京公网安备 11010802034615号
经营许可证编号:京B2-20210330
在R语言中,可以使用多种方法将两个时间序列画在同一张图上。这篇文章将介绍其中两种常用的方法:基本的plot()函数和ggplot2包。
plot()函数是R中最基本的可视化函数之一,它可以用于绘制各种类型的图表,包括时间序列图。下面是一个简单的例子,展示如何使用plot()函数将两个时间序列画在同一张图上:
# 生成两个时间序列数据 set.seed(123) ts1 <- cumsum(rnorm(100)) ts2 <- ts1 + rnorm(100) # 绘制时间序列图 plot(ts1, type = "l", col = "red", xlab = "时间", ylab = "值") lines(ts2, col = "blue") legend("topleft", legend = c("ts1", "ts2"), lty = 1, col = c("red", "blue"))
在这个例子中,我们首先生成了两个随机的时间序列数据,然后使用plot()函数绘制了第一个时间序列(红色),并使用lines()函数添加了第二个时间序列(蓝色)。最后,使用legend()函数添加了一个图例,以便区分不同的时间序列。
这种方法非常简单,适用于简单的时间序列图。但是,当需要更多的控制、更复杂的图形或更多的注释时,建议使用ggplot2包。
ggplot2是一个强大的可视化包,它提供了高度定制化的图形功能。下面是一个例子,展示如何使用ggplot2绘制两个时间序列图:
# 加载ggplot2包 library(ggplot2) # 生成两个时间序列数据 set.seed(123) df <- data.frame(time = 1:100, ts1 = cumsum(rnorm(100)), ts2 = cumsum(rnorm(100)) + rnorm(100)) # 绘制时间序列图 ggplot(df, aes(x = time)) + geom_line(aes(y = ts1, color = "ts1")) + geom_line(aes(y = ts2, color = "ts2")) + labs(x = "时间", y = "值", color = "") + scale_color_manual(values = c("ts1" = "red", "ts2" = "blue"))
在这个例子中,我们首先加载ggplot2包,并生成了两个随机的时间序列数据,并将它们存储在一个数据框中。然后,我们使用ggplot()函数来创建一个空白的图层,并使用geom_line()函数分别添加两个时间序列。注意,我们使用aes()函数来指定x轴和y轴变量,并使用color参数对两个时间序列进行标记。接下来,我们使用labs()函数添加x轴和y轴标签,并使用scale_color_manual()函数手动设置颜色的映射关系。
ggplot2提供了非常灵活的方式来调整图形,包括添加注释、修改坐标轴和排版等。这里只是介绍了很小一部分功能,读者可以参考ggplot2的文档和示例来进一步学习。
总结:
本文介绍了如何使用plot()函数和ggplot2包在R语言中将两个时间序列画在同一张图上。两种方法都有各自的优缺点,可以根据实际需要选择合适的方法。如果只需要简单的时间序列图,可以使用plot()函数;如果需要更多的控制和定制化,建议使用ggplot2包。
推荐学习书籍
《CDA一级教材》适合CDA一级考生备考,也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校,累计已有10万+在读~

免费加入阅读:https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据可视化领域,树状图(Tree Diagram)是呈现层级结构数据的核心工具——无论是电商商品分类、企业组织架构,还是数据挖掘中 ...
2025-11-17核心结论:“分析前一天浏览与第二天下单的概率提升”属于数据挖掘中的关联规则挖掘(含序列模式挖掘) 技术——它聚焦“时间序 ...
2025-11-17在数据驱动成为企业核心竞争力的今天,很多企业陷入“数据多但用不好”的困境:营销部门要做用户转化分析却拿不到精准数据,运营 ...
2025-11-17在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07