企业官网建设流程全解析

1. 项目概述：当热力地图遇上气泡饼图

在数据可视化的世界里，我们总是在寻找更高效、更直观的方式去呈现复杂多维度的信息。如果你经常用R语言做数据分析，尤其是涉及地理空间、生物信息学或者任何需要同时展示位置、强度和类别构成的数据时，你可能会遇到一个经典的难题：如何在一张图上，既能看到数据的空间分布密度（热力），又能看清每个具体点位上的多类别组成比例？单独的热力地图擅长展示宏观趋势，而气泡饼图则精于微观解构。将两者复合，就能创造出一种“既见森林，又见树木”的强大视图。这就是“热力地图复合气泡饼图”要解决的问题。

这个项目听起来有点炫技，但它的实用价值极高。想象一下，你手头有一份全国各城市的商业数据，你既想了解哪个区域的整体市场热度最高（热力），又想分析每个城市内部不同产品线的销售额占比（饼图）。传统的做法可能是画两张图，或者用复杂的分面，但都不如将信息叠加在一张图上来得直接震撼。在生物信息学领域，这种图的应用更为广泛，比如在展示基因表达量空间分布的同时，呈现不同功能通路的富集情况。

实现这个效果的核心，在于R语言中两个强大工具的联姻：用于绘制高质量统计图形的ggplot2生态系统，以及一个名为scatterpie的扩展包。网络上流传的许多代码片段，往往只给出了一个骨架，缺乏对数据准备、美学调整和问题排查的深度讲解。今天，我就从一个实战者的角度，带你从零开始，一步步拆解如何用R语言打造一张专业级的热力地图复合气泡饼图，并分享那些只有踩过坑才知道的细节。

2. 核心思路与工具选型解析

2.1 为什么是 ggplot2 + scatterpie？

在R的可视化江湖里，ggplot2早已是事实上的标准。它的图层（Layer）语法哲学，允许我们像搭积木一样组合不同的图形元素。热力地图本质上是一种基于网格的二维密度估计图，在ggplot2中可以通过geom_density_2d()、stat_density_2d()或者结合geom_tile()与统计变换来实现。而气泡饼图，并不是ggplot2的原生几何对象。

这时，scatterpie包就登场了。它提供了一个名为geom_scatterpie()的函数，专门用于在指定坐标（x, y）上绘制比例饼图，并且饼图的大小（半径）可以映射到另一个变量（比如总数值），从而形成“气泡饼图”。它的工作原理是在每个点位，绘制一个由多个扇形组成的圆，每个扇形对应一个类别，其角度由该类别的比例决定。

因此，我们的复合图技术路径就清晰了：

1. 底层（背景层）：使用ggplot2的相关几何对象或统计变换，生成热力地图图层，用以展示数据的整体空间分布密度。
2. 上层（前景层）：使用scatterpie包的geom_scatterpie()，在具体的坐标点上叠加气泡饼图，用以展示每个点的多类别构成。

这种分层绘制的思路，完美契合了ggplot2的图层语法。选择这个组合，而不是尝试寻找一个“万能”的单一函数，原因在于其灵活性和可控性极高。我们可以分别调整热力图的色阶、平滑度和气泡饼图的大小、颜色、边框，直到获得最满意的视觉效果。

2.2 数据结构的核心要求

工欲善其事，必先利其“数据”。这是制作此类图表最关键，也最容易出错的一步。你的原始数据必须整理成特定的“长格式”或“中间格式”。

假设我们研究10个观测站点（点位），每个站点测量了3种污染物（A, B, C）的浓度，并且我们有点位的经纬度坐标。

错误/不兼容的格式（常见宽格式）：

这种格式geom_scatterpie()无法直接使用。

geom_scatterpie()需要的格式（长格式变体）：它要求有一列指定x坐标，一列指定y坐标，然后为每个需要展示在饼图中的类别，单独设置一列，这一列的值代表该类别在该点的“量”（可以是绝对数值，scatterpie内部会计算比例；也可以是比例本身，但需确保每行比例之和为1）。

因此，我们需要将数据转换为：

注意，这里的A、B、C三列是平行的。在geom_scatterpie(aes(x=经度, y=纬度))中，我们需要通过cols = c(“A”, “B”, “C”)参数来指定哪些列是饼图的组成部分。

