别再只会画饼图了！用R语言ggplot2复刻经典南丁格尔玫瑰图（附完整代码）

用R语言ggplot2打造专业级南丁格尔玫瑰图：从数据到视觉叙事

在数据爆炸的时代，如何让冰冷的数字产生温度？当传统饼图已经无法满足专业报告的需求时，南丁格尔玫瑰图以其独特的视觉冲击力成为数据叙事的新宠。这种由护理学先驱弗洛伦斯·南丁格尔发明的图表，最初用于展示克里米亚战争中士兵死亡原因，如今已成为数据可视化领域的经典之作。

1. 为什么选择玫瑰图而非传统饼图？

玫瑰图（Rose Diagram）本质上是一种极坐标下的柱状图，通过半径长度和扇形面积双重编码数据信息。与普通饼图相比，它具有几个不可替代的优势：

• 视觉对比更强烈：人眼对长度差异的敏感度远高于角度差异，玫瑰图利用这一特性放大数据差异
• 空间利用率更高：相同面积下，玫瑰图能展示更多类别而不显得拥挤
• 叙事性更强：历史渊源赋予其天然的"故事感"，特别适合需要强调数据背后意义的场景

# 传统饼图 vs 玫瑰图对比代码示例 library(ggplot2) data <- data.frame( category = LETTERS[1:6], value = c(12, 23, 9, 17, 28, 11) ) # 普通饼图 pie <- ggplot(data, aes(x="", y=value, fill=category)) + geom_bar(stat="identity", width=1) + coord_polar("y", start=0) + theme_void() # 玫瑰图 rose <- ggplot(data, aes(x=category, y=value, fill=category)) + geom_bar(stat="identity", width=1) + coord_polar() + theme_minimal()

提示：当数据值差异小于30%时，玫瑰图的优势最为明显，能将细微差异放大到肉眼可辨的程度。

2. 构建玫瑰图的核心技术栈

2.1 数据准备与预处理

玫瑰图对数据结构有特定要求，理想的数据格式应包含：

1. 分类变量（通常作为x轴）
2. 数值变量（决定扇形半径）
3. 可选的分组/颜色变量

# 示例数据结构 sales_data <- data.frame( month = month.abb, revenue = c(120, 135, 148, 165, 190, 210, 225, 240, 215, 195, 170, 150), growth = c(NA, diff(revenue)/revenue[-12]*100) )

2.2 极坐标转换的艺术

coord_polar()是玫瑰图的核心转换函数，但直接使用往往效果不佳。专业级实现需要考虑：

• 起始角度：通过start参数控制，通常设为-π/2使12点钟方向为起点
• 方向：direction=1为顺时针，direction=-1为逆时针
• 闭合性：设置clip="off"避免边缘裁剪

p <- ggplot(sales_data, aes(x=month, y=revenue, fill=growth)) + geom_col(width=0.9, color="white", size=0.3) + coord_polar(start=-pi/2, direction=1, clip="off")

2.3 颜色映射与渐变方案

玫瑰图的颜色不应只是装饰，而应成为数据表达的延伸。scale_fill_gradientn()允许创建自定义连续色阶：

p + scale_fill_gradientn( colors = c("#4575b4", "#91bfdb", "#e0f3f8", "#fee090", "#fc8d59", "#d73027"), values = scales::rescale(c(-10, 0, 10, 20, 30, 40)), guide = guide_colorbar( barwidth = 15, barheight = 0.5, title.position = "top" ) )

3. 专业级美化技巧

3.1 网格线与参考线

极坐标下的网格线需要特殊处理才能正确显示：

p + geom_hline( aes(yintercept = y), data.frame(y = seq(0, max(sales_data$revenue), by=50)), color="gray90", size=0.3 ) + geom_segment( aes(x=x, y=0, xend=x, yend=max(revenue)*1.1), data.frame(x=1:12-0.5), color="gray80", linetype="dotted" )

3.2 标签优化策略

极坐标下的文本标签需要特别处理以避免重叠：

p + geom_text( aes(label=paste0(month,"\n",revenue)), position=position_stack(vjust=0.5), size=3, color="white", fontface="bold" ) + theme( axis.text.x = element_text( angle = seq(0, 330, length.out=12), hjust = 0.5, vjust = 0.5 ) )

3.3 主题精修

专业报告需要极简但精致的主题设置：

p + theme_minimal(base_size=12) + theme( axis.title = element_blank(), axis.text.y = element_blank(), panel.grid.major.y = element_blank(), panel.grid.minor.y = element_blank(), legend.position = "bottom", plot.margin = unit(c(1,1,1.5,1.2), "cm") )

4. 实战案例：销售数据可视化

让我们通过一个完整的案例展示如何将月度销售数据转化为具有冲击力的玫瑰图：

# 完整代码实现 library(ggplot2) library(scales) monthly_sales <- data.frame( month = factor(month.name, levels=month.name), sales = c(120, 135, 148, 165, 190, 210, 225, 240, 215, 195, 170, 150), growth = c(NA, diff(sales)/sales[-12]*100) ) ggplot(monthly_sales, aes(x=month, y=sales, fill=growth)) + geom_col(width=0.9, color="white", size=0.3) + geom_hline( aes(yintercept=y), data.frame(y=seq(0,250,by=50)), color="gray90", size=0.3 ) + geom_segment( aes(x=x, y=0, xend=x, yend=260), data.frame(x=1:12-0.5), color="gray80", linetype="dotted" ) + coord_polar(start=-pi/2, clip="off") + scale_fill_gradientn( "环比增长(%)", colors=c("#2c7bb6","#abd9e9","#ffffbf","#fdae61","#d7191c"), values=rescale(c(-5,0,5,10,15)), na.value="grey80" ) + scale_y_continuous(limits=c(0,260), expand=c(0,0)) + labs(title="2023年度销售业绩分析") + theme_minimal() + theme( axis.title=element_blank(), axis.text.y=element_blank(), panel.grid=element_blank(), plot.title=element_text(hjust=0.5, face="bold", size=14), legend.position="bottom", axis.text.x=element_text(size=10, color="gray30") )

注意：当数据存在明显季节性时，可以考虑使用facet_wrap()创建多面板玫瑰图，每个面板代表一个季度或半年。

5. 进阶应用与避坑指南

5.1 动态交互式玫瑰图

使用plotly库可以轻松实现交互功能：

library(plotly) p <- ggplot(...) # 之前的静态图 ggplotly(p) %>% layout( polar = list( radialaxis = list(visible=F), angularaxis = list(direction="clockwise") ) )

5.2 常见问题解决方案

5.3 性能优化技巧

当数据量较大时（>50个类别），可以考虑以下优化：

• 使用geom_rect()替代geom_col提升渲染速度
• 预计算极坐标转换减少实时计算负担
• 对数据进行分箱处理减少类别数量

# 高性能实现示例 angles <- seq(-pi/2, 3*pi/2, length.out=13)[-13] sales_data$xmin <- angles[-length(angles)] sales_data$xmax <- angles[-1] ggplot(sales_data) + geom_rect( aes(xmin=xmin, xmax=xmax, ymin=0, ymax=sales, fill=growth), color="white" ) + coord_polar(start=pi/2)

玫瑰图的真正价值在于它能够将数据转化为视觉故事。记得去年为一个零售客户制作季度报告时，当平淡的柱状图变成绽放的玫瑰，董事会成员第一次真正注意到了夏季销售高峰的异常模式。这种"aha moment"正是数据可视化的魔力所在。