c语言如何安装ggplot

1. 请教安装R ggplot2出错的问题

如果因为网络的原因，不能上网，或者网络被公司的网管封了，那么会导致直接在R上无法安装ggplot2。

可以采取下载下来安装ggplot2的包的方式。

还有一种方式就是找另一台可以上网的机器，安装R，再安装ggplot2包。

最后把下载下来的包从这台机器上到不能上网的机器上即可。

R的包的目录是：C:\Users\用户名\Documents\R\win-library

我因为公司的机器不能上网，安装包这个事情，弄了好几天，也没有查到相关的文档。

我自己试了试，这样可以。贡献给大家。

这种方法应该可以适用于其他的包。

2. 为什么我成功安装了ggplot2这个包，却加载不了

总结来说有以下几点：ggplot2的核心理念是将绘图与数据分离，数据相关的绘图与数据无关的绘图分离ggplot2是按图层作图ggplot2保有命令式作图的调整函数，使其更具灵活性ggplot2将常见的统计变换融入到了绘图中。==========================

3. 导入ggplot时候无法导入userdict

Python | ggplot安装(含numpy、scipy安装)
http://jingyan..com/article/adc815137d9ce4f723bf73f9.html

4. 为什么我成功安装了ggplot2如何加载这个包，却加载不了

diamonds是一个数据集，开始的部分就是用这组数据集来进行举例的。作者给出了diamonds的样子，见表2.1

library(ggplot2)
data(diamonds)
summary(diamonds) 这样就可以用了，

data(quot;diamondsquot;,package=quot;ggplot2quot;) 或者这样

5. 我的R语言无法安装一些常用包，比如ggplot2，psych等等，，怎么回事求高手指教！！

你可以在R中装一个devtools,然后安装githubinstall包，以后下载包的时候遇到装不了的你就直接去github上面下载安装，这样再也不会出现有些包安装不了了，具体怎么弄网络一下，我有点忘记了

6. 数据科学入门丨选Python还是R

数据科学入门丨选Python还是R
对于想入门数据科学的新手来说，选择学Python还是R语言是一个难题，本文对两种语言进行了比较，希望能帮助你做出选择。
我是德勤的数据科学家主管，多年来我一直在使用Python和R语言，并且与Python社区密切合作了15年。本文是我对这两种语言的一些个人看法。
第三种选择

针对这个问题，Studio的首席数据科学家Htley Wickham认为，比起在二者中选其一，更好的选择是让两种语言合作。因此，这也是我提到的第三种选择，我在文本最后部分会探讨。
如何比较R和Python
对于这两种语言，有以下几点值得进行比较：
· 历史：
R和Python的发展历史明显不同，同时有交错的部分。
· 用户群体：
包含许多复杂的社会学人类学因素。
· 性能：
详细比较以及为何难以比较。
· 第三方支持：
模块、代码库、可视化、存储库、组织和开发环境。
· 用例：
根据具体任务和工作类型有不同的选择。
· 是否能同时使用：
在Python中使用R，在R中使用Python。
· 预测：
内部测试。
· 企业和个人偏好：
揭晓最终答案。
历史

简史：
ABC语言 - > Python 问世(1989年由Guido van Rossum创立) - > Python 2(2000年) - > Python 3(2008年)
Fortan语言 - > S语言(贝尔实验室) - > R语言问世(1991年由Ross Ihaka和Robert Gentleman创立) - > R 1.0.0(2000年) - > R 3.0.2(2013年)
用户群体
在比较Python与R的使用群体时，要注意：