实操心得：数据转换是第一步，也是最容易卡住新手的一步。我强烈建议使用tidyr包中的pivot_longer()和pivot_wider()函数来完成这种变形，它们比传统的reshape2包更直观。例如，将上面的宽格式变成长格式再变回适合scatterpie的格式，可以加深你对数据结构的理解。

3. 分步实战：从数据到成图

下面，我将用一个模拟的环境监测数据案例，演示完整的流程。假设我们在一个区域内布设了50个传感器，监测PM2.5、SO2、NO2三种污染物的浓度。

3.1 环境准备与数据模拟

首先，加载必要的R包并创建模拟数据。

# 加载必要的包 library(ggplot2) library(scatterpie) # 核心工具包 library(viridis) # 提供优美的色阶，用于热力图 library(tidyverse) # 包含dplyr, tidyr等，用于数据操作 # 设置随机种子保证结果可重现 set.seed(123) # 模拟50个观测点的经纬度（在一个限定区域内） n_points <- 50 data <- data.frame( site_id = paste0("Site_", 1:n_points), lon = runif(n_points, min = 115.0, max = 118.0), # 模拟经度范围 lat = runif(n_points, min = 35.0, max = 41.0), # 模拟纬度范围 pm25 = rgamma(n_points, shape = 2, rate = 0.05), # 模拟PM2.5浓度，右偏分布 so2 = rgamma(n_points, shape = 3, rate = 0.1), # 模拟SO2浓度 no2 = rgamma(n_points, shape = 4, rate = 0.08) # 模拟NO2浓度 ) # 查看数据结构 head(data)

此时，data数据框已经是我们需要的格式了：每一行是一个站点，有lon（x坐标），lat（y坐标），以及pm25,so2,no2三个类别的数值列。

3.2 绘制基础热力地图

热力地图可以通过二维核密度估计来生成，它展示了观测点空间分布的密集程度。我们使用stat_density_2d()结合geom = “polygon”和aes(fill = after_stat(level))来实现填充色的密度图。

# 创建基础热力地图图层 heatmap_layer <- ggplot(data, aes(x = lon, y = lat)) + stat_density_2d( aes(fill = after_stat(level)), geom = “polygon”, # 使用多边形几何对象 contour_var = “density”, bins = 15, # 设置等高线/密度等级数 alpha = 0.6 # 设置一定透明度，避免完全遮盖底图或后续饼图 ) + scale_fill_viridis_c( option = “plasma”, # 使用viridis色系的plasma方案 name = “密度”, guide = guide_colorbar(barwidth = 10, barheight = 0.5) # 调整图例样式 ) + labs(x = “经度”, y = “纬度”) + theme_minimal(base_size = 12) + theme( legend.position = “bottom”, # 将图例放在底部 panel.grid = element_blank() # 去除网格线，让图面更干净 ) # 先查看热力图层 print(heatmap_layer)

这一步生成了一个基于点分布密度的热力背景。bins参数控制颜色的平滑度，值越大，颜色过渡越细致，但计算量也越大。alpha参数设置为0.6，是为了让后续叠加的气泡饼图能够清晰可见。

3.3 叠加气泡饼图图层

接下来，我们在热力图层上叠加气泡饼图。关键函数是geom_scatterpie()。我们需要指定饼图组成部分的列名，并映射饼图的大小。

# 定义饼图组成部分的列名 pie_cols <- c(“pm25”, “so2”, “no2”) # 在热力地图上叠加气泡饼图 composite_plot <- heatmap_layer + geom_scatterpie( data = data, aes(x = lon, y = lat, r = total_pollution / 200), # r 定义饼图半径，通过一个变量进行缩放 cols = pie_cols, # 指定构成饼图的列 color = “grey40”, # 饼图扇形边框颜色 alpha = 0.85 # 饼图整体透明度 ) + # 为饼图的每一部分（污染物）指定颜色 scale_fill_manual( name = “污染物”, # 图例标题 values = c(“pm25” = “#E69F00”, # 橙色 “so2” = “#56B4E9”, # 蓝色 “no2” = “#009E73”), # 绿色 labels = c(“PM2.5”, “SO2”, “NO2”) # 修改图例标签 ) + # 注意：此处使用了scale_fill_manual，它会覆盖热力图的fill图例。 # 更复杂的图例控制需要用到guides()系统或其它方法。 # 查看复合图 print(composite_plot)

