【001: 鄭喬翊】根據原作者的想傳達的訊息，主要是強調從2012-2017年各大眾交通運輸工具的載客量變化。因此我在此

load("graphData_homework4_001.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------

colorspace::sequential_hcl(n = 7, h = c(140, 138), c = c(50, NA, 62), l = c(20, 86), power = c(0.7, 1.8), register = "Custom-Palette")

library(reshape2)
graphData$traffic %>%
  melt(id.vars="年別") %>%
    ggplot(aes(x=年別,
               y=value)) + 
    geom_line(aes(color=variable),size=1.2
            ) +
  geom_vline(aes(xintercept=2015),size = 0.01,color="orange")+
  geom_hline(aes(yintercept=0),linetype="twodash",size = 0.05,color="gray") +
  scale_color_discrete_sequential(palette = "Custom-Palette",guide=guide_legend("運輸工具"))+
  labs(title = "2012-2017大眾運輸工具載客變化",
       subtitle="(以2012為基期)",
       x = "年份",y = "載客量")+
  theme(plot.background = element_rect(fill = "#9B4322"),
        panel.background = element_rect(fill = "#9B4322"),
        axis.ticks.x = element_line(color = "white"),
        axis.ticks.y = element_line(color = "white"),
        axis.text.x = element_text(color = "white"),
        axis.text.y = element_text(color = "white"),
        axis.title.x = element_text(color = "white"),
        axis.title.y = element_text(color = "white"),
        axis.line = element_line(color = "white"),
        plot.title = element_text(color = "white",face = "bold"),
        plot.subtitle = element_text(color = "white"),
        legend.background = element_rect(fill = "#9B4322"),
        legend.text=element_text(colour="white"),
        legend.title = element_text(color = "white"))

根據原作者的想傳達的訊息，主要是強調從2012-2017年各大眾交通運輸工具的載客量變化。因此我在此將其改成變化量，並以2012年為基期。 在區間列車方面，載客量年年上升，根據原作者判斷是由於對短程交通的需求升高。 根據原作者的訊息，在2015-2016高鐵苗栗、彰化、雲林站的開通，使高鐵載客量有明顯的上升。而莒光號基本上在2013年之後不斷呈現負成長，自強號也在2015年後載客量有下降趨勢。

【003: 彭亦楓】此圖表示各週次因急性上呼吸道感染之健保就診人次(資料由2008年3月統計至2019年10月)

load("graphData_homework4_003.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------
graphData$InfectedPeople%>%
  ggplot()+
  geom_point(color="purple",alpha=0.2,
    aes(x=週次,y=人次)
  )+
  geom_line(
    data = graphData$averagePeople,
    mapping = 
      aes(x=週次,y=平均人次),
    color="blue",alpha=0.7,size=1.3
  )+ #-------------------------------original^
  scale_y_continuous(name = "人次(萬)", breaks = YBreakPeople,labels=YLabel)+
  geom_hline(yintercept = MeanPeople,color="brown",linetype="longdash",size=1.5,alpha=0.8
             )+ #--------------------A^
  geom_rect(
    data = graphData$Rect_high,
    mapping = aes(
      xmin=xstart,
      xmax=xend,
      ymin=ymin,
      ymax=ymax
    ),fill="red",alpha=0.12
  )+
  geom_rect(
    data = graphData$Rect_Low,
    mapping = aes(
      xmin=xstart,
      xmax=xend,
      ymin=ymin,
      ymax=ymax
    ),fill="black",alpha=0.2
  )+#--------------------------------B^
  geom_text(x=10,y=930000,label="1月~3月",color="red",size=5)+
  geom_text(x=33,y=930000,label="6月~9月",color="black",size=5)+
  geom_text(x=51,y=930000,label="12月",color="red",size=5)+
  geom_text(x=52,y=420000,label="就醫人次趨勢",color="blue")+
  geom_text(x=24,y=270000,label="就醫低峰",color="black",size=4.5)+
  geom_text(x=10,y=270000,label="就醫高峰",color="red",size=4.5)+
  geom_text(x=51,y=270000,label="就醫高峰",color="red",size=4.5
            )+ #---------------------C^
  scale_x_continuous(breaks = XBreak
                     )+#-------------D^
  labs(
    title = "各週次因急性上呼吸道感染之健保就診人次",
    subtitle = "資料由2008年3月統計至2019年9月",
    caption = "資料來源:疾病管制署資料開放平台網"
    )+#------------------------------E^
  geom_line(
    data = graphData$averagePeople_fixed1,
    mapping = 
      aes(x=週次,y=平均人次),
    color="blue",alpha=0.4,size=1.3
  )+
  geom_line(
    data = graphData$averagePeople_fixed2,
    mapping = 
      aes(x=週次,y=平均人次),
    color="blue",alpha=0.4,size=1.3
  )#---------------------------------F^