只有50％的Python用户在同时使用R。
假设使用R语言的程序员都用R进行相关“科学和数字”研究。可以确定无论程序员的水平如何，这种统计分布都是真实。
这里回到第二个问题，有哪些用户群体。整个科学和数字社区包含几个子群体，当中存在一些重叠。
使用Python或R语言的子群体：
· 深度学习
· 机器学习
· 高级分析
· 预测分析
· 统计
· 探索和数据分析
· 学术科研
· 大量计算研究领域
虽然每个领域几乎都服务于特定群体，但在统计和探索等方面，使用R语言更为普遍。在不久之前进行数据探索时，比起Python，R语言花的时间更少，而且使用Python还需要花时间进行安装。
这一切都被称为Jupyter Notebooks和Anaconda的颠覆性技术所改变。
Jupyter Notebook：增加了在浏览器中编写Python和R代码的能力;
Anaconda：能够轻松安装和管理Python和R。
现在，你可以在友好的环境中启动和运行Python或R，提供开箱即用的报告和分析，这两项技术消除了完成任务和选择喜欢语言间的障碍。Python现在能以独立于平台的方式打包，并且更快地提供快速简单的分析。
社区中影响语言选择的另一个因素是“开源”。不仅仅是开源的库，还有协作社区对开源的影响。讽刺的是，Tensorflow和GNU Scientific Library等开源软件(分别是Apache和GPL)都与Python和R绑定。虽然使用R语言的用户很多，但使用Python的用户中有很多纯粹的Python支持者。另一方面，更多的企业使用R语言，特别是那些有统计学背景的。
最后，关于社区和协作，Github对Python的支持更多。如果看到最近热门的Python包，会发现Tensorflow等项目有超过3.5万的用户收藏。但看到R的热门软件包，Shiny、Stan等的收藏量则低于2千。
性能
这方面不容易进行比较。
原因是需要测试的指标和情况太多。很难在任何一个特定硬件上测试。有些操作通过其中一种语言优化，而不是另一种。
循环
在此之前让我们想想，如何比较Python与R。你真的想在R语言写很多循环吗？毕竟这两种语言的设计意图不太相同。
{
"cells": [
{
"cell_type": "code",
"execution_count": 1,
"metadata": {},
"outputs": [],
"source": [
"import numpy as npn",
"%load_ext rpy2.ipython"
]
},
{
"cell_type": "code",
"execution_count": 2,
"metadata": {},
"outputs": [],
"source": [
"def do_loop(u1):n",
"n",
" # Initialize `usq`n",
" usq = {}n",
"n",
" for i in range(100):n",
" # i-th element of `u1` squared into `i`-th position of `usq`n",
" usq[i] = u1[i] * u1[i]n"
]
},
{
"cell_type": "code",
"execution_count": 3,
"metadata": {},
"outputs": [],
"source": [
"%%Rn",
"do_loop <- function(u1) {n",
" n",
" # Initialize `usq`n",
" usq <- 0n",
"n",
" for(i in 1:100) {n",
" # i-th element of `u1` squared into `i`-th position of `usq`n",
" usq[i] <- u1[i]*u1[i]n",
" }n",
"n",
"}"
]
},
{
"cell_type": "code",
"execution_count": 4,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"1.58 ms ± 42.8 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)n"
]
}
],
"source": [
"%%timeit -n 1000n",
"%%Rn",
"u1 <- rnorm(100)n",
"do_loop(u1)"
]
},
{
"cell_type": "code",
"execution_count": 5,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"36.9 ?s ± 5.99 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)n"
]
}
],
"source": [
"%%timeit -n 1000n",
"u1 = np.random.randn(100)n",
"do_loop(u1)"
]
}
],
"metadata": {
"kernelspec": {
"display_name": "Python 3",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.6.3"
}
},
"nbformat": 4,
"nbformat_minor": 2
}
Python为0.000037秒，R为0.00158秒
包括加载时间和在命令行上运行：R需要0.238秒，Python需要0.147秒。强调，这并不是科学严谨的测试。
测试证明，Python的运行速度明显加快。通常这并没有太大影响。
除了运行速度外，对于数据科学家而言哪种性能更重要？两种语言之所以受欢迎是因为它们能被用作命令语言。例如，在使用Python时大多时候我们都很依赖Pandas。这涉及到每种语言中模块和库，以及其执行方式。
第三方支持
Python有PyPI，R语言有CRAN，两者都有Anaconda。
CRAN使用内置的install.packages命令。目前，CRAN上有大约1.2万个包。其中超过1/2的包都能用于数据科学。
PyPi中包的数量超过前者的10倍，约有14.1万个包。专门用于科学工程的有3700个。其中有些也可以用于科学，但没有被标记。
在两者中都有重复的情况。当搜索“随机森林”时，PyPi中可以得到170个项目，但这些包并不相同。
尽管Python包的数量是R的10倍，但数据科学相关的包的数量大致相同。
运行速度
比较DataFrames和Pandas更有意义。
我们进行了一项实验：比较针对复杂探索任务的执行时间，结果如下：

