R语言基础画图/绘图/作图
R语言基础画图
R语言免费且开源,其强大和自由的画图功能,深受广大学生和可视化工作人员喜爱,这篇文章对如何使用R语言作基本的图形,如直方图,点图,饼状图以及箱线图进行简单介绍。
0 结构
每种图形构成一个section,每个部分大致三部分构成,分别是R语言标准画图代码,R语言画图实例,和画图结果。
R语言标准画图代码帮助你可以直接使用:help(funciton)查找,实例数据基本都来自内置包的数据,好了,直接切入主图,从最简单的点图开始吧。
1 点图
点图,简单的讲就是每个数据点按照其对应的横纵坐标位置对应在坐标系中的图形,什么是点图就不做过多介绍了。
点图标准代码:
dotchart(x, labels = NULL, groups = NULL, gdata = NULL,
cex = par("cex"), pt.cex = cex,
pch = 21, gpch = 21, bg = par("bg"),
color = par("fg"), gcolor = par("fg"), lcolor = "gray",
xlim = range(x[is.finite(x)]),
main = NULL, xlab = NULL, ylab = NULL, ...)
x是数据来源,也就是要作图的数据;labels 是数据标签,groups分组或分类方式,gdata分组的值,cex字体大小,pch是作图线条类型,bg背景,color颜色,xlim横坐标范围,main是图形标题,xlab横坐标标签,相应的ylab是纵坐标。
-实例
eg1.1:
dotchart(mtcars$mpg,labels = row.names(mtcars),cex = .7,
main = "Gas Mileage for Car Models",
xlab = "Miles Per gallon")
mtcar是内置包中的一个数据,将mtcar中每加仑油的里程(mpg,miles per
gallon)作为要描述的对象,用点图展现出来,将行名作为点图标签,字体大小是正常大小的0.7,标题“Gas Mileage for Car
Models”,x轴标签”Miles Per gallon”。
运行结果(run 或者Ctrl + Enter快捷键)如图所示:
散点图1.1
eg1.2:
现在觉得这个图太散乱了,希望这个图能够经过排序,想要按照油缸数(cyl)进行分组并且用不同的颜显示。(注:#是R语言中的行注释,并且只有行注释,运行时系统会自动跳过#后面的内容)
x <- mtcars[order(mtcars$mpg),] #按照mpg排序
x$cyl <-factor(x$cyl) #将cyl变成因子数据结构类型
x$color[x$cyl==4] <-"red" #新建一个color变量,油缸数cyl不同,颜色不同
x$color[x$cyl==6] <-"blue"
x$color[x$cyl==8] <-"darkgreen"
dotchart(x$mpg, #数据对象
labels = row.names(x), #标签
cex = .7,#字体大小
groups = x$cyl, #按照cyl分组
gcolor = "black", #分组颜色
color = x$color, #数据点颜色
pch = 19,#点类型
main = "Gas Mileage for car modes \n grouped by cylinder", #标题
xlab = "miles per gallon") #x轴标签
run后结果如下:
散点图1.2
是不是好看多了,嘻嘻!按照油缸数不同进行了分类,并且可以看出油缸数量越多越耗油。
2 直方图
2.1 直方图
小学生都知道的条形图,怎么弄?
条形图标准代码:
barplot(height, ...)
是太简单了吗?这么粗暴,就给了一个变量。
实例
eg2.1.1
library(vcd)
counts <- table(Arthritis$Improved) #引入vcd包只是想要Arthritis中的数据
barplot(counts,main = "bar plot",xlab = "improved",ylab = "counts")
结果2.1.1:
条形图2.1.1
barplot(counts,main = " horizontal bar plot",
xlab = "frequency",
ylab = "improved",
horiz = TRUE)#horizon 值默认是FALSE,为TRUE的时候表示图形变为水平的
图形结果:
条形图2.1.2
eg2.1.3 进阶
数据来源:vcd包中的Arthritis,风湿性关节炎研究结果数据,如果没有安装vcd包,需要先安装,install.packages("vcd"),然后用library引用包vcd,
install.packages("vcd")
library(vcd)
counts <- table(Arthritis$Improved,Arthritis$Treatment)
counts
数据如下所示:
代码:
eg 2.1.3.1
barplot(counts,main = " stacked bar plot",xlab = "treated",ylab = "frequency",
col = c("red","yellow","green"), #设置颜色
legend = rownames(counts)) #设置图例
结果2.1.3.1:
2.1.3.1堆砌条形图
代码
eg2.1.3.2
结果2.1.3.2
分组条形图2.1.3.2
请注意,两幅图的区别在于2.1.3.2设置了beside = TRUE,beside默认值是FALSE,绘图结果是堆砌条形图,beside值为TRUE时,结果是分组条形图。
2.2**荆棘图**
荆棘图是对堆砌条形图的扩展,每个条形图高度都是1,因此高度就表示其比例。
- 实例
代码
library(vcd)
attach(Arthritis)
counts <- table (Treatment,Improved)
spine(counts,main = "Spinogram Example")
detach(Arthritis)
结果:
荆棘图2.2
3 直方图
直方图标准代码:
hist(x, ...)