此圖表示各週次因急性上呼吸道感染之健保就診人次(資料由2008年3月統計至2019年10月)

深藍色實線為各週次，在不同年份中的人次平均值所連成的軌跡，觀察其將能看出就醫人次趨勢。

由藍色的趨勢線，我們可以發現，週次與就醫人次是有關聯的:

1.第21到37週次，也就是每年的6月到9月時，就醫人次普遍較低，為就醫低峰,

2.每年的第1到13、第49到53週次，也就是12月到隔年3月，就醫人次普遍偏高，為就醫高峰。

由於在就醫高峰之中有幾筆資料不尋常的低，將其刪去後，修正後的趨勢線以較淡的藍色表示。

另外，觀察各點的分布情形，我們可以得知:

1.在就醫低峰期間，就醫人次較為接近,

2.在就醫高峰期間，各年就醫人次差異較大。

/

設計想法: 原本的設計(折線圖)能明顯看出就醫人次呈現週期性變化，也能詳細觀察各年的變化，但是其他資訊較為不直觀。而且隨著資料量的增加，圖形將越來越長，屆時一眼能看到的資訊僅有週期性。

把圖形轉成散佈圖後，即將年份的資訊捨棄，圖形中看不出來各年的詳細變化情況。但散佈圖有以下優點:

1.圖形不會因為資料量的增加而變長,

2.更能將重點擺在週次與就醫人次的關係，而非各年的詳細變化情況,

3.更直觀看出在相同週次，不同年間的人次差異大小。

因此選擇改用散佈圖。

【004: 李靜怡】此圖為作業3-005資料，由於計算後發現男女比除了以東部地區數值較為突出外，在各年齡層間和另外三個地

load("graphData_homework4_004.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------
library(ggpubr)
Graphdata$area_count %>%
  ggplot(
    aes(x = area)
  ) +
  geom_col(
    aes(y = percentage),
    fill = "#6BA7FD", alpha = Graphdata$area_count$b
    , width = 0.5
  ) +
  geom_col(
    aes(y = percentage),
    fill = "#F76793", alpha = Graphdata$area_count$g
    , width = 0.5
  ) +
  geom_col(
    aes(y = (`41-60`+`21-40`+`0-20`)*percentage),
    width = 0.5, alpha = 0.3
  ) +
  geom_col(
    aes(y = (`21-40`+`0-20`)*percentage),
    width = 0.5, alpha = 0.3
  ) +
  geom_col(
    aes(y = `0-20`*percentage),
    width = 0.5, alpha = 0.3
  ) +
  scale_y_continuous(
    "占全台登革熱病例總人數百分比",
    breaks = c(0.0,0.1,0.2,0.3,0.4),
    labels = c("0%","10%","20%","30%","40%")
  ) +
  scale_x_discrete(
    "地區"
  ) +
  labs(title = "全台登革熱病例各地區占比") +
  annotate(
    "text",x=2,y=0.405,size=4,
    label = paste("60歲以上"), color = "white"
  ) +
  annotate(
    "text",x=2,y=0.335,size=4,
    label = paste("41~60歲"), color = "white"
  ) +
  annotate(
    "text",x=2,y=0.17,size=4,
    label = paste("21~40歲"), color = "white"
  ) +
  annotate(
    "text",x=2,y=0.035,size=4,
    label = paste("0~20歲"), color = "white"
  ) -> Graphdata$area_graph
  
Graphdata$age_count %>%
  ggplot(
    aes(x = "")
  ) +
  geom_col(
    aes(y = population), width = 0.3
  ) +
  geom_col(
    aes(y = population),fill = "#6BA7FD"
    , alpha = 1-Graphdata$age_count$g, width = 0.3
  ) +
  geom_col(
    aes(y = population),fill = "#F76793"
    , alpha = Graphdata$age_count$g, width = 0.3
  ) +
  geom_col(
    aes(y = `41-60`+`21-40`+`0-20`), alpha = 0.3
    , width = 0.3
  ) +
  geom_col(
    aes(y = `21-40`+`0-20`), alpha = 0.3
    , width = 0.3
  ) +
  geom_col(
    aes(y = `0-20`), alpha = 0.3
    , width = 0.3
  ) +
  scale_y_continuous(
    "占全台登革熱病例總人數百分比",
    breaks = c(0,0.25,0.5,0.75,1),
    labels = c("0%","25%","50%","75%","100%")
  ) +
  scale_x_discrete(
    "全台登革熱病例"
  ) +
  coord_flip() +
  theme(
    aspect.ratio = 1/5
  ) +
  labs(title = "全台登革熱病例各年齡層占比") +
  annotate(
    "text",x=1,y=0.07,size=4,
    label = paste("0~20歲"), color = "white"
  ) +
  annotate(
    "text",x=1,y=0.365,size=4,
    label = paste("21~40歲"), color = "white"
  ) +
  annotate(
    "text",x=1,y=0.74,size=4,
    label = paste("41~60歲"), color = "white"
  ) +
  annotate(
    "text",x=1,y=0.933,size=4,
    label = paste("60歲以上"), color = "white"
  ) -> Graphdata$age_graph

ggarrange(
  Graphdata$area_graph,Graphdata$age_graph,
  ncol = 1, nrow = 2
) -> finalplot

finalplot

此圖為作業3-005資料，由於計算後發現男女比除了以東部地區數值較為突出外，在各年齡層間和另外三個地區間並無顯著差異(男性較多，約落在55~60%左右)，故以顏色表示男女比(以全台登革熱病例各年齡層占比為全國平均色，顏色越紅女性比例越高、越藍則是男性比例越高)。

【006: 游筑茵】原本的圖形是透過boxplot和原本圖來分日本hostel價錢與滿意度的關係，但由於將這兩個變數分別

load("graphData_homework4_006.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------
library(ggcorrplot)
graphData<-select(graphData,price,atmosphere,
                  cleanliness,facilities,location,security,staff,valueformoney)
corr <- round(cor(graphData), 1)

finalplot<-ggcorrplot(corr, hc.order = TRUE, type = "lower",
           lab = TRUE)
finalplot

原本的圖形是透過boxplot和原本圖來分日本hostel價錢與滿意度的關係，但由於將這兩個變數分別在不同圖形呈現視覺上較不一理解，因此本次修改進一步將其他變數放進相關係數圖中進行分析。可以更加容易的看出valueformoney 和atmosphere以及 facilities和cleanliness有高度關係；反之，price與valueformoney和 facilities沒有關係。

