云雨图(Raincloud)_高考分数段举例

云雨图（Raincloud Plot），是一种很美观的数据可视化技术，用于展示数据的分布情况，特别是用于统计分析中的单变量分布展示。这种图表结合了箱形图（box plot）、散点图（scatter plot）和直方图（histogram）的特点，能够提供比传统图表更丰富的信息。

正好这两天高考分数出来了，并且公布了每个分数的人数，正好通过这个图绘制出来看一下效果。使用的是四川23年和24年文理科的数据，不仅可以对比两年分数分布的变化，也可以看一下文理科的分布差异，具体图形如下↓

【云雨图的主要组成部分】

直方图部分：云雨图的底部是一个半边的直方图，它展示了数据的分布密度。直方图的条形通常从图的中心向外延伸，显示数据点的频率。

密度曲线：在直方图的上方，通常会叠加一条平滑的密度曲线，这条曲线是对数据分布的连续估计，帮助观察者更直观地理解数据的分布形态。

箱形图：在直方图和密度曲线的旁边，云雨图包含了一个箱形图，它展示了数据的中位数、四分位数以及可能的异常值。箱形图的“箱子”部分显示了数据的上四分位数（Q3）和下四分位数（Q1），而中间的线则代表中位数。

散点图：在箱形图的上下两端，云雨图还会用散点图的形式展示数据点。这些散点代表了数据集中的单个观测值，增加了图表的细节和真实感。

【云雨图的优势】

信息丰富：云雨图同时展示了数据的分布、集中趋势和离散程度，使得观察者能够快速把握数据的整体特征。

美观直观：与传统的箱形图或直方图相比，云雨图在视觉上更加吸引人，同时也更易于理解。

灵活性：云雨图可以根据需要调整显示的细节，比如可以隐藏散点图部分，或者调整直方图的宽度等。

【图片生成演示】

先使用模拟的数据，简单举一个例子，看一下数据结构如何↓

library(ggplot2)
library(dplyr)
library(ggdist)
library(showtext)
showtext_auto()
# 生成示例数据
data <- data.frame(
  group = rep(c("A", "B"), each = 100),
  value = c(rnorm(100, mean = 5, sd = 1), rnorm(100, mean = 7, sd = 1.5))
)

数据结构很简单，就两列，第一列是分类变量，第二列是具体的数值，接下来绘制一个最简单的云雨图，其实就是在ggplot里面，增加了ggdist、geom_boxplot和geom_jitter三个对象的组合，代码和结果如下↓

ggplot(data, aes(x = group, y = value, fill = group)) +
  ggdist::stat_halfeye(
    adjust = .5, 
    width = .6, 
    .width = 0, 
    justification = -.3, 
    point_colour = NA
  ) + 
  geom_boxplot(
    width = .25, 
    outlier.shape = NA
  ) +
  geom_jitter(
    width = .1, 
    alpha = .3
  ) +
  theme_minimal() +
  labs(title = "云雨图Raincloud Plot", x = "分组", y = "数值") +
  theme(legend.position = "none")

可以看到，基本已经成型了，但是我们还想再图上展示出中位数和上下四分位数，便于我们判断数据的分布大概范围，首先计算几个数值↓

summary_stats <- data %>%
  group_by(group) %>%
  summarise(
    median = median(value),
    q1 = quantile(value, 0.25),
    q3 = quantile(value, 0.75)
  )

然后就可以通过geom_text把这几个关键值放入图表中了↓

ggplot(data, aes(x = group, y = value, fill = group)) +
  ggdist::stat_halfeye(
    adjust = .5, 
    width = .6, 
    .width = 0, 
    justification = -.3, 
    point_colour = NA
  ) + 
  geom_boxplot(
    width = .25, 
    outlier.shape = NA
  ) +
  geom_jitter(
    width = .1, 
    alpha = .3
  ) +
  geom_text(data = summary_stats, aes(x = group, y = median, label = round(median, 2)), 
            color = "black", size = 5, vjust = 0) +
  geom_text(data = summary_stats, aes(x = group, y = q1, label = round(q1, 2)), 
            color = "black", size = 5, vjust = 1.1) +
  geom_text(data = summary_stats, aes(x = group, y = q3, label = round(q3, 2)), 
            color = "black", size = 5, vjust = -0.2) +
  theme_minimal() +
  labs(title = "云雨图Raincloud Plot", x = "分组", y = "数值") +
  theme(legend.position = "none")

如果我们对默认的图形颜色不满意，还可以自定义颜色↓

custom_colors <- c("A" = "blue", "B" = "green")


# 绘制云雨图
ggplot(data, aes(x = group, y = value, fill = group)) +
  ggdist::stat_halfeye(
    adjust = .5, 
    width = .6, 
    .width = 0, 
    justification = -.3, 
    point_colour = NA
  ) + 
  geom_boxplot(
    width = .25, 
    outlier.shape = NA
  ) +
  geom_jitter(
    width = .1, 
    alpha = .3
  ) +
  geom_text(data = summary_stats, aes(x = group, y = median, label = round(median, 2)), 
            color = "red", size = 5, vjust = -1.5) +
  geom_text(data = summary_stats, aes(x = group, y = q1, label = round(q1, 2)), 
            color = "red", size = 5, vjust = 1.5) +
  geom_text(data = summary_stats, aes(x = group, y = q3, label = round(q3, 2)), 
            color = "red", size = 5, vjust = 1.5) +
  scale_fill_manual(values = custom_colors) +
  theme_minimal() +
  labs(title = "Raincloud Plot", x = "Group", y = "Value") +
  theme(
    legend.position = "none",
    axis.title = element_text(size = 18),  # 设置轴标签字体大小
    plot.title = element_text(size = 20)   # 设置标题字体大小
  )

