11.1散点图

　　创建散点图的基础函数是plot(x, y),其中，x和y时数值型向量。依旧采用书上的例子：

attach(mtcars)
plot(wt, mpg,
     main = 'Basic Scatter plot of MPG vs. Wweight',
     xlab = 'Car Weight (lbs/1000)',
     ylab = 'Miles Per Gallon', pch=19)
abline(lm(mpg~wt), col='red', lwd=2, lty=1)
lines(lowess(wt,mpg), col='blue', lwd=2, lty=2)
#添加 最佳拟合曲线的散点图

　　

　　car包中的 scatterplot()函数增强了散点图的许多功能，并能添加拟合曲线、边界箱线图和置信椭圆，还可以按子集绘图和交互式地识别点。

install.packages('car')
library(car)
scatterplot(mpg~wt | cyl, data=mtcars, lwd=2,
            main = 'Basic Scatter plot of MPG vs. Wweight by # Cylinders',
            xlab = 'Weight of Car (lbs/1000)',
            ylab = 'Miles Per Gallon',
            legend=TRUE,
            id='identify',
            boxplots='xy')
# 若id=FALSE,则不显示点标签

　　

　　这边书籍中原始代码有错误，此处建议使用 help(scatterplot)寻求帮助。

# 散点图矩阵 pairs()可以创建基础的散点图矩阵
pairs(~mpg+disp+drat+wt, data = mtcars,
      main='Basic Scatter Plot Matrix')
scatterplotMatrix(~ mpg+disp+drat+wt, data=mtcars,
                  spread=FALSE, lty.smooth=2,
                  main='Scatter Plot Matrix via car Package')
# 上述代码中，线性和平滑（loess）拟合曲线被默认添加
scatterplotMatrix(
  ~ mpg + disp + drat + wt | cyl,
  data = mtcars,
  spread = FALSE,
  diagonal = 'histogram',
  main = 'Scatter Plot Matrix via car Package'
)
cor(mtcars[c('mpg', 'wt', 'disