本文對應《R語言實戰》第11章：中級繪圖；第16章：高級圖形進階

基礎圖形一章，側重展示單類別型或連續型變量的分布情況；中級繪圖一章，側重展示雙變量間關系（二元關系）和多變量間關系（多元關系）的繪圖；高級繪圖進階一章介紹四種圖形系統，主要介紹lattice和ggplot2包。

=========================================================================

?

散點圖：

主要內容：把多個散點圖組合起來形成一個散點圖矩陣，以便可以同時瀏覽多個二元變量關系；數據點重疊的解決途徑；通過添加第三個連續型變量，擴展到三維。

散點圖矩陣：

pairs()函數

pairs(~ mpg + disp + drat + wt, data = mtcars, main = “basic scatter plot matrix”)

　　

car包中的scatterplotMatrix()函數：

library(car) scatterplotMatrix( ~ mpg + disp + drat + wt, data = mtcars, spread = FALSE, lty.smooth = 2)

　　

默認添加線性和平滑曲線，主對角線處添加核密度曲線和軸須圖；spread選項設定是否添加展示分散度和對稱信息的直線；lty.smooth設定擬合曲線使用的線形狀。

另一個示例：

library(car) scatterplotMatrix( ~ mpg + disp + drat + wt | cyl, data = mtcars, spread = FALSE, diagonal = “histogram”)

　　

gclus包中的cpairs()函數提供了一個散點圖矩陣變種，可以重排矩陣中變量位置，讓相關度更高的變量更靠近主對角線，并對各單元格進行顏色編碼來展示變量間的相關性大小。這里將主對角線的核密度曲線改成了直方圖，并且直方圖是以cyl為條件繪制的。

library(gclus) mydata <- mtcars[c(1, 3, 5, 6)] mydata.corr <- abs(cor(mydata)) mycolors <- dmat.color(mydata.corr) myorder <- order.single(mydata.corr) cpairs(mydata, myorder, panel.colors = mycolors, gap = .5)

　　

高密度散點圖：數據點重疊的解決途徑之一?

smoothScatter()函數可利用核密度估計生成用顏色密度來表示點分布的散點圖：

with(mydata, smoothScatter(x, y, main = “Scatterplot Colored by Smoothed Densities”))

?

hexbin包中的hexbin()函數將二元變量的封箱放到六邊形單元格中：

library(hexbin) with(mydata, {bin <- hexbin(x, y, xbins = 50)plot(bin, main = “Hexagonal Bining with 10,000 Observations”) })

　　

IDPmisc包中的iplot()函數可以通過顏色來展示點的密度（在某特定點上數據點的數目）

library(IDPmisc) with(mydata, iplot(x, y, main = “Image Scatter Plot with Color Indicating Density”))

　　

三維散點圖：?

scatterplot3d包中的scatterplot3d()函數：

library(scatterplot3d) attach(mtcars) scatterplot3d(wt, disp, mpg, main = “Basic 3D Scatter Plot”)

　　

旋轉三維散點圖：
rgl包中的plot3d()函數創建可交互的三維散點圖。Rcmdr包中有類似的函數scatter3d()。

?

氣泡圖：

先創建一個二維散點圖，然后用點的大小來代表第三個變量的值。注意默認為半徑，如需使用面積需要進行變換。

?

symbols(x, y, circle = radius) #使用面積表示第三個值 symbols(x, y, circle = sqrt(z/pi))

　　

折線圖：

可用plot(x, y, type = )或者lines(x, y, type = )函數來創建

p	只有點
l	只有線
o	實心點和線（即線覆蓋在點上）
b, c	線連接點（c時不繪制點）
s, S	階梯線
h	直方圖式的垂直線
n	不生成任何點和線（通常用來為后面的命令創建坐標軸）

?

相關圖：

將相關系數矩陣進行可視化。corrgram包中的corrgram()函數：

library(corrgram) corrgram(mtcars, order = TRUE, lower.panel = panel.shade, upper.panel = panel.pie, text.panel = panel.txt)

　　

上三角的單元格用餅圖展示了相同的信息，同樣的，藍色表示正相關，紅色表示負相關；相關性大小由被填充的餅圖塊的大小來展示；正相關性將從12點鐘處開始順時針填充餅圖，負相關性則逆時針方向填充餅圖。圖形意義：默認情況下，下三角單元格中，藍色和從左下指向右上的斜杠表示單元格中的兩個變量呈正相關；紅色和從左上指向右下的斜杠表示變量呈負相關；色彩越深，飽和度越高，變量相關性越大。

order = TRUE時相關矩陣將使用主成分分析法對變量重排序，可以使二元變量的關系模式更為明顯。panel可以設定面板使用的元素類型：lower.panel和upper.panel設置主對角線下和上的元素類型；text.panel和diag.panel控制主對角線元素類型，詳細值如下表：

位置	面板選項	描述
非對角線	panel.pie	用餅圖的填充比例表示相關性大小
	panel.shade	用陰影的深度來表示相關性大小
	panel.ellipse	繪制置信橢圓
	panel.pts	平滑擬合曲線繪制散點圖
主對角線	panel.minmax	輸出變量的最大最小值
	panel.txt	輸出變量的名字

?

