的"骨架"描绘能力，是散点图难以替代的。

bins 参数：颗粒度决定洞察深度

直方图的细腻程度由bins参数控制。将区间数从 10 提高到 30：

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

区间越多，条块越细，分布细节越清晰。这是作业里可以反复利用的一个杠杆：针对不同字段尝试不同的 bins 值，观察分布的峰、谷与长尾。

用 subset 过滤数据以还原更干净的分布

左偏严重时，可以先用subset裁剪数据范围，让主体分布"拉开"。例如只保留体重在 1 到 60 之间的记录：

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

这种"先过滤、再分箱"的组合拳，在作业中可用于揭示某个子群体（如按 Category 或 Order 过滤）的内部分布规律，是产出第 3、4 个直方图的现成思路。

四、二维直方图：对比两个变量的分布关系

直方图不仅能刻画单变量，还能通过geom_bin2d()把两个数值变量放进同一张图，用颜色亮度表示二维分箱中的频数聚合度。例如对比 MaxBodyMass 与 MaxLength：

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

从图中可以观察到两个变量沿一条预期轴线的相关性，并存在一个明显的强收敛区域——这正是体重与体长在生物学上正相关的可视化证据。viridis色板提供了对色觉障碍友好的连续渐变色，适合作为默认配色。

五、处理文本数据：让分类字段参与直方图

直方图默认要求数值型输入。若想分析 ConservationStatus（保护状态）这类文本字段与数值字段（如 MinWingspan）的联合分布，课程给出了一个巧妙的文本转有序编码方案：先把分类缩写映射为带顺序的占位字符串，再作为填充色传入geom_histogram：

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 Threathened","Vulnerable","Least Concern"))

这段代码的关键点有三：

• 编码映射：x1~x6只是占位值，目的是让文本类别可以进入分箱逻辑；实际展示时通过scale_fill_manual的labels恢复语义化名称；
• position = "identity"：让不同类别的条块叠加而非堆叠，便于直接比对各组分布；
• alpha = 0.4：半透明叠加，防止后画的组完全遮住先画的组。

课程的结论是：最小翼展与保护状态之间并没有明显的相关性。作业阶段可以沿此法继续测试其他字段组合（MinLength、MaxBodyMass 等）与不同过滤条件，寻找真正有故事的关联。

六、密度图：让分布曲线平滑流动

直方图是"阶梯状"的，不够圆润。geom_density()用核密度估计把分布拟合成一条平滑曲线，是直方图的极佳补充。对 MinWingspan 绘制密度曲线：

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

可以看到它与之前的直方图形态互相印证，只是曲线更平滑。同理，把前面略显"锯齿"的 MaxBodyMass 直方图换成密度图：

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

如果觉得默认曲线"太滑"，可以用adjust参数控制带宽——adjust越小，曲线越贴近原始数据、越不平滑：

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

密度图还能用fill一次比较多个分组。例如按鸟的 Order（目）叠加展示体重密度：

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

这张图在作业里非常"出彩"：它用一张图讲清了"不同鸟类目的体重分布各有各的峰"，是密度图（而非直方图）不可替代的叙事能力。注意其中alpha=0.5同样是半透明防遮挡。

七、作业落地：从"示例代码"到"完整脚本"

把上面的技术点串起来，作业的标准动作可以归纳为如下流程，直接决定了脚本能否同时满足"至少 5 个直方图"与"详细注释"两条优秀标准：

1. 选数据集并注明来源：可以是 Kaggle 上任何带数值列的公开数据集。脚本头部用注释块写明数据集名称、下载地址/出处、行数列数概览，这正是评分标准中"包括其来源"的注释要求；
2. 读取与清洗：参照read.csv("../../data/birds.csv", fileEncoding="UTF-8-BOM")的写法，注意处理编码与异常值（subset过滤）；
3. 至少 5 个直方图：按难度递增排列，例如——
   • 单变量直方图 ×2（不同字段或不同bins，对应文中geom_histogram(bins=10)与bins=30）；
   • 过滤子集直方图 ×1（subset+geom_histogram）；
   • 二维直方图 ×1（geom_bin2d对比两个数值列）；
   • 文本分类着色直方图 ×1（编码映射 +scale_fill_manual）；
   • 若想升级，可再加入分组密度图（geom_density+fill），用平滑曲线补足直方图的叙事盲区；
4. 每个图表配注释：在 R 代码中用#说明"这张图想回答什么问题、观察到了什么事实"，让脚本成为一份可读的"数据故事报告"；
5. 对照评分表自查：优秀档要求"脚本带注释、含来源、≥5 个直方图"，缺注释、有报错则分别落入合格或待改进档。

八、延伸与挑战：从直方图走向更高级的分布图

课程末尾的挑战题建议读者搜索直方图在各领域的经典应用——它比散点图、柱状图、折线图更擅长揭示数据的集中趋势、离散程度与异常聚集，因此在质量检测、生物统计、金融风控等领域都是高频工具。进一步的自学方向是geom_density_2d()——它把密度估计扩展到二维，可以画出"连续概率密度等高线"，适合观察两个变量联合分布的峰谷结构。完成本课作业后，用geom_density_2d替换geom_bin2d再做一次双变量对比，会是对分布可视化能力的又一次有效巩固。

相关资源索引

• 本课正文（含全部代码与图表）：3-Data-Visualization/R/10-visualization-distributions/README.md
• 英文作业原文：translations/en/3-Data-Visualization/R/10-visualization-distributions/assignment.md
• 法语作业原文：translations/fr/3-Data-Visualization/R/10-visualization-distributions/assignment.md
• 示例数据集：data/birds.csv
• 本课全部运行结果图：3-Data-Visualization/R/10-visualization-distributions/images
• 同系列 R 可视化课程目录：3-Data-Visualization/R

【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