【008: 簡靖軒】圖為台灣2017年至2018年前五大發生火災原因。將原圖改為瀑布圖，可看出各項目在兩年間的差距，菸蒂

load("graphData_homework4_008.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------
graphData$data %>%
  ggplot(aes(Item,
             fill = Item))+
  geom_rect(aes(x = Item,
                xmin = No-0.5,
                xmax = No + 0.5,
                ymin = cum_val_p,
                ymax =cum_values))+
  scale_y_continuous("value",
                     labels = comma)+
  theme(text = element_text(size = 15),
        axis.text.x=element_text(angle=20,
                                 hjust= 0.8,
                                 size=15),
        axis.text.y=element_text(hjust= 0.8,
                                 size=15),
        plot.title = element_text(size = 30))+
  geom_text(aes(No,
                cum_values,
                label = comma(value)),
            size =5,
            vjust = 1)+
  ggtitle(label = "2017~2018火災前五原因之變化")+
  annotate("text",
           x = "菸蒂",
           y = 28500, 
           label = paste("+5%"),
           size = 5,
           colour="red")+
  annotate("text",
           x = "敬神掃墓祭祖",
           y = 28500, 
           label = paste("-17%"),
           size = 5,
           colour="blue")+
  annotate("text",
           x = "電器因素",
           y = 28500, 
           label = paste("-13%"),
           size = 5,
           colour="blue")+
  annotate("text",
           x = "遺留火種",
           y = 28500, 
           label = paste("+9%"),
           size = 5,
           colour="red")+
  annotate("text",
           x = "爐火烹調",
           y = 28500, 
           label = paste("-2%"),
           size = 5,
           colour="blue")+
  annotate("text",
           x = "2018",
           y = 3000, 
           label = paste("-8%"),
           size = 5,
           colour="blue")+
  geom_hline(aes(yintercept=2292),
             colour="red",
             linetype="dashed")+
  annotate("text",
           x = "電器因素",
           y = 3000, 
           label = paste("2292"),
           size = 5,
           colour="brown")+
  geom_hline(aes(yintercept=30214),
             colour="red",
             linetype="dashed")+
  annotate("text",
           x = "2018",
           y = 29500, 
           label = paste("30214"),
           size = 5,
           colour="brown")+
  geom_hline(aes(yintercept=0),
             colour="red",
             linetype="dashed")+
  annotate("text",
           x = "電器因素",
           y = 300, 
           label = paste("0"),
           size = 5,
           colour="brown")

圖為台灣2017年至2018年前五大發生火災原因。將原圖改為瀑布圖，可看出各項目在兩年間的差距，菸蒂和遺留火種為增加，其他項目則為減少。在2018的直方圖上以負號輸入其總數，是為了在圖中呈現兩年間總數的差異，也可以看到直方圖底下有空間(2292)，其為2018年其他因素(非前五原因)較2017年減少之件數，即2018年火災件數減少大多來自其他因素(共減少2292件)，較前五原因(共減少250件)所減少的件數來得多。

【009: 王正評】公投案第10案：你是否同意民法婚姻規定應限定在一男一女

load("graphData_homework4_009.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------


graphListP <- list()
graphListD$Case_10_result_eV %>% 
  ggplot(
    aes(
      x = 六都, 
      y = `同意比例（同意票／有效票）`
    )
  ) + 
  geom_col(
    aes(
      alpha = `同意比例（同意票／有效票）`
    ), 
    width = 0.5, 
    fill = "#FF72C7"
  ) -> 
  graphListP$base

graphListP$base + 
  coord_flip() +  
  scale_x_discrete(
    limits = c("高雄市", "臺南市", "臺中市", "桃園市", "新北市", "臺北市")
  ) + 
  scale_y_continuous(
    limits = c(0, 0.75), 
    labels = function(x) x*100
  ) + 
  scale_alpha(
    range = c(1, 0.2)
  ) -> 
  graphListP$adjust_scale
  
graphListP$adjust_scale + 
  geom_text(
    aes(
      label = str_c(
        round(`同意比例（同意票／有效票）`*100, 2),      #round(四捨五入至小數第一位)
        "%"
      )
    ), 
    size = 5, 
    hjust = 1.1, 
    color = "#666666"
  ) + 
  labs(
    title = "你是否同意民法婚姻規定應限定在一男一女的結合 ?", 
    y = "同意比例（同意票／有效票）％"
  ) + 
  theme_bw() + 
  #清理軸線
  theme(
    legend.position = "none", 
    axis.title.y = element_blank(), 
    axis.line = element_blank(), 
    axis.ticks = element_blank()
  ) + 
  #清理輔助線
  theme(
    panel.border = element_blank(), 
    panel.grid.minor = element_blank(), 
    panel.grid.major.y = element_blank()
  ) + 
  #調整文字
  theme(
    plot.title = element_text(hjust = 0.5), 
    axis.text.y = element_text(
      size = 10, 
      hjust = 30, 
      color = "black"
    ), 
    axis.text.x = element_text(color = "#666666"), 
    axis.title.x = element_text(colour = "#666666")
  ) + 
  geom_hline(
    aes(yintercept = 0)
  ) -> 
  graphListP$end

graphListP$end

公投案第10案：你是否同意民法婚姻規定應限定在一男一女的結合？

1. 六都的同意比例皆超過5成，顯示台灣社會對於性別的觀念仍趨保守。
2. 可看出雙北對於性別的觀念較其他四都開放，臺北市的同意比例甚至掉到7成以下。
3. 可看出愈往北部，性別觀念有愈趨成熟的趨勢。

【010: 邱詩涵】臺灣各縣市平均每10,000位老人可使用的長照機構數量：

load("graphData_homework4_010.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------
library(grDevices) # 不同顏色模型代碼的呈現及轉換
library(scales) # show_col()螢幕立即顯示顏色
library(colorspace) # 調色盤選擇及ggplot應用工具
library(shinyjs) # 支援套件
library(statebins)
#choose_palette(gui="shiny")


graphData$sub_2015_city_North %>% 
  ggplot() + 
  geom_point(
    aes(
      x = area, 
      y = avg_nh
    ), 
    shape = 18, 
    size = 10, 
    color = "#00BBFF", 
    alpha = 1
  ) +
  geom_point(
    data = graphData$sub_2015_city_Central, 
    aes(
      x = area, 
      y = avg_nh
    ), 
    shape = 18, 
    size = 10, 
    color = "#FF7744", 
  ) + 
  geom_point(
    data = graphData$sub_2015_city_South, 
    aes(
      x = area, 
      y = avg_nh, 
      ), 
    shape = 18, 
    size = 10, 
    color = "#FF8888",
  ) +
  geom_point(
    data = graphData$sub_2015_city_East_Islands, 
    aes(
      x = area, 
      y = avg_nh, 
      ), 
    shape = 18, 
    size = 10, 
    color = "#00AA00",
  ) + 
  theme_bw(
    base_size = 20, base_family = "",
  base_line_size = 20/22, base_rect_size = 20/22
  ) + 
  theme(
    panel.border = element_rect(fill = NA,color = "gray"), 
    panel.grid.minor = element_blank() 
  ) + 
  theme(
    axis.ticks = element_blank(), 
    axis.title = element_blank()
  ) + 
  scale_x_discrete(
    limits = c("East_Islands","South","Central","North"), 
    breaks = c("East_Islands","South","Central","North"),
    labels = c("東部\n離島","南部","中部","北部")
  ) +
  coord_flip()+
   annotate(
    "text",
    x = 4,
    y = 6.29,
    label = "宜蘭縣",
    vjust = -1.5
  ) +
  annotate(
    "text",
    x = 3,
    y = 3.39,
    label = "雲林縣",
    vjust = -1.5
  ) +
  annotate(
    "text",
    x = 2,
    y = 4.76,
    label = "屏東縣",
    vjust = -1.5
  ) +
  annotate(
    "text",
    x = 1,
    y = 8.12,
    label = "連江縣",
    vjust = -1.5
  )+
  labs(
    title = "臺灣各縣市平均每10,000位老人可使用的長照機構數量", 
    subtitle = "2015年統計資料"
  ) + 
  theme(
    plot.title = element_text(face = "bold",hjust = 0.5), 
    plot.subtitle = element_text(color = "#AAAAAA")
  ) -> graphData$sub_2015_city_final

graphData$sub_2015_city_final

臺灣各縣市平均每10,000位老人可使用的長照機構數量：

從圖中可發現，北部與東部離島區的數量較分散，中部及南部較集中，各地區平均數量最高的是宜蘭縣(6.29,北)、雲林縣(3.39,中)、屏東縣(4.76,南)、連江縣(8.12,東離)。

