热图是一种数据图形表示，其中矩阵中包含的各个值以颜色形式呈现。
# 需要的R包
library(tidyverse)
library(RColorBrewer)
library(hrbrthemes) # 美化主题
library(viridis) # 渐变色
library(plotly) # 交互式图形
library(lattice) # 另一种绘图系统
library(RColorBrewer) # 调色板
library(viridisLite) # 调色板
library(latticeExtra) # 扩展lattice功能heatmap()heatmap() 是Base R 的函数，带有聚类功能，胜出一筹。
data <- as.matrix(mtcars)
heatmap(data)
所有的变化都被 hp 和 disp 这两个与其他变量相比具有非常高的值的变量所吸收。我们需要对数据进行标准化。
heatmap(data, scale="column")
解读：
刚才的图由于聚类而重新排序，可以指定不排序。
heatmap(data, Colv = NA, Rowv = NA, scale="column")
# 自带调色板
heatmap(data, scale="column", col = cm.colors(256))
heatmap(data, scale="column", col = terrain.colors(256))
# RColorBrewer 调色板
# 需要library(RColorBrewer)
coul <- colorRampPalette(brewer.pal(8, "PiYG"))(25)
heatmap(data, scale="column", col = coul)
# 使用自定义调色板，去除聚类，添加坐标轴和标题
heatmap(
data,
Colv = NA, # 不对列进行聚类
Rowv = NA, # 不对行进行聚类
scale = "column", # 对列进行标准化
col = coul, # 使用自定义调色板
xlab = "variable", # x轴标签
ylab = "car", # y轴标签
main = "heatmap" # 图标题
)
# 修改行标签字号和内容，使用蓝色调色板
heatmap(
data,
scale = "column", # 对列进行标准化
cexRow = 1.5, # 行标签字号
labRow = paste("new_", rownames(data), sep = ""), # 修改行标签内容
col = colorRampPalette(brewer.pal(8, "Blues"))(25) # 使用蓝色调色板
)
# 按行名首字母分组
my_group <- as.numeric(as.factor(substr(rownames(data), 1, 1)))
# 为每组分配颜色
colSide <- brewer.pal(9, "Set1")[my_group]
# 生成主热图颜色
colMain <- colorRampPalette(brewer.pal(8, "Blues"))(25)
# 绘制带有颜色条的热力图
heatmap(
data,
Colv = NA, # 不对列聚类
Rowv = NA, # 不对行聚类
scale = "column", # 对列标准化
RowSideColors = colSide, # 行侧颜色条
col = colMain # 主热图颜色
)
geom_tile()geom_tile() 是源于 ggplot2 的瓦片函数，适用于绘制热图。
# 构造示例数据
x <- LETTERS[1:20] # X轴标签，A到T
y <- paste0("var", seq(1, 20)) # Y轴标签，var1到var20
data <- expand.grid(X = x, Y = y) # 生成所有组合
data$Z <- runif(400, 0, 5) # 生成均匀分布随机数，runif(n, min, max)
# 绘制热图
ggplot(data, aes(X, Y, fill = Z)) +
geom_tile() # 用颜色填充瓦片
# scale_fill_gradient 线性，灵活，但需自己选色。
# scale_fill_viridis 自动、专业且色盲友好，推荐用于科学数据可视化。
# 构造示例数据
x <- LETTERS[1:20]
y <- paste0("var", seq(1,20))
data <- expand.grid(X=x, Y=y)
data$Z <- runif(400, 0, 5)
# 1. 使用蓝色渐变色
ggplot(data, aes(X, Y, fill= Z)) +
geom_tile() +
scale_fill_gradient(low="white", high="blue") + # 渐变色从白到蓝
theme_ipsum()
# 2. 使用 RColorBrewer 的 RdPu 调色板
ggplot(data, aes(X, Y, fill= Z)) +
geom_tile() +
scale_fill_distiller(palette = "RdPu") + # 使用 RdPu 调色板
theme_ipsum()
# 3. 使用 viridis 包的配色
ggplot(data, aes(X, Y, fill= Z)) +
geom_tile() +
scale_fill_viridis(discrete=FALSE) + # 使用 viridis 渐变色
theme_ipsum()
# volcano 数据集是 R 自带的地形高度矩阵
volcano |>
as_tibble() |> # 转为 tibble 数据框
rowid_to_column(var = "X") |> # 添加行号作为 X 坐标
pivot_longer(
cols = !X, # 除 X 外的所有列
names_to = "Y", # 列名作为 Y 坐标
values_to = "Z" # 值作为高度
) |>
mutate(Y = as.numeric(gsub("V", "", Y))) |> # Y 坐标转为数值型
# 可视化
ggplot(aes(X, Y, fill = Z)) +
geom_tile() + # 用颜色填充瓦片
theme_ipsum() + # 美化主题
theme(legend.position = "none") # 去除图例
# 构造示例数据
x <- LETTERS[1:20] # X轴标签，A到T
y <- paste0("var", seq(1, 20)) # Y轴标签，var1到var20
data <- expand.grid(X = x, Y = y) # 生成所有组合
data$Z <- runif(400, 0, 5) # 生成均匀分布随机数
# 添加自定义文本用于交互式提示
data <- data |>
mutate(
text = paste0(
"x: ", x, "\n",
"y: ", y, "\n",
"Value: ", round(Z, 2), "\n",
"What else?"
)
)
# 使用ggplot2绘制热图，并将text映射到交互式提示
p <- ggplot(data, aes(X, Y, fill = Z, text = text)) +
geom_tile() +
theme_ipsum()
# 使用plotly实现交互式热图，显示自定义tooltip（悬浮提示）
ggplotly(p, tooltip = "text")plotly 交互式热力图
见 heatmap, `有以下几种方式：
plotly: 如前所述。
d3heatmap: 用 Base R 的 heatmap() 相同的函数语法制作交互式热图。
heatmaply: 最灵活的选项，允许多种不同的自定义。
热力图在可视化时间序列方面是一个非常不错的选择，特别是研究的时间框架是重复的，比如周。
#| fig-cap: 时间序列热力图
--- 1. 加载所需的R包 ---
library(ggplot2)
library(dplyr) # 用于更方便的数据处理
library(viridis) # 提供对色盲友好的调色板
library(Interpol.T) # 用于加载数据集
library(lubridate) # 用于方便地处理日期和时间
library(ggExtra) # 提供额外的主题功能，如removeGrid()
library(tidyr) # 用于数据整理，如此处的fill()
# --- 2. 加载和初步处理数据 ---
# 从 Interpol.T 包中加载 Trentino_hourly_T 数据集
data <- data(Trentino_hourly_T, package = "Interpol.T")
# 重命名数据框的前5个列名，使其更具可读性
names(h_d_t)[1:5] <- c("stationid", "date", "hour", "temp", "flag")
# 将数据框转换为dplyr的tbl_df格式，并筛选出特定气象站（T0001）的数据
df <- tbl_df(h_d_t) %>%
filter(stationid == "T0001")
# 使用lubridate包从date列中提取年、月、日信息，并创建新列
# month()中的label=TRUE使月份显示为缩写（如 Jan, Feb），而不是数字
df <- df %>% mutate(
year = year(date),
month = month(date, label = TRUE),
day = day(date)
)
# 使用lubridate的ymd()函数确保date列是标准的日期格式
# 这一步对于当前绘图不是必需的，但对于后续可能的数据分析很有用
df$date <- ymd(df$date)
# --- 3. 清理工作环境 ---
# 删除加载数据时附带的、后续不再需要的中间变量，以节省内存
rm(list = c(
"h_d_t", "mo_bias", "Tn", "Tx",
"Th_int_list", "calibration_l",
"calibration_shape", "Tm_list"
))
# --- 4. 创建用于绘图的最终数据框 ---
# 选择绘图所需的列，并填充缺失的温度值
df <- df %>%
select(stationid, day, hour, month, year, temp) %>%
fill(temp) # 使用前一个非缺失值来填充NA
# 填充缺失值(NA)的注意事项：
# 这段代码是为了演示可视化技术。
# 数据集中有5个缺失的小时温度值。
# 作者使用了tidyr包的fill()函数，用前一个小时的值来替换NA。
# 这只是为了让图表好看的快速修复方法，在真实的数据分析中请不要这样做！
# 应该使用更严谨的方法，如 tidyr 的 replace_NA 或 complete(with fill)，
# 或者使用更专业的插补方法来处理缺失值。
# 获取当前正在分析的气象站ID，用于图表标题
statno <- unique(df$stationid)
######## 绘图部分开始 #####################
# --- 5. 使用ggplot2创建图表 ---
# 初始化ggplot对象，设置核心美学映射：x轴为天，y轴为小时，填充色为温度
p <- ggplot(df, aes(day, hour, fill = temp)) +
# 使用瓦片图层来创建热图，并给瓦片之间添加细微的白色边框
geom_tile(color = "white", size = 0.1) +
# 使用viridis调色板填充颜色，对色盲友好。name参数设置图例标题
scale_fill_viridis(name = "Hourly Temps C", option = "C")
# 创建分面网格，按年份(行)和月份(列)将图表分割成多个面板
p <- p + facet_grid(year ~ month)
# 反转y轴（小时），使得0点在顶部，23点在底部，更符合直觉
p <- p + scale_y_continuous(trans = "reverse", breaks = unique(df$hour))
# 自定义x轴（天）的刻度，使其更清晰
p <- p + scale_x_continuous(breaks = c(1, 10, 20, 31))
# --- 6. 精细调整图表主题和标签 ---
# 应用一个简洁的主题，并设置基础字体大小
p <- p + theme_minimal(base_size = 8)