这里有几个至关重要的细节：

1. 半径映射（r参数）：r决定了每个饼图的大小。通常，我们会将其映射到一个代表该点“总强度”的变量。在上面的代码中，我使用了total_pollution / 200，但我们的原始数据里并没有total_pollution这一列。这是一个常见的疏忽。我们必须先创建这个变量。
2. 颜色冲突：热力地图和饼图都使用了fill美学（热力图的填充色和饼图扇形的填充色）。当我们使用scale_fill_manual为饼图指定颜色时，它会覆盖之前热力地图的scale_fill_viridis_c，导致热力图的色阶图例消失，变成污染物图例。

3.4 解决关键问题：数据预处理与图例管理

让我们修正上述两个问题。

首先，创建总浓度列并重新绘图：

# 数据预处理：计算每个站点的总污染浓度，用于决定气泡大小 data <- data %>% mutate(total_pollution = pm25 + so2 + no2) # 重新定义热力图层（与之前相同） heatmap_layer <- ggplot(data, aes(x = lon, y = lat)) + stat_density_2d(aes(fill = after_stat(level)), geom = “polygon”, bins = 15, alpha = 0.6) + scale_fill_viridis_c(option = “plasma”, name = “点位密度”) + labs(x = “经度”, y = “纬度”) + theme_minimal() + theme(legend.position = “bottom”, panel.grid = element_blank()) # 重新创建复合图，使用正确的半径映射 composite_plot <- heatmap_layer + geom_scatterpie( data = data, aes(x = lon, y = lat, r = total_pollution / max(total_pollution) * 0.1), # 动态计算半径 cols = pie_cols, color = “grey40”, alpha = 0.85 ) + scale_fill_manual( name = “污染物构成”, values = c(“pm25” = “#E69F00”, “so2” = “#56B4E9”, “no2” = “#009E73”), labels = c(“PM2.5”, “SO2”, “NO2”) ) print(composite_plot)

这里对半径r的计算做了优化：total_pollution / max(total_pollution) * 0.1。这会将最大的气泡半径设置为0.1（单位与坐标轴相同），其余气泡按比例缩小。乘数0.1需要根据你实际坐标轴的范围手动调整，以确保气泡大小适中，既不重叠严重，也不至于太小。

其次，解决图例冲突问题。ggplot2不允许同一个美学映射（fill）有两个独立的标度（scale）。一个巧妙的解决方法是，将热力图的fill美学重命名为另一个名字，比如fill2，然后为它单独设置标度。这可以通过在stat_density_2d内部修改美学映射，并使用guides()和guide_colorbar()来分别控制两个图例。

final_plot <- ggplot(data, aes(x = lon, y = lat)) + # 热力图层：使用 fill2 作为填充美学名称 stat_density_2d( aes(fill2 = after_stat(level)), # 注意这里改为 fill2 geom = “polygon”, bins = 15, alpha = 0.6 ) + # 为 fill2 美学设置颜色标度（热力图） binned_scale( aesthetics = “fill2”, scale_name = “custom_viridis”, palette = function(x) viridis::viridis_pal(option=“plasma”)(x), name = “观测点密度”, guide = guide_colorbar( barwidth = 10, barheight = 0.5, order = 1 # 控制图例顺序 ) ) + # 气泡饼图层 geom_scatterpie( aes(x = lon, y = lat, r = total_pollution / max(total_pollution) * 0.08), data = data, cols = pie_cols, color = NA, # 去掉扇形边框，让图更简洁 alpha = 0.9 ) + # 为饼图的 fill 美学设置颜色标度（污染物） scale_fill_manual( name = “污染物构成”, values = c(“pm25” = “#FF6B6B”, “so2” = “#4ECDC4”, “no2” = “#556270”), # 更换一组更协调的颜色 labels = c(“PM2.5”, “SO2”, “NO2”), guide = guide_legend(order = 2) # 控制图例顺序 ) + labs( x = “经度”, y = “纬度”, title = “区域污染物观测分布与构成分析”, subtitle = “背景色表示传感器空间密度，气泡饼图表示各点位三种污染物浓度比例与总量” ) + theme_minimal(base_size = 13) + theme( legend.position = “bottom”, legend.box = “horizontal”, # 图例水平排列 legend.spacing.x = unit(0.5, ‘cm’), # 调整图例间距 panel.grid = element_blank(), plot.title = element_text(hjust = 0.5, face = “bold”), plot.subtitle = element_text(hjust = 0.5, size = 10, color = “grey40”) ) + # 协调坐标轴比例，避免图形被拉伸 coord_fixed(ratio = 1.2) # 根据经纬度范围调整ratio值，使地图看起来更自然 # 输出最终图形 print(final_plot) # 保存图形 ggsave(“heatmap_scatterpie_composite.png”, final_plot, width = 12, height = 8, dpi = 300)