【011: 游崇翰】大部分人都知道加總100%，所以想更直接比較各年齡層差距。

load("graphData_homework4_011.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------
graphData$population %>%
  ggplot()+
  geom_col(aes(x = 區域別,
      y = 比例,
      fill = 年齡層)) +
 
  labs(title = "2017年底六都各年齡層人口比例")+
  facet_grid( 年齡層 ~ .,scales="free_x")+
  geom_text(aes(x = 區域別,
      y = 比例,label=paste(比例*100,"%")),size=2,nudge_y=-0.05)+
  theme(axis.text.x = element_text(size = rel(0.8))) ->graphData_final
graphData_final

傳達訊息:

同作業三007同學所說

設計理念:

大部分人都知道加總100%，所以想更直接比較各年齡層差距。

【012: 林易霆】將原本堆疊的圖形拆開來呈現較方便比較。因為圖名為“六都各年齡層人口比例”，故分組將依據年齡層分為大組

load("graphData_homework4_012.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------

# graphData$population %>% View

graphData$population %>%
  ggplot(aes(x = 年齡層, y = 比例, fill = 區域別, group = 區域別)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.9),
           width = 0.8) +
  geom_text(mapping = aes(label = sprintf("%.1f%%", 比例*100)),
            size = 3,
            colour = 'black',
            vjust =  0.15,
            hjust = - 0.075,
            position = position_dodge(width = 0.9)) +
  geom_text(aes(label = 區域別),
            position = position_dodge(width = 0.9),
            size = 3, hjust = 1.15, 
            color = "white") +
  labs(title = "2017年底六都各年齡層人口比例") +
  ylim(c(0, 0.7)) +
  theme(aspect.ratio = 0.85, 
        legend.position = "none",
        plot.title = element_text(hjust = 0.5),
        axis.title.y = element_text(angle = 0, vjust = 1,
                                    margin = margin(r = - 35)),
        axis.title.x = element_blank(),
        axis.text.x = element_blank(),
        axis.line.x = element_blank(),
        axis.ticks.x = element_blank()) + 
        coord_flip()

設計想法

將原本堆疊的圖形拆開來呈現較方便比較。因為圖名為“六都各年齡層人口比例”，故分組將依據年齡層分為大組，並在各大組中比較各個直轄市的個別比例。因為圖名已經說明呈現的標的為比例，因此將多餘的X軸直接刪除。
 

又因原本各bar的配色並不清楚區別，所以將各個bar的間隔拉開，增加辨別度。為更加方便做六都的比較，直接將圖例整個刪除，取而代之，將六都的名稱和比例直接放在bar的屁股。最後再把整張圖翻轉，橫向的長條圖比較適合做視覺上的差異比較。

【013: 王姿文】此圖為2002年至2016亞洲地區來台旅遊人數，橫軸為年分，縱軸為來台旅遊人數(萬)

load("graphData_homework4_013.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------
graphData$travelerFromAsia %>%
  ggplot()+
  aes(x = `年分`,
      y = `來台旅遊人數`,
      fill = 地區) +
  geom_col() + 
  labs(title="亞洲地區來台旅遊人數", x ="年分", y = "來台旅遊人數(萬)") + 
  theme(axis.text.x = element_text(face="bold", color="Black", 
                                   size=6, angle=45), 
        axis.text.y = element_text(face="bold", color="Black"))