馬賽克圖：

用于展示類別型變量間的關系。馬賽克圖中，嵌套矩形面積正比于單元格頻率，其中該頻率即多維列聯表中的頻率。顏色和陰影可表示擬合模型的殘差值。常用vcd包中的mosaic()函數實現（比基礎安裝中的mosaicplot()函數有更多的擴展功能）。

圖形中隱藏大量信息，可以關注各個矩形的相對寬度和高度來解釋。顏色和陰影提供了擬合模型的殘差值：藍色代表在假定類別與條件無關的情況下，該類別的數量高于預期值，紅色則相反。

?

=========================================================================

R中有四種圖形系統：基礎圖形系統、grid圖形系統、lattice包、ggplot2包。

lattice包：

通常格式：graph_function(formula, data = , options)

graph_function為函數名，formula指定要展示的變量和條件變量；data指定數據框；options是逗號分隔參數，修改格式等。

一般的，下表中小寫字符代表數值型變量，大寫字符代表類別型變量。

圖形類型	函數	表達式示例
三維等高線圖	contourplot()	z ~ x*y
三維水平圖	levelplot()	z ~ y*x
三維散點圖	cloud()	z ~ x*y|A
三維線框圖	wireframe()	z ~ y*x
條形圖	barchart()	x ~ A或A ~ x
箱線圖	bwplot()	x ~ A或A ~ x
點圖	dotplot()	~ x | A
直方圖	histogram()	~ x
核密度圖	densityplot()	~ x | A*B
平行坐標圖	parallel()	dataframe
散點圖	xyplot()	y ~ x | A
散點圖矩陣	splom()	dataframe
帶狀圖	stripplot()	A ~ x或x ~ A

options:

aspect	數值，設定每個面板中圖形的寬高比
col/pch/lty/lwd	向量，分別設定圖形中的顏色、符號、線條類型和線寬
Groups	用來分組的變量（因子）
index.cond	列表，設定面板的展示順序
key(或auto.key)	函數，添加分組變量的圖例符號
layout	兩元素數值型向量，設定面板的擺放方式（行數和列數）； 如有需要，可以添加第三個元素，以指定頁數
Main/sub	字符型向量，設定主標題和副標題
Panel	函數，設定每個面板要生成的圖形
Scales	列表，添加坐標軸標注信息
Strip	函數，設定面板條帶區域
Split/position	數值型向量，在一頁上繪制多幅圖形
Type	字符型向量，設定一個或多個散點圖的繪圖參數 （如p=點，l=線，r=回歸，smooth=平滑曲線，g=格點）
xlab/ylab	字符型向量，設定橫軸和縱軸標簽
xlim/ylim	兩元素數值型向量，分別設定橫軸和縱軸的最小和最大值

?

高級繪圖中表達式的通常格式：

y ~ x | A * B

豎線左邊的變量稱為主要變量，右邊稱為條件變量。主要變量即為圖形的兩個坐標軸，其中y在縱軸上，x在橫軸上。變形：單變量繪圖，用 ~ x 即可；三維繪圖，用z ~ x*y；多變量繪圖，使用數據框代替y ~ x即可。

條件變量的用法：~ x | A表示因子A各個水平下數值型變量x的分布情況；y ~ x | A * B表示因子A和B各個水平組合下數值型變量x和y之間的關系。A ~ x表示A在縱軸上展示，x在橫軸上展示。

條件變量為連續型變量時，要先將其轉換成離散型變量。一種方法是使用cut()函數，另外可以使用lattice包中的函數將連續型變量轉化為瓦塊（shingle）數據結構，這樣，連續型變量可以被分割為一系列（可能）重疊的數值范圍。

myshingle <- equal.count(x, number = #, overlap = proportion) #連續型變量x將會被分割為#個區間，重疊度為proportion，每個區間內觀測數相等

　　

這樣就可以使用這個變量作為條件變量了

?

分組變量：將每個條件變量產生的圖形疊加到一起，在同一幅圖中展示，只需要將條件變量放到繪圖函數中的group聲明中即可。

?

面板函數：自定義面板的各個選項，然后在繪制圖形的函數中調用即可。

?

圖形參數：查看默認的圖形參數使用trellis.par.get()函數；修改這些參數使用trellis.par.set()函數；show.settings()函數可以展示當前的圖形參數設置情況。

?