这段代码是最终的核心。我们通过aes(fill2 = …)将热力图的填充美学“重命名”，从而为fill（饼图）和fill2（热力图）分别配置了独立的标度和图例。binned_scale函数用于为这个非标准的fill2美学创建颜色条。guide函数中的order参数用于精确控制两个图例的上下排列顺序。

4. 高级定制与美化技巧

一张能用于报告或出版的图，离不开细节的打磨。

4.1 气泡大小的智能映射

之前我们简单地将半径与总浓度线性关联。但在实际中，如果数据跨度大（比如有几个极大值），线性映射会导致大多数气泡很小，个别气泡巨大。更好的方法是使用平方根或对数变换，因为人眼对面积的感知更接近线性，而非半径。

# 方法一：平方根变换，使气泡面积与总浓度呈线性关系 data <- data %>% mutate(bubble_radius = sqrt(total_pollution) / max(sqrt(total_pollution)) * 0.1) # 在geom_scatterpie中，使用 aes(r = bubble_radius) # 方法二：对数变换，压缩极值的影响 data <- data %>% mutate(bubble_radius = log10(total_pollution + 1) / max(log10(total_pollution + 1)) * 0.12)

实操心得：我通常先尝试平方根变换，因为它计算简单且物理意义明确（面积代表总量）。用+1是为了防止总浓度为0时对数计算错误。务必通过max()进行归一化，再乘以一个基准半径（如0.08-0.12），这个基准半径需要你根据绘图区域的坐标轴范围反复调试，直到视觉效果最佳。

4.2 处理饼图重叠与遮挡

当观测点非常密集时，气泡饼图会严重重叠，导致无法辨认。有几种策略：

1. 减小半径：这是最直接的方法，调整r的乘数因子。
2. 对数据点进行空间稀疏化：如果业务允许，可以使用聚类算法（如k-means）对邻近的点进行聚合，用聚合后的中心点和加总的污染物数据来绘图。
3. 使用geom_scatterpie()的pie_scale参数：这个参数可以整体缩放所有饼图的大小，但不如直接控制r灵活。
4. 分面显示：如果数据有另一个维度（如时间），可以考虑使用facet_wrap()按时间分面，每张图上的点就少了。

4.3 添加地理背景（Shapefile）

让热力地图更有意义，可以叠加真实的地理边界。这需要sf（Simple Features）包的支持。

library(sf) library(rnaturalearth) # 方便获取世界地图数据 # 获取中国省级地图（示例，需确保rnaturalearthhires包已安装） china_province <- ne_states(country = “china”, returnclass = “sf”) # 在绘图时，将地图作为第一个图层（geom_sf） ggplot() + geom_sf(data = china_province, fill = “white”, color = “grey60”, size = 0.2) + # 先画地图背景 stat_density_2d(data = data, aes(x = lon, y = lat, fill2 = after_stat(level)), … ) + # 热力图层 geom_scatterpie(…) + # 饼图图层 # … 其他缩放、主题设置 # 重要：限制坐标轴范围，使其与地图区域匹配 coord_sf(xlim = c(115, 118), ylim = c(35, 41), datum = NA) # datum=NA移除网格和经纬线

5. 常见问题与排查实录

即使按照步骤操作，你也可能会遇到一些“坑”。这里记录了几个最常见的问题及其解决方法。

5.1 错误: “object ‘xxx’ not found” 或饼图不显示

• 问题描述：运行geom_scatterpie()时提示某列不存在，或者图形上完全没有饼图。
• 原因排查：
  1. cols参数错误：检查cols = c(“A”, “B”, “C”)中的字符串，是否与数据框中的列名完全一致（大小写、空格）。
  2. 数据格式错误：确认你的数据框格式是“宽格式”，即每个类别是单独的一列，而不是“长格式”下的一列。
  3. r参数计算错误：如果用于计算半径的列包含NA、Inf或负值，可能导致饼图尺寸为0或计算错误而不显示。使用summary(data$your_radius_column)检查数据。
• 解决方案：

  # 1. 精确匹配列名 print(names(data)) # 2. 确保数据格式正确 head(data) # 3. 清理半径计算数据 data <- data %>% mutate(total = rowSums(across(all_of(pie_cols)), na.rm = TRUE)) %>% filter(total > 0) # 移除总量为0或NA的点

5.2 热力图颜色完全覆盖饼图或饼图颜色异常

• 问题描述：热力图的颜色太深，盖住了气泡饼图；或者饼图的颜色不是预设的颜色。
• 原因排查：
  1. 图层顺序：在ggplot2中，后添加的图层会绘制在先添加的图层之上。确保geom_scatterpie()在热力图图层之后添加。
  2. 透明度（alpha）设置：热力图的alpha值太低（太透明）会被饼图完全覆盖，太高（不透明）则会遮盖饼图。通常热力图alpha设在0.4-0.7，饼图alpha设在0.8-1.0。
  3. 颜色标度冲突：如前所述，fill美学被重复定义。必须使用fill2或其他方式分离两个图层的填充色标度。
• 解决方案：严格按照3.4节中的代码结构，先画热力图（并使用fill2美学），再画饼图（使用fill美学），并分别为它们配置独立的scale_*函数。

5.3 图形保存后分辨率低或元素模糊

• 问题描述：在RStudio的预览窗口里图形很清晰，但用ggsave()保存为PNG或PDF后，文字或图形边缘模糊。
• 原因与解决：
  1. DPI设置过低：ggsave()默认DPI是300，对于印刷或高清展示可能不够。可以尝试dpi = 600。
  2. PDF保存的字体嵌入问题：保存为PDF时，默认的ggsave()可能不会将字体完全嵌入。使用device = cairo_pdf可以更好地处理字体。
  3. 图形尺寸过小：如果设置的width和height太小，再高的DPI也无法容纳足够多的细节。

  # 高质量保存示例 ggsave(“my_plot.png”, plot = final_plot, width = 16, height = 10, dpi = 600, bg = “white”) ggsave(“my_plot.pdf”, plot = final_plot, width = 16, height = 10, device = cairo_pdf)

5.4 性能优化：当数据点过多时绘图缓慢

• 问题描述：当有成千上万个点时，stat_density_2d()和geom_scatterpie()的计算和渲染会非常慢。
• 优化策略：
  1. 热力图：降低stat_density_2d()中的bins参数值，或使用geom_bin2d()（矩形分箱）替代，后者速度通常更快。
  2. 气泡饼图：这是性能瓶颈的主要来源。每个点都要绘制一个复杂的扇形多边形。
     • 抽样：如果业务允许，对数据进行随机抽样或系统抽样，减少绘图点数。
     • 聚合：如前所述，将邻近的点进行空间聚类聚合。
     • 简化：对于比例构成非常接近的点，可以考虑用纯色气泡代替饼图，用图例说明整体平均构成。
  3. 关闭图形实时预览：在脚本中，将绘图和保存命令放在最后，避免在交互环境中反复渲染大型图形。

制作热力地图复合气泡饼图是一个对数据结构和ggplot2图层语法理解程度的综合考验。它没有一键生成的魔法函数，但通过拆解为“热力背景”和“饼图标记”两个逻辑层，并精心处理数据、美学映射和图例，你就能创造出信息密度极高且视觉效果专业的分析图表。记住，所有的参数调整，尤其是颜色、大小和透明度，都需要服务于清晰、准确地传达信息这一最终目的。多尝试，多调整，这张复合图将成为你数据可视化工具箱中一件得心应手的利器。