此圖為2002年至2016亞洲地區來台旅遊人數，橫軸為年分，縱軸為來台旅遊人數(萬)，類別則為地區。其中可由不同年分的長條圖看出來台旅遊人數大致呈現逐年上升，並以地區顏色明顯看出不同年分的不同地區來台人數佔比。可由此圖推論2003年可能出於SARS疾病因素導致旅遊人數下降，以及2009年可能出於金融危機導致旅遊人數下降。而日本、東南亞地區、韓國則一直是亞洲地區來台旅遊人數的主要國家。

此圖來源為2019-10-08的HW1的014同學，選用此圖的原因是因為該同學原始呈現方式為並列式的長條圖，由於年分及地區種類眾多，因此修整為此圖的呈現方式。而原圖並沒有把亞洲地區合計的類別去除，本圖則修改將該種類移除。

【015: 陳盈蓁】各教育程度的2004年到2016年的每日抽驗率分佈

load("graphData_homework4_015.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------
graph<-
  ggplot(graphData,aes(x=年,y=比率))+
  geom_line(aes(linetype=最高學歷,color=最高學歷,size=最高學歷))+
  theme(legend.position = "none")+
  annotate("text", x = 2016, y = 31.5, 
           label = paste("國中"), size = 3)+
  annotate("text", x = 2016, y = 17, 
           label = paste("高中、職"), size = 3) +
  annotate("text", x = 2016, y=  12, 
           label = paste("專科"), size = 3) +
  annotate("text", x = 2016, y = 8.7, 
           label = paste("小學或以下"), size = 3) +
  annotate("text", x = 2016, y = 5.3, 
           label = paste("大學"), size = 3)+
  annotate("text", x = 2015.7, y = 3.4, 
           label = paste("研究所及以上"), size = 3)+
  labs(title = "2004至2016年每日抽菸率（以教育程度劃分）",
       caption = "資料來源: 臺灣政府資料開放平臺")
graph <-graph+scale_color_manual(values=c("#993300", "#CC9933","#CC6600","#CC9966","#FFCC99","#FFCC66"))
graph <-graph+scale_size_manual(values = c(1.9,0.4,1.2,0.9,0.5,1))
graph

欲傳達訊息： 各教育程度的2004年到2016年的每日抽驗率分佈

設計想法： 為了能讓讀者直接理解，我將各條線表達的教育程度放至其線旁邊， 另外，希望透過顏色使讀者直接聯想到抽煙、吸菸， 特別選用咖啡色，並由深至淺排列，也將線依其比率大小調整， 企圖讓讀者可以藉由線的面積大小來感受其比率的差異。

【016: 林應廷、王童緯】此圖抓取花蓮市附近知名景點，其中以太魯閣為最多人參觀的景點，且以八月為最主要月份，而東大門夜市及七星

load("graphData_homework4_016.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------
colorspace::sequential_hcl(n = 7, h = c(237, 74), c = c(55, NA, 10), l = c(24, 95), power = c(0.7, 2), register = "myPalette")
graphData %>%
  ggplot()+
  geom_tile(
    aes(x=月份,y=reorder(景點,人數,order=T),fill=人數))+
  scale_fill_continuous_sequential(palette="myPalette")+
      labs(x="月份",
           y="景點",
           title="花蓮景點參觀人數")

此圖抓取花蓮市附近知名景點，其中以太魯閣為最多人參觀的景點，且以八月為最主要月份，而東大門夜市及七星潭相較於太魯閣就沒有那麼多人，頗為訝異；此圖相對於前次作業圖形更可以看出景點觀光人數及月分差別。

【017: 林奕齊】修改想法：先前的圖形顯示價格與飯店氣氛無太大相關，但價格分布與資料筆數未能呈現，可能有一些資訊被隱藏

load("graphData_homework4_017.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------


colorspace::sequential_hcl(n = 5, h = c(-83, 20), c = c(65, NA, 18), l = c(32, 90), power = c(0.5, 1), register = "mypalette")