【实际高考数据演示】

数据是四川2023和2024年分文理科的四张表格，格式如下↓

我们先读入2024年理科的成绩，然后还需要进行数据处理，因为这里每个分数是合计的人数，我们需要处理成一个分数一行的格式↓

df_gaokao_l <- read.delim("clipboard")
expanded_df_l <- df_gaokao_l[rep(row.names(df_gaokao_l), df_gaokao_l$人数), ]
expanded_df_l$kemu <- "24理科"

已经是我们想要的格式了，接下来分别把其他三张表读进来，然后按照同样的方式进行处理，最后把四张表进行合并↓

df_gaokao_w <- read.delim("clipboard")
expanded_df_w <- df_gaokao_w[rep(row.names(df_gaokao_w), df_gaokao_w$人数), ]
expanded_df_w$kemu <- "24文科"
df_gaokao_l <- read.delim("clipboard")
expanded_df_l23 <- df_gaokao_l[rep(row.names(df_gaokao_l), df_gaokao_l$人数), ]
expanded_df_l23$kemu <- "23理科"
df_gaokao_w <- read.delim("clipboard")
expanded_df_w23 <- df_gaokao_w[rep(row.names(df_gaokao_w), df_gaokao_w$人数), ]
expanded_df_w23$kemu <- "23文科"
expanded_df <- rbind(expanded_df_w,expanded_df_l,expanded_df_w23,expanded_df_l23)

最后我们得到了一个101万行的数据表格，每一行就是一个同学的分数，下面进行可视化↓

custom_colors <- c("24理科" = "#4280fc", "24文科" = "#de6021",
                   "23理科" = "#5e99ad", "23文科" = "#cf997e")
summary_stats <- expanded_df %>%
  group_by(kemu) %>%
  summarise(
    median = median(分数),
    q1 = quantile(分数, 0.25),
    q3 = quantile(分数, 0.75)
  )
ggplot(expanded_df, aes(x = kemu, y = 分数, fill = kemu)) +
  ggdist::stat_halfeye(
    adjust = .5, 
    width = .6, 
    .width = 0, 
    justification = -.3, 
    point_colour = NA
  ) + 
  geom_boxplot(
    width = .25, 
    outlier.shape = NA
  ) +
  geom_jitter(
    width = .1, 
    alpha = 0.005
  ) +
  geom_text(data = summary_stats, aes(x = kemu, y = median, label = round(median, 2)), 
            color = "black", size = 10, vjust = 0) +
  geom_text(data = summary_stats, aes(x = kemu, y = q1, label = round(q1, 2)), 
            color = "black", size = 10, vjust = 1.1) +
  geom_text(data = summary_stats, aes(x = kemu, y = q3, label = round(q3, 2)), 
            color = "black", size = 10, vjust = -0.2) +
  scale_fill_manual(values = custom_colors) +
  theme_minimal() +
  labs(title = "2023-2024四川高考文理科分数分布", x = "分组", y = "高考分数") +
  theme(
    legend.position = "top",
    axis.title = element_text(size = 18),  # 设置轴标签字体大小
    axis.text.x = element_text(size = 20), # 设置X轴标签字体大小
    axis.text.y = element_text(size = 20), # 设置X轴标签字体大小
    plot.title = element_text(size = 20)   # 设置标题字体大小
  )

可以看到，理科整体分布比较正态，24年整体分数比23年高20分左右；而文科整体分数比理科低，23年和24年差别不大，但是呈现双峰的分布形态。

我们还可以通过设置coord_flip()，把图形从垂直显示改成水平显示↓

ggplot(expanded_df, aes(x = kemu, y = 分数, fill = kemu)) +
  ggdist::stat_halfeye(
    adjust = .5, 
    width = .6, 
    .width = 0, 
    justification = -.3, 
    point_colour = NA
  ) + 
  geom_boxplot(
    width = .25, 
    outlier.shape = NA
  ) +
  geom_jitter(
    width = .1, 
    alpha = 0.005
  ) +
  geom_text(data = summary_stats, aes(x = kemu, y = median, label = round(median, 2)), 
            color = "black", size = 10, vjust = 0) +
  geom_text(data = summary_stats, aes(x = kemu, y = q1, label = round(q1, 2)), 
            color = "black", size = 10, vjust = 0) +
  geom_text(data = summary_stats, aes(x = kemu, y = q3, label = round(q3, 2)), 
            color = "black", size = 10, vjust = 0) +
  scale_fill_manual(values = custom_colors) +
  coord_flip() +  # 将图表改为水平显示
  theme_minimal() +
  labs(title = "2023-2024四川高考文理科分数分布", x = "分组", y = "高考分数") +
  theme(
    legend.position = "top",
    axis.title = element_text(size = 18),  # 设置轴标签字体大小
    axis.text.x = element_text(size = 20), # 设置X轴标签字体大小
    axis.text.y = element_text(size = 20), # 设置X轴标签字体大小
    plot.title = element_text(size = 20)   # 设置标题字体大小
  )

数据链接如下，可下载使用↓

https://linss.oss-cn-beijing.aliyuncs.com/Excel/2024gaokao.xlsx

链接是我使用PowerBI整合的历史文章，按类型分类，可以根据需求查询：Microsoft Power BI↓

https://app.powerbi.com/view?r=eyJrIjoiNjI2NWQ3NjktYjU0ZC00ZWZhLTgzMDgtMGI4ZTk1ZDlkODM3IiwidCI6IjI3NDQ3MWQ0LTM4ZDQtNDVlZS1hMmJkLWU1NTVhOTBkYzM4NiJ9End