在大多数任务中Python运行速度更快。
http://nbviewer.jupyter.org/gist/brianray/
可以看到，Python + Pandas比原生的R语言DataFrames更快。注意，这并不意味着Python运行更快，Pandas 是基于Numpy用C语言编写的。
可视化

这里将ggplot2与matplotlib进行比较。
matplotlib是由John D. Hunter编写的，他是我在Python社区中最敬重的人之一，他也是教会我使用Python的人。
Matplotlib虽然不易学习但能进行定制和扩展。ggplot难以进行定制，有些人认为它更难学。
如果你喜欢漂亮的图表，而且无需自定义，那么R是不错的选择。如果你要做更多的事情，那么Matplotlib甚至交互式散景都不错。同样，R的ShinnyR能够增加交互性。
是否能同时使用
可能你会问，为什么不能同时使用Python和R语言?
以下情况你可以同时使用这两种语言：
· 公司或组织允许；
· 两种都能在你的编程环境中轻松设置和维护；
· 你的代码不需要进入另一个系统；
· 不会给合作的人带来麻烦和困扰。
一起使用两种语言的方法是：
· Python提供给R的包：如rpy2、pyRserve、Rpython等；
· R也有相对的包：rPython、PythonInR、reticulate、rJython，SnakeCharmR、XRPython
· 使用Jupyter，同时使用两者，例子如下：

之后可以传递pandas的数据框，接着通过rpy2自动转换为R的数据框，并用“-i df”转换：

http://nbviewer.jupyter.org/gist/brianray/
预测
Kaggle上有人对开发者使用R还是Python写了一个Kernel。他根据数据发现以下有趣的结果：

· 如果你打算明年转向Linux，则更可能是Python用户；
· 如果你研究统计数据，则更可能使用R；如果研究计算机科学，则更可能使用Python；
· 如果你还年轻(18-24岁)，则更可能是Python用户；
· 如果你参加编程比赛，则更可能是Python用户；
· 如果你明年想使用Android，则更可能是Python用户；
· 如果你想在明年学习SQL，则更可能是R用户；
· 如果你使用MS office，则更可能是R用户；
· 如果你想在明年使用Rasperry Pi，则更可能是Python用户；
· 如果你是全日制学生，则更可能是Python用户；
· 如果你使用的敏捷方法(Agile methodology)，则更可能是Python用户；
· 如果对待人工智能，比起兴奋你更持担心态度，则更可能是R用户。
企业和个人偏好
当我与Googler和Stack Overflow的大神级人物Alex Martelli交流时，他向我解释了为什么Google最开始只官方支持少数几种语言。即使是在Google相对开发的环境中，也存在一些限制和偏好，其他企业也是如此。
除了企业偏好，企业中第一个使用某种语言的人也会起到决定性作用。第一个在德勤使用R的人他目前仍在公司工作，目前担任首席数据科学家。我的建议是，选择你喜欢的语言，热爱你选择的语言，起到领导作用，并热爱你的事业。
当你在研究某些重要的内容时，犯错是难以避免的。然而，每个精心设计的数据科学项目都为数据科学家留有一些空间，让他们进行实验和学习。重要的是保持开放的心态，拥抱多样性。
最后就我个人而言，我主要使用Python，之后我期待学习更多R的内容。