ggplot(graphData, aes(x = atmosphere, y = price, colour = rating)) + 
  geom_jitter() +
  geom_boxplot(size = 1, fill = "#F6F4E8", alpha = 0.5) +
  facet_wrap(~rating, ncol = 5, nrow = 1) +
  labs(title = "飯店氣氛與價格無關", subtitle = "Superb 等級的飯店價格分布廣且氣氛佳") +
  theme(
    legend.position = "none",
    axis.line.y = element_blank(),
    plot.title = element_text(hjust = -0.11,vjust = 3, size = 18),
    plot.subtitle = element_text(hjust = -0.13, vjust = 3, size = 12),
    plot.margin = margin(0.9, 0.9, 0.9, 0.9, "cm"),
    axis.title.x = element_text(vjust = -4),
    axis.title.y = element_text(vjust = 7),
    plot.background = element_rect(fill = "#F6F4E8"),
    panel.background = element_rect(fill = "#F6F4E8")
    ) +
  geom_hline(yintercept = c(1600, 2500), color = "#ff3232",linetype = "dashed") +
  scale_color_discrete_sequential(palette="mypalette") +
  scale_y_continuous(breaks = c(1000,1500,2000,2500,3000,3500,4000))

修改想法：先前的圖形顯示價格與飯店氣氛無太大相關，但價格分布與資料筆數未能呈現，可能有一些資訊被隱藏在迴歸圖形中，故想以合鬚圖更深入探討這筆資料。

傳達訊息：重新詮釋後，結論同之前一樣，價格並未因為氣氛的不同而有落差，除了 Good 等級的飯店外，大多數飯店的價格落在 2500 元左右 (在不同氣氛下)，而 Good 等級的價格則落在 1700 元左右，但“資料筆數” 較其他的少，其價格“跨度”大的結論有其偏誤；另外，在同一等級的飯店，價格落差最大的是 Superb 等級的飯店，價格分布也較廣，氣氛也是五者之中最佳的，而 Rating 的是最低的，顯示與氣氛較相關的是飯店等級；還有，價格低未必表示飯店氣氛不佳，但普遍價格高者氛圍較。

設計想法：以 WSJ 簡約風格為基礎，且依舊圖之分割方式、配色 處理，目的與舊圖相同，為了區別不同等級的飯店，並佐以輔助線，以便觀察不同飯店的價格中位數。

【018: 曾雨晴】此圖展現2016年至2018年全台小學生各年級近視總人數變化趨勢，可以看出三到六年級皆有下降的趨勢，

load("graphData_homework4_018.Rda")
## ----graph, echo=T, eval=T-----------------------------------------------
graphData$nearsightedStud%>%
  ggplot( )+
  geom_line(
    aes(
      x=graphData[["nearsightedStud"]][["年分"]],
      y=graphData[["nearsightedStud"]][["總近視學生人數"]],
      group=graphData[["nearsightedStud"]][["級別"]],
      linetype=graphData[["nearsightedStud"]][["級別"]])) +
  theme(legend.position = "none") +
  annotate(
    "text",x=2017.5,y=123000,label="國小六年級"
  )+
  annotate(
    "text",x=2017.5,y=110000,label="國小五年級"  
  )+
  annotate(
    "text",x=2017.5,y=92000,label="國小四年級"       
  )+
  annotate(
    "text",x=2017.5,y=71000,label="國小三年級"   
  )+
  annotate(
    "text",x=2017.5,y=55000,label="國小二年級"   
  )+
  annotate(
    "text",x=2017.5,y=47000,label="國小一年級"       
  )+
  labs(
    title = "臺灣2016年至2018年國小近視學生總數趨勢圖",
    tag = "單位(人)",
    caption = "資料來源：政府資料開放平台"
  )+
  xlab("年分")+
  ylab("總近視學生人數")

此圖展現2016年至2018年全台小學生各年級近視總人數變化趨勢，可以看出三到六年級皆有下降的趨勢，尤其三年級下降幅度最大；一年級室持續上升，且上升幅度大；二年級則是先下降再上升。

因為想要展現各年級近視人數變化趨勢，所以希望透過折線圖，能較簡單清楚的看出每個年級的變化。