R语言绘图篇（二）

1.散点图

library(base)attach(mtcars)plot(mtcars$wt,mtcars$mpg,     main="Basic Scatter plot of MPG vs.Weight",     xlab="Car Weight(lbs/100)",     ylab="Miles Per Gallon",     pch=19)abline(lm(mtcars$mpg~mtcars$wt),col="red",lwd=2,lty=1)lines(lowess(mtcars$wt,mtcars$mpg),col="blue",lwd=2,lty=2)#lowess（）函数用来添加一条平滑曲线，lowess（）和loess（）,loess是基于lowess（）表达式版本的更新和更强大拟合函数

car中的scatterplot（）函数可方便地绘制散点图，并添加拟合曲线、边界箱线图和置信椭圆，还可按子集绘图和交互式地识别点。

library(car)scatterplot(mpg~wt|cyl,data=mtcars,lwd=2,            main="Scatter Plot of MPG vs.Weight by # Cylinders",            xlab="Weight of Car(lbs/1000)",            ylab="Miles Per Gallon",            legend.plot=TRUE,            id.method="identify",            labels=row.names(mtcars),            boxplots="xy")

2.散点图矩阵

（1）pairs（）函数可创建基础的散点图矩阵

pairs(~mpg+disp+drat+wt,data=mtcars,main="Basic Scatter Plot Matrix")

pairs(~mpg+disp+drat+wt,data=mtcars,main="Basic Scatter Plot Matrix",upper.panel=NULL)

（2）car包中的scatterplotMatrix（）函数也可生成散点图矩阵

scatterplotMatrix（）函数创建的散点图矩阵，主对角线上有核密度曲线和轴须图，其余图形都含有线性和平滑拟合曲线

可进行如下操作：

以某个因子为条件绘制散点图矩阵；

包含线性和平滑拟合曲线；

在主对角线放置箱线图、密度图或者直方图；

在各单元格的边界添加轴须图。

library(car)scatterplotMatrix(~mpg+disp+drat+wt,data=mtcars,spread=FALSE,lty.smooth=2,main="Scatter Plot Matrix via car Packages")

library(car)scatterplotMatrix(~mpg+disp+drat+wt|cyl,data=mtcars,spread=FALSE,diagonal="histogram",main="Scatter Plot Matrix via car Package")

（3）gclus包中的cpairs（）函数

提供一个有趣的散点图矩阵变种，含有可能重排矩阵中变量位置的选项，可让相关性更高的变量更靠近主对角线，还可对各单元格进行颜色编码来展示变量间的相关性大小。

install.packages("gclus")library(gclus)mydata<-mtcars[c(1,3,5,6)]mydata.corr<-absmycolors<-dmat.color(mydata.corr)myorder<-order.single(mydata.corr)cpairs(mydata,myorder,panel.colors=mycolors,gap=5,main="Variable Ordered and Colored by Correlation")

由结果可知，相关性最高的变量是车重与排量，以及每加仑英里数与车重（标为红色，且离主对角线最近）；

相关性最低的是后轴比与每加仑英里数（标注为黄色，且离主对角线很远）。

3.高密度散点图

set.seed(1234)n<-10000c1<-matrix(rnorm(n,mean=0,sd=.5),ncol=2)c2<-matrix(rnorm(n,mean=3,sd=2),ncol=2)mydata<-rbind(c1,c2)mydata<-as.data.frame(mydata)names(mydata)<-c("x","y")with(mydata,plot(x,y,pch=19,main="Scatter Plot with 10,000 observation"))

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

hexbin包中的hexbin（）函数将二元变量的封箱放到六边形单元格中

install.packages("hexbin")library(hexbin)with(mydata,{bin<-hexbin(x,y,xbins=50)             plot(bin,main="Hexagonal Binning with 10,000 Observations")})

IDPmisc包中的iplot（）函数可通过颜色来展示点的密度（在某特定点上数据点的数目）

with(mydata,iplot(x,y,main="Image Scatter Plot with Color Indicating Density"))

4.三维散点图

对三个变量的交互关系进行可视化  可用scatterplot3d中的scatterplot3d（）函数来绘制它们的关系

install.packages("scatterplot3d")library(scatterplot3d)attach(mtcars)scatterplot3d(mtcars$wt,mtcars$disp,mtcars$mpg,              main="Basic 3D Scatter Plot")

library(scatterplot3d)attach(mtcars)scatterplot3d(mtcars$wt,mtcars$disp,mtcars$mpg,              pch=16,              highlight.3d=TRUE,              type="h",              main="Basic 3D Scatter Plot")

s3d<-scatterplot3d(mtcars$wt,mtcars$disp,mtcars$mpg,              pch=16,              highlight.3d=TRUE,              type="h",              main="Basic 3D Scatter Plot")fit<-lm(mtcars$mpg~mtcars$wt+mtcars$disp)s3d$plane3d(fit)