# 添加图表标题和坐标轴标签
p <- p + labs(title = paste("Hourly Temps - Station", statno), x = "Day", y = "Hour Commencing")
# 对图表的各种视觉元素进行精细调整
p <- p + theme(legend.position = "bottom") + # 将图例置于底部
theme(plot.title = element_text(size = 14)) + # 设置主标题字体大小
theme(axis.text.y = element_text(size = 6)) + # 设置y轴文字大小
theme(strip.background = element_rect(colour = "white")) + # 设置分面标签的背景
theme(plot.title = element_text(hjust = 0)) + # 标题左对齐
theme(axis.ticks = element_blank()) + # 隐藏坐标轴刻度线
theme(axis.text = element_text(size = 7)) + # 设置坐标轴文字大小
theme(legend.title = element_text(size = 8)) + # 设置图例标题大小
theme(legend.text = element_text(size = 6)) + # 设置图例文本大小
removeGrid() # 使用ggExtra包的函数移除背景网格线，使图表更干净
# --- 7. 显示图表 ---
# 在R的绘图窗口中打印（显示）最终生成的图表对象
# 建议在显示前先将绘图窗口拉大，以获得最佳视觉效果
p这段代码 生成了时间序列热力图。显示了气象站的每小时温度变化。
levelplot()# 创建示例数据
x <- seq(1, 10, length.out = 20)
y <- seq(1, 10, length.out = 20)
data <- expand.grid(X = x, Y = y)
data$Z <- runif(400, 0, 5)
# levelplot() 绘制基础热力图
levelplot(Z ~ X * Y, data = data)
# 构造一个 10x10 的随机矩阵作为示例数据
data <- matrix(runif(100, 0, 5), 10, 10)
colnames(data) <- letters[1:10] # 设置列名为 a~j
rownames(data) <- paste("row", 1:10) # 设置行名为 row 1 ~ row 10
# 使用 levelplot() 绘制热力图
levelplot(data)
# 构造一个 10x10 的随机矩阵作为示例数据
data <- matrix(runif(100, 0, 5), 10, 10)
colnames(data) <- letters[c(1:10)] # 设置列名为 a~j
rownames(data) <- paste(rep("row", 10), c(1:10), sep = " ") # 设置行名为 row 1 ~ row 10
# 翻转行顺序并转置矩阵，使热图的 y 轴从上到下递增
# t() 转置，data[nrow(data):1, ] 反转行顺序
levelplot(
t(data[nrow(data):1, ]), # 翻转并转置数据
col.regions = heat.colors(100) # 使用 heat.colors 调色板
)
# 1: R自带调色板
levelplot(volcano, col.regions = terrain.colors(100)) # 使用 terrain.colors() 原生调色板，可尝试 cm.colors() 或 terrain.colors()
# 2: RColorBrewer 调色板
# library(RColorBrewer)
coul <- colorRampPalette(brewer.pal(8, "PiYG"))(25)
levelplot(volcano, col.regions = coul) # 使用 RColorBrewer 的 PiYG 调色板
# 3: Viridis 渐变色
# library(viridisLite)
coul <- viridis(100)
levelplot(volcano, col.regions = coul) # 使用 viridis 渐变色
levelplot(volcano, col.regions = magma(100)) # 使用 magma 渐变色
# 加载 latticeExtra 包以获得 panel.2dsmoother
# library(latticeExtra)
# 创建示例数据
set.seed(1)
data <- data.frame(x = rnorm(100), y = rnorm(100))
data$z <- with(data, x * y + rnorm(100, sd = 1))
# 使用 levelplot 绘制散点热力图，并叠加平滑层
levelplot(
z ~ x * y,
data,
panel = panel.levelplot.points, # 显示数据点
cex = 1.2
) +
# 叠加二维平滑层，n 控制平滑网格的分辨率
layer_(panel.2dsmoother(..., n = 200))
这是一个非常优秀的数据可视化作品，利用 R 语言的 ggplot2 包将美国各州从1928年到2011年的麻疹发病率数据绘制成了热图。
代码通过逐层叠加，精细地控制了图表的每一个细节，从而清晰地讲述了“疫苗引入后麻疹病例急剧下降”这一核心故事。
