4.3 扩展可视化包：专题图表工具箱

4.3 扩展可视化包：专题图表工具箱

本节摘要：ggplot2 覆盖日常八成需求，剩下两成靠扩展包补位。本节过一遍四个高频专题工具——相关系数矩阵的 corrplot、地图着色的地图包、交互图的 plotly、拼图的 patchwork——并讲清"何时值得引入新包"的取舍标准。

工具箱巡礼

相关系数矩阵：corrplot。 变量一多，两两相关的全景只有矩阵图能交代：

install.packages("corrplot")
library(corrplot)
m <- cor(mtcars[, c("mpg", "disp", "hp", "wt", "qsec")])
corrplot(m, method = "ellipse", type = "upper",
         addCoef.col = "black", tl.col = "black")
​

椭圆越扁、颜色越深，相关性越强；方向由颜色冷暖区分。一图在手，选模型的候选变量与共线性嫌疑一目了然——第 6 章建模前就该先看这张图。

交互探索：plotly。 结案报告是静态的，但侦查阶段能把图拿在手里转：

library(plotly)
p <- ggplot(mpg, aes(x = displ, y = hwy, color = drv)) + geom_point()
ggplotly(p)   # 悬停看点、框选缩放
​

拼图：patchwork。 多张子图按版面逻辑组合：

library(patchwork)
p1 <- ggplot(mpg, aes(drv, hwy)) + geom_boxplot()
p2 <- ggplot(mpg, aes(cty)) + geom_histogram(bins = 20)
p1 + p2          # 加号拼排；p1 / p2 上下排；加 plot_annotation 定总标题
​

地图着色：地图类扩展包。 国家发展档案案里"各国寿命数据按地区上色"这类需求，ggplot2 配合地图数据可以画分级统计图；对精度要求不高的快速版本，包自带的简化世界地图数据足够用。

选型判断表

专题工具能力环

💡 关键直觉：每引入一个扩展包，就多一分学习与维护成本。判断标准只有一条——它解决的问题出现的频率够不够高。一年画一次地图，临时学比常备工具箱划算。

实战演练：给油耗案配一张结案版图墙

用 patchwork 把本章产出的四张证据图拼成一张"结案图墙"，重现完整推理链：

library(ggplot2); library(patchwork)

p1 <- ggplot(mpg, aes(displ, hwy)) + geom_point(alpha = 0.5) +
  labs(title = "疑点：同一排量两撮点")
p2 <- ggplot(mpg, aes(drv, hwy)) + geom_boxplot() +
  labs(title = "组差：驱动方式分层")
p3 <- ggplot(mpg, aes(displ, hwy, color = drv)) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(title = "分组后趋势各自成立")
p4 <- ggplot(mpg, aes(cty)) +
  geom_histogram(bins = 20) + labs(title = "城市油耗分布")

(p1 | p2) / (p3 | p4) + plot_annotation(
  title = "油耗指纹案结案图墙",
  tag_levels = "A"   # 每格自动编号 A B C D，正文引用有锚点
)
​

| 左右排、/ 上下排，组合优先级与四则运算一样可加括号控制。tag_levels 自动打出的编号让报告正文可以写"见图 C"——多图报告的可读性一半靠这个细节。

corrplot 判读进阶与一个陷阱

library(corrplot)
m <- cor(mtcars[, c("mpg", "disp", "hp", "wt", "drat")])

# 两步走：先椭圆看形，再数字钉值
corrplot(m, method = "ellipse", type = "upper")
corrplot(m, method = "number", type = "lower",
         number.cex = 0.7, col = "black", cl.pos = "n")

# 陷阱演示：含缺失值时 cor 会整对返回 NA
mtcars2 <- mtcars; mtcars2$mpg[1:3] <- NA
cor(mtcars2$mpg, mtcars2$wt)        # NA
cor(mtcars2$mpg, mtcars2$wt, use = "complete.obs")   # 正常出数
​

上下三角分开放两种 method，形与值互补，是建模前排查共线性的标准用法。陷阱段提醒：相关矩阵对缺失极其敏感，use 参数不指定，半个 NA 就让一格变白。另外记住相关只测线性关系，散点呈弯月形时相关数可能接近零——矩阵图与散点图要互相印证，不能只信一格数字。

何时不该用图

可视化不是万能推理器，三种场景图反而误导：样本量极小时（每组三五点），任何"形状"都可能是噪声，这时该回到第 5 章的检验；组间均值差异被大方差淹没时，箱线图看着重叠，检验却能分出显著，图的直觉要靠统计兜底；坐标被裁剪或 y 轴不从零起的柱状图，视觉结论与数据结论可以完全相反——图的诚实性最终靠绘图者的规范保障。

本节要点回顾

• corrplot 相关矩阵：建模前的共线性排查哨
• patchwork 加号拼图：多子图报告的标准排法
• plotly 交互：侦查探索用，正式报告通常仍回静态图
• 地图包高代价：数据结构与坐标系统都要另学一层
• 按频率引包：低频需求临时学，高频需求才常备

一个落地建议：把这节当"抽屉"而不是"课表"——corrplot 与 patchwork 值得现在就装上练一遍，因为建模与报告立刻用得到；plotly 与地图包等到具体案子出现再学不迟。抽屉里的工具认得名字、知道它能干什么，比样样精通更现实。