旋转三维散点图

rgl包中的plot3d（）函数创建可交互的三维散点图

install.packages("rgl")library(rgl)attach(mtcars)plot3d(mtcars$wt,mtcars$disp,mtcars$mpg,col="red",size=5)

可通过鼠标旋转坐标轴

install.packages("Rcmdr")library(Rcmdr)attach(mtcars)scatter3d(mtcars$wt,mtcars$disp,mtcars$mpg)

scatter3d（）函数可包含各种回归曲面，比如线性、二次、平滑和附加等类型。

5.气泡图

思想：创建一个二维散点图，然后用点的大小来代表第三个变量的值。

可用symbols（）函数来创建气泡图

attach(mtcars)r<-sqrt(disp/pi)symbols(mtcars$wt,mtcars$mpg,circler=r,inches=0.30,        fg="white",bg="lightblue",        main="Bubble Plot with point size proportional to displacement",        xlab="Weigt of Car(lbs/1000)",ylab="Miles Per Gallon")text(wt,mpg,rownames(mtcars),cex=0.6)detach(mtcars)

6.折线图

刻画变动的优秀工具

创建散点图和折线图

opar<-par(no.readonly=TRUE)par(mfrow=c(1,2))t1<-subset(Orange,Tree==1)plot(t1$age,t1$circumstance,     xlab="Age(days)",     ylab="Circmference(mm)",     main="Orange Tree 1 Growth")plot(t1$age,t1$circumstance,     xlab="Age(days)",     ylab="Circmference(mm)",     main="Orange Tree 1 Growth",     type="b")

拆线图类型

类型图形外形p只有点l只有线o实心点和线（即线覆盖在点上）b、c线连接点（c时不绘制点）s、S阶梯线h直方图式的垂直线n不生成任何点和线（通常用来为后面的命令创建坐标）

plot（）和lines（）函数工作原理不同，plot（）被调用时即创建一幅新图，而lines（）函数则是在已存在的图形上添加信息，并不能自己生成图形。

Orange$Tree<-as.numeric(Orange$Tree)ntrees<-max(Orange$Tree)xrange<-range(Orange$age)yrange<-range(Orange$circumference)plot(xrange,yrange,     type="n",     xlab="Age(days)",     ylab="Circumstance(mm)")colors<-rainbow(ntrees)linetype<-c(1:ntrees)plotchar<-seq(18,18+ntrees,1)for(i in 1:ntrees){  tree<-subset(Orange,Tree==i)  lines(tree$age,tree$circumference,        type="b",        lwd=2,        lty=linetype[i],        col=colors[i],        pch=plotchar[i]    )}title("Tree Growth","example of line plot")legend(xrange[1],yrange[2],       1:ntrees,       cex=.8,       col=colors,       pch=plotchar,       lty=linetype,       title="Tree")

7.相关图

install.packages("seriation")library(corrgram)corrgram(mtcars,ordr=TRUE,lower.panel=panel.shade,         upper.panel=panel.pie,text.panel=panel.txt,         main="Correlogram of mtcars intercorrelations")

默认地，蓝色和和从左下指向右上的斜杠表示单元格中的两个变量呈正相关；反过来，绝色和从左上指向右下的斜杠表示变量呈负相关。色彩越深，饱和度越高，说明变量相关性越大。

上三角单元格用饼图显示了相同的信息，颜色同上，但相关性大小由被填充的饼图块的大小来展示。正相关从12点钟处开始顺时针填充饼图，而负相关则是逆时针方向填充饼图。

corrgram（）函数的panel选项

位置面板选项描述非对角线panel.pie用饼图的填充比例来表示相关性大小 
panel.shade用阴影的深度来表示相关性的大小
panel.ellipse绘制置信椭圆和平滑拟合曲线
panel.pts绘制散点图主对角线panel.minmax输出变量的最大最小值
panel.txt变量的名字

corrgram(mtcars,ordr=TRUE,lower.panel=panel.shade,         upper.panel=NULL,text.panel=panel.txt,         main="Correlogram of mtcars intercorrelations")

8.马赛克图

·当变量是类别变量时，且数目多于三个的时候，可使用马赛克图。马赛克图中，嵌套矩阵面积正比于单元格频率，其中该频率即多维列联表中的频率。颜色和阴影可表示拟合模型的残差值。

vcd包中的mosaic（）函数可以绘制马赛克图

base包中的mosaicplot（）也可绘制马赛克图。

以 base中的Titanic数据集为例

ftable(Titanic)library(vcd)mosaic(Titanic,shade=TRUE,legend=TRUE)