如何使用for循环在ggplot中添加图层

我想在ggplot2中将数据帧的每一列绘制到一个单独的层。 逐层构建绘图效果良好：

df<-data.frame(x1=c(1:5),y1=c(2.0,5.4,7.1,4.6,5.0),y2=c(0.4,9.4,2.9,5.4,1.1),y3=c(2.4,6.6,8.1,5.6,6.3))

ggplot(data=df,aes(df[,1]))+geom_line(aes(y=df[,2]))+geom_line(aes(y=df[,3]))

---

df一种方法是使用函数
melt（）
从库
restrape2
将数据帧从宽格式重塑为长格式。在新的数据框中，您将有
x1
值、
变量
，它们确定数据来自哪个列，以及包含所有原始y值的
值

现在，您可以使用一个
ggplot（）
和
geom_line（）
调用绘制所有数据，并使用
variable
为每一行绘制单独的颜色

 library(reshape2)
 df.long<-melt(df,id.vars="x1")
 head(df.long)
  x1 variable value
1  1       y1   2.0
2  2       y1   5.4
3  3       y1   7.1
4  4       y1   4.6
5  5       y1   5.0
6  1       y2   0.4
 ggplot(df.long,aes(x1,value,color=variable))+geom_line()

我在一个凌乱的大数据集上尝试了melt方法，希望有一个更快、更干净的方法。此for循环使用eval（）生成所需的绘图

fields <- names(df_normal) # index, var1, var2, var3, ...

p <- ggplot( aes(x=index), data = df_normal)
for (i in 2:length(fields)) { 
  loop_input = paste("geom_smooth(aes(y=",fields[i],",color='",fields[i],"'))", sep="")
  p <- p + eval(parse(text=loop_input))  
}
p <- p + guides( color = guide_legend(title = "",) )
p

字段对于OP的情况，我认为
pivot\u long
是最好的。但今天我遇到了一个似乎不适合旋转的情况，所以我使用以下代码以编程方式创建层。我不需要使用
eval（）

数据不兼容%
变异（args=map（args，~as.list（.$estimate））%>%
选择（-distribution）%>%
pmap（统计功能）
#最终情节
绘图+统计层

其思想是使用要插入geom/stat函数的参数组织一个tibble。每行应对应于要添加到ggplot的
+
层。然后使用
pmap
。这将创建一个图层列表，您只需将其添加到绘图中即可。
谢谢，这回答了我的问题。这真的很有帮助。这是非常有用的。我想我必须习惯长格式。我所看到的这个问题的唯一答案是真正循环和实际工作。许多人认为“EVE”是一种根本性的罪过，但它存在是有原因的：谢谢！作为后续访问者的注意事项，我发现使用迭代器（例如，
subset\u）将数据分配给变量
plotAllLayers<-function(df){
  p<-ggplot(data=df,aes(df[,1]))
  for(i in names(df)[-1]){ 
    p<-p+geom_line(aes_string(y=i))
  }
  return(p)
}

plotAllLayers(df)

fields <- names(df_normal) # index, var1, var2, var3, ...

p <- ggplot( aes(x=index), data = df_normal)
for (i in 2:length(fields)) { 
  loop_input = paste("geom_smooth(aes(y=",fields[i],",color='",fields[i],"'))", sep="")
  p <- p + eval(parse(text=loop_input))  
}
p <- p + guides( color = guide_legend(title = "",) )
p

data_tibble <- tibble(my_var = c(650, 1040, 1060, 1150, 1180, 1220, 1280, 1430, 1440, 1440, 1470, 1470, 1480, 1490, 1520, 1550, 1560, 1560, 1600, 1600, 1610, 1630, 1660, 1740, 1780, 1800, 1810, 1820, 1830, 1870, 1910, 1910, 1930, 1940, 1940, 1940, 1980, 1990, 2000, 2060, 2080, 2080, 2090, 2100, 2120, 2140, 2160, 2240, 2260, 2320, 2430, 2440, 2540, 2550, 2560, 2570, 2610, 2660, 2680, 2700, 2700, 2720, 2730, 2790, 2820, 2880, 2910, 2970, 2970, 3030, 3050, 3060, 3080, 3120, 3160, 3200, 3280, 3290, 3310, 3320, 3340, 3350, 3400, 3430, 3540, 3550, 3580, 3580, 3620, 3640, 3650, 3710, 3820, 3820, 3870, 3980, 4060, 4070, 4160, 4170, 4170, 4220, 4300, 4320, 4350, 4390, 4430, 4450, 4500, 4650, 4650, 5080, 5160, 5160, 5460, 5490, 5670, 5680, 5760, 5960, 5980, 6060, 6120, 6190, 6480, 6760, 7750, 8390, 9560))

# This is a normal histogram
plot <- data_tibble %>%
  ggplot() +
  geom_histogram(aes(x=my_var, y = ..density..))

# We prepare layers to add
stat_layers <- tibble(distribution = c("lognormal", "gamma", "normal"),
                     fun = c(dlnorm, dgamma, dnorm),
                     colour = c("red", "green", "yellow")) %>% 
  mutate(args = map(distribution, MASS::fitdistr, x=data_tibble$my_var)) %>% 
  mutate(args = map(args, ~as.list(.$estimate))) %>% 
  select(-distribution) %>% 
  pmap(stat_function)

# Final Plot
plot + stat_layers