頁面擺放：lattice無法使用par()函數，因此需要將圖形存儲到對象中，然后利用plot()函數中的split = 或position = 選項來進行控制。

#split方法 library(lattice) graph1 <- histogram(…) graph2 <- densityplot(…) plot(graph1, split = c(1,1,1,2)) plot(graph2, split = c(1,2,1,2), newpage = FALSE)#position方法 library(lattice) graph1 <- histogram(…) graph2 <- densityplot(…) plot(graph1, position = c(0, .3, 1, 1)) plot(graph2, position = c(0, 0, 1, .3), newpage = FALSE)

　　

split的方法，將第一幅圖放置到第二幅圖的上面：第一個plot()函數把頁面分割為一列兩行的矩陣，并將圖形放置到第一列第一行中；第二個plot()函數將圖形放置到第一列第二行中，由于plot()函數默認啟動新的頁面，因此使用newpage = FALSE選項。position方法，設定坐標，原點位于頁面左下角，x軸和y軸維度范圍為（0, 1），position = (xmin, ymin, xmax, ymax)。?

?

?

ggplot2包：

只介紹一種較為簡單的繪圖方式：qplot()函數

qplot(x, y, data = , color = , shape = , size = , alpha = , geom = , method = , fomula = , facets = , xlim = , ylim = , xlab = , ylab = , main = , sub = )

選項	描述
alpha	元素重疊的alpha透明度，數值為0（完全透明）到1（完全不透明）間的分數
color/shape/size/fill	把變量的水平與符號顏色、形狀或大小聯系起來，color為線的顏色，fill為填充顏色
data	指定一個數據框
facets	指定條件變量，創建一個柵欄圖
geom	設定定義圖形類型的幾何形狀
main/sub	字符向量，設定標題或副標題
method/formula	若geom = “smooth”，則會默認添加一條平滑擬合曲線和置信區間，觀測數大于1000時，需要調用更高效的平滑擬合算法，包括回歸lm、廣義可加模型gam、穩健回歸rlm。formula指定擬合形式，注意formula = y ~ x使用的就是字母y和x而不是變量名。 對于method = “gam”要加載mgcv包，method = “rml”要加載MASS包
x/y	指定擺放在水平軸和豎直軸的變量。對于單變量圖形（如直方圖），則省略y
xlab/ylab	字符向量，設定橫軸和縱軸標簽
xlim/ylim	二元素數值型向量，分別指定橫軸和縱軸的最小值和最大值

?

交互式圖形：

主要介紹的軟件包：playwith, latticist, iplots, rggobi

?

基礎安裝中的交互：鑒別點函數：identify()函數

plot(mtcars$wt, mtcars$mpg) identify(mtcars$wt, mtcars$mpg, labels = row.names(mtcars))

　　

許多包中的圖形函數都可以應用該方法進行標注，但是lattice或ggplot2圖形無法使用該方法。?

?

playwith包：

playwith()包允許用戶識別和標注點、查看一個觀測所有的變量值、縮放和旋轉圖形、添加標注（文本、箭頭、線條、矩形、標題和標簽）、修改視覺元素（顏色、文本大小等）、應用先前存儲的圖形風格，以及以多種格式輸出圖形結果。

playwith()既對R基礎圖形有效，也對lattice和ggplot2圖形有效，但是并不是所有都可以用。

?

latticist包：

www.deducer.org

可以與playwith整合到一起：

library(latticist) mtcars$cyl <- factor(mtcars$cyl) mtcars$gear <- factor(mtcars$gear) latticist(mtcars, use.playwith = TRUE)

　　

?作用是可以通過柵欄圖方式探索數據集。

iplots包：

http://rosuda.org/iplots/

playwith包和latticist包只能與單幅圖形交互，而iplots包提供的交互方式則有所不同。該包提供了交互式馬賽克圖、柱狀圖、箱線圖、平行坐標圖、散點圖和直方圖，以及顏色刷，并可將他們結合在一起繪制。也就是說可通過鼠標對觀測點進行選擇和識別，并且對其中一幅圖形的觀測點突出顯示時，其他被打開的圖形將會自動突出顯示相同的觀測點。

ibar()	交互式柱狀圖
ibox()	交互式箱線圖
ihist()	交互式直方圖
imap()	交互式地圖
imosaic()	交互式馬賽克圖
ipcp()	交互式平行坐標圖
iplot()	交互式散點圖

?

?

roggobi包：

開源軟件GGobi(www.ggobi.org)

用法：首先要下載該軟件，然后在R中安裝rggobi包，即可利用R中運行GGobi

?

轉載于:https://www.cnblogs.com/gyjerry/p/6481048.html

總結

以上是生活随笔為你收集整理的R语言实战（七）图形进阶的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。