7. 如何使用 ggplot2

R语言 高阶可视化绘图系统：ggplot2入门

ggplot2是《The Grammar of Graphics》/《图形的语法》中提出了一套图形语法，将图形元素抽象成可以自由组合的要素，类似Photoshop中的图层累加，ggplot2将指定的元素/映射关系逐层叠加，最终形成所图形。更加深入学习ggplot2，请参考《ggplot2: 数据分析与图形艺术》。

目 录

引言：ggplot2基本要素
1. 数据（Data）和映射（Mapping)
2、几何对象（Geometric）
3、标度（Scale）：fill、color、shape
4、统计变换（Stat）
5、坐标系统（Coordinante）
6、分面（Facet）
7、主题（Theme）
附：ggplot2函数速查表

引言：ggplot2基本要素

• “+”和“%+%”

• 数据（data）和映射（mapping）:ggplot2的数据(data)必须是一个数据框（dataframe）。

• 几何对象（geometric）:几何对象（geom）代表你在图中实际看到的元素，如点、线、多边形等。

• 统计变换（statistics）:统计变换（stat）是对数据进行的某种汇总。

• 标度（Scale）:标度（scale）的作用是将数据的取值映射到图形空间，例如用颜色、大小或形状来表示不同的取值。

• 坐标系统（Coordinate）:坐标系（coord）描述了数据是如何映射到图形所在的平面的，它同时提供了看图所需的坐标轴和网格线。

• 图层（Layer）:一个图层由4部分组成：数据和图形属性映射；一种统计变换；一种几何对象；一种位置调整方式。

• 分面（Facet）：分面（facet）描述了如何将数据分解为各个子集，以及如何对子集作图并联合进行展示。


其中各要素通过“+”以图层(layer)的方式来粘合构图（可以简单理解为要素/图层叠加符号）；另外在ggplot2中，数据集必须为数据框(data.frame)格式，并且可以通过%+%符号调整已有数据集（ggplot2指导文档中明确写出“To override the data, you must use %+%”，也就是覆盖数据必须通过%+%）。以mpg数据集为例。





• p1 <- base + geom_smooth() + labs(title="图1") #如图1





• #用%+%调整映射关系中的数据




• base <- ggplot(mpg, aes(displ, hwy)) + geom_point()




• # To override the data, you must use %+%




• #也即覆盖原始数据必须通过%+%




• p2 <- base %+% subset(mpg, fl == "p") + labs(title="图2") #图2






• #第二种调整数据的方法list




• # Alternatively, you can add multiple components with a list.




• # This can be useful to return from a function.




• p3 <- base + list(subset(mpg, fl == "p"), geom_smooth(), labs(title="图3")) #图3





• ###########一页多图########




• #library(grid)




• grid.newpage() ##新建页面




• pushViewport(viewport(layout = grid.layout(2,2))) #将页面分成2*2矩阵




• vplayout <- function(x,y){ viewport(layout.pos.row = x, layout.pos.col = y)}




• print(p1, vp = vplayout(1,1)) #（1,1)的位置画图1




• print(p2, vp = vplayout(1,2)) #(1,2)的位置画图2




• print(p3, vp = vplayout(2,1)) #（2,1)的位置画图3

7、主题（Theme）

8. ggplot2包载入失败，不知道是什么原因

colorspace 是ggplot2 的依赖包。在安装ggplot2的时候会自动安装它所依赖的包，如果出错建议：
1，手动安装 colorspace 包。
2，或者用Rstudio 去安装
3，或者改变镜像地址。

9. 到底要怎样安装ggplot啊，老是失败

安装GGPLOT2不是一定要用这个install.packages('ggplot2')命令的。用R上面的PACKAGES,这个菜单就可以了，很简单。希望我的回答对你有所帮助，如果满意请设置为最佳答案，谢谢

10. 求助大神，加载ggplot2的数据列表有diamonds，加载数据时却总说没有这个数据集

diamonds是一个数据集，开始的部分就是用这组数据集来进行举例的。作者给出了diamonds的样子，见表2.1

library(ggplot2)
data(diamonds)
summary(diamonds) 这样就可以用了，

data("diamonds",package="ggplot2") 或者这样