也是简单地可以哈?
- 实例
我们使用par设置图形参数,用mfrow将四幅图放在一起。
代码
eg3.1:
par (mfrow = c(2,2)) #设置四幅图片一起显示
hist(mtcars$mpg) #基本直方图
hist(mtcars$mpg,
breaks = 12, #指定组数
col= "red", #指定颜色
xlab = "Miles per Gallon",
main = "colored histogram with 12 bins")
hist(mtcars$mpg,
freq = FALSE, #表示不按照频数绘图
breaks = 12,
col = "red",
xlab = "Miles per Gallon",
main = "Histogram,rug plot,density curve")
rug(jitter(mtcars$mpg)) #添加轴须图
lines(density(mtcars$mpg),col= "blue",lwd=2) #添加密度曲线
x <-mtcars$mpg
h <-hist(x,breaks = 12,
col = "red",
xlab = "Miles per Gallon",
main = "Histogram with normal and box")
xfit <- seq(min(x),max(x),length=40)
yfit <-dnorm(xfit,mean = mean(x),sd=sd(x))
yfit <- yfit *diff(h$mids[1:2])*length(x)
lines(xfit,yfit,col="blue",lwd=2) #添加正太分布密度曲线
box() #添加方框
结果:
直方图3.1
4 饼图
标准饼图代码:
pie(x, labels = names(x), edges = 200, radius = 0.8,
clockwise = FALSE, init.angle = if(clockwise) 90 else 0,
density = NULL, angle = 45, col = NULL, border = NULL,
lty = NULL, main = NULL, ...)
实例
eg4.1
par(mfrow = c(2,2))
slices <- c(10,12,4,16,8) #数据
lbls <- c("US","UK","Australis","Germany","France") #标签数据
pie(slices,lbls) #基本饼图
pct <- round(slices/sum(slices)*100) #数据比例
lbls2 <- paste(lbls," ",pct ,"%",sep = "")
pie(slices,labels = lbls2,col = rainbow(length(lbls2)), #rainbow是一个彩虹色调色板
main = "Pie Chart with Percentages")
library(plotrix)
pie3D(slices,labels=lbls,explode=0.1,main="3D pie chart") #三维饼图
mytable <- table (state.region)
lbls3 <- paste(names(mytable),"\n",mytable,sep = "")
pie(mytable,labels = lbls3,
main = "pie chart from a table \n (with sample sizes")
结果:
4.1 饼状图
5 箱线图5.1 箱线图
标准箱线图代码:
boxplot(x, ...)
实例
eg5.1boxplot(mtcars$mpg,main="Box plot",ylab ="Miles per Gallon") #标准箱线图
boxplot(mpg ~ cyl,data= mtcars,
main="car milesge data",
xlab= "Number of cylinders",
ylab= "Miles per Gallon")
boxplot(mpg ~ cyl,data= mtcars,
notch=TRUE, #含有凹槽的箱线图
varwidth = TRUE, #宽度和样本大小成正比
col= "red",
main="car milesge data",
xlab= "Number of cylinders",
ylab= "Miles per Gallon")
mtcars$cyl.f<- factor(mtcars$cyl, #转换成因子结构
levels= c(4,6,8),
labels = c("4","6","8"))
mtcars$am.f <- factor(mtcars$am,levels = c(0,1),
labels = c("auto","standard"))
boxplot(mpg~ am.f*cyl.f, #分组的箱线图
data = mtcars,
varwidth=TRUE,
col= c("gold","darkgreen"),
main= "MPG Distribution by Auto Type",
xlab="Auto Type",
ylxb="Miles per Gallon")
结果:
5.1 箱线图
小提琴图是箱线图和密度图的结合。使用vioplot包中的vioplot函数进行绘图。
小提琴图标准代码:
vioplot( x, ..., range=1.5, h, ylim, names, horizontal=FALSE,
col="magenta", border="black", lty=1, lwd=1, rectCol="black",
colMed="white", pchMed=19, at, add=FALSE, wex=1,
drawRect=TRUE)
实例
代码:
eg5.2
library(vioplot)
x1 <- mtcars$mpg[mtcars$cyl==4]
x2 <- mtcars$mpg[mtcars$cyl==6]
x3 <- mtcars$mpg[mtcars$cyl==8]
vioplot(x1,x2,x3,names= c("4 cyl","6 cyl","8 cyl"),col = "gold")
title(main="Violin plots of Miles Per Gallon",xlab = "number of cylinders",ylab = "Miles per gallon")
结果:
5.2 小提琴图
白点是中位数,中间细线表示须,粗线对应上下四分位点,外部形状是其分布核密度。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14