京公网安备 11010802034615号
经营许可证编号:京B2-20210330
R语言绘图之页面布局
par()、layout()、split.screen()函数
1. par()函数的参数详解
函数par()可以用来设置或者获取图形参数,par()本身(括号中不写任何参数)返回当前的图形参数设置(一个list);若要设置图形参数,则可用par(tag = value)的形式,其中tag的详细说明参见下面的列,value就是参数值,例如:
par(mar = c(4, 4, 1, 0.5), bg = "yellow") # 设置边距参数和背景色
par(pin=c(2,3)) #定义图形为2英寸宽,3英寸高
par(lwd=2,cex=1.5) #线条为默认的2倍宽,符号为默认的1.5倍
par(cex.axis=0.75,font.axis=3) #坐标轴文字缩放为原来的75%,斜体
col, pch, cex, lty, lwd 这些参数的意思与par()中的参数基本相同,有所区别的是,par()中这些参数只能设置一个单值,而这里可以对它们设置一个向量,这个向量的值将依次运用到各个元素上,若向量长度短于元素个数,那么向量会被循环使用,直到所有的元素都被画出来,事实上,向量的循环使用也是R图形参数的一大特点。
2. layout():mat用矩阵设置窗口的划分,矩阵的0元素表示该位置不画图,非0元素必须包括从1开始的连续的整数值,比如:1……N,按非0元素的大小设置图形的顺序。widths用来设置窗口不同列的宽度,heights设置不同行的高度。par()的mfcol,和mfrow参数也有类似layout的功能。layout()函数的一般形式为layout(mat),mat为一矩阵,mat元素的数量决定了一个output device被等分成几份相同元素为一块。
layout(matrix(c(1,2,3,0,2,3,0,0,3),nr=3)) matrix有9个元素,具有这样的形式:
[,1] [,2] [,3]
[1,] 1 0 0
[2,] 2 2 0
[3,] 3 3 3
把这个矩阵传入layout函数,我们就能得到这样的output device
如此,figure1占据了左上角的一个格子,第二行的前两个格子属于figure2,figure3占满最下一行的三个格子。
layout(matrix(1:4,2,2)) #将当前装置分割为矩阵2行2列的布局
[,1] [,2]
[1,] 1 3
[2,] 2 4
layout.show(4) #显示绘图装置分割好的1到4部分;
查看下面代码的不同之处:
layout(matrix(1:6,3,2)) #将当前装置分割为3行2列的布局
[,1] [,2]
[1,] 1 4
[2,] 2 5
[3,] 3 6
layout.show(6) #显示布局的编号
layout(matrix(1:6,2,3))#将当前装置分割为2行3列布局
[,1] [,2] [,3]
[1,] 1 3 5
[2,] 2 4 6
layout.show(6)#显示布局编号
layout(matrix(c(1:3,3),2,2)) #建立矩阵,将装置分割为3部分
[,1] [,2]
[1,] 1 3
[2,] 2 3
layout.show(3) #显示布局编号
m<-matrix(1:4,2,2);m #建立矩阵m,2列2行
layout(m,widths=c(1,3),heights=c(3,1)) #将当时装置按照m进行划分,宽度之比为1:3,高度之比为3:1
layout.show(4)
m<-matrix(c(1,1,2,1),2,2);m #建立矩阵
layout(m,widths=c(2,1),heights=c(1,2)) #按照矩阵编号进行分割,编号相同的为同一块,宽度为2:1,高度为1:2
layout.show(2)
m<-matrix(0:3,2,2)#,注意,此矩阵中有0,0是不绘图的,可以查看一下效果
layout(m,c(1,3),c(1,3)) #行为1:3,列为1:3
layout.show(3)
2. 案例一:
attach(mtcars)
opar<-par(no.readonly=TRUE)#保存默认设置
par(mfrow=c(2,2))#将画布分割为2*2格局
plot(wt,mpg,main="Scatterplot of wt vs. mpg")
plot(wt,disp,main="Scatterplot of wt vs disp")
hist(wt, main="Histogram of wt")
boxplot(wt,mian="Boxplot of wt")
par(opar)
detach(mtcars)
案例二:
attach(mtcars)
opar<-par(no.readonly=TRUE)
par(mfrow=c(3,1))# 将画布分割为3行,1列格局
hist(wt)
hist(mpg)
hist(disp)
par(opar)
detach(mtcars)
案例三:
attach(mtcars)
layout(matrix(c(1,1,2,3),2,2,byrow = TRUE))
hist(wt)
hist(mpg)
hist(disp)
detach(mtcars)
3. split.screen函数
split.screen(c(1,2)):将当前的绘画装置分割为2块,分别为1号2号,可以通过screen(1)或screen(2)进行选择,但此时的分割通常是按水平分割的,如果进行进详细的分割,可以用layout函数。
screen()选择绘图区域,screen(n = , new = TRUE)
eraser.screen() 清除选中的绘图区域,erase.screen(n = )
close.screen() 移除特定的选区,close.screen(n, all.screens = FALSE)
screen Figs中的数字
split.screen()分割后,其余的函数才能使用。若无参数,则返回分割后小区域的编号,以向量的形式出现
close.screen退出分割,如果关闭当前的区域(即分割后的小区域),则进入下一个小区域,close.screen(all = TRUE)表示退出分割状态
例子:
par(bg = "white") # 白色背景
split.screen(c(2, 1)) # 分为上下两个屏,2行1列
split.screen(c(1, 3), screen = 2) # 将2屏再细分为3个小屏,即2屏分为1行3列
screen(1) # 选中1屏
plot(10:1)
screen(4) # 选4屏
plot(10:1)
close.screen(all = TRUE) # 退出分屏模式
split.screen(c(2, 1)) # 分为上下2个屏
split.screen(c(1, 2), 2) # 将下屏分为2个屏
plot(1:10) # 在第3屏绘图,此时为当前激活的屏
erase.screen() # 清除当前屏
plot(1:10, ylab = "ylab 3")
screen(1) # 选1屏
plot(1:10)
screen(4) # 激活4屏
plot(1:10, ylab = "ylab 4")
screen(1, FALSE) # 返回1屏,但不清空1屏,如果为screen(1,TRUE),则清空1屏
plot(10:1, axes = FALSE, lty = 2, ylab = "") # 加点
axis(4) # 右边加坐标轴
title("Plot 1")
close.screen(all = TRUE) # 退出分屏模式
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26在CDA(Certified Data Analyst)数据分析师的能力体系中,线性回归是连接描述性统计与预测性分析的关键桥梁,也是CDA二级认证的 ...
2026-03-26在数据分析、市场研究、用户画像构建、学术研究等场景中,我们常常会遇到多维度、多指标的数据难题:比如调研用户消费行为时,收 ...
2026-03-25在流量红利见顶、获客成本持续攀升的当下,营销正从“广撒网”的经验主义,转向“精耕细作”的数据驱动主义。数据不再是营销的辅 ...
2026-03-25在CDA(Certified Data Analyst)数据分析师的全流程工作中,无论是前期的数据探索、影响因素排查,还是中期的特征筛选、模型搭 ...
2026-03-25在当下数据驱动决策的职场环境中,A/B测试早已成为互联网产品、运营、营销乃至产品迭代优化的核心手段,小到一个按钮的颜色、文 ...
2026-03-24在统计学数据分析中,尤其是分类数据的分析场景里,卡方检验和显著性检验是两个高频出现的概念,很多初学者甚至有一定统计基础的 ...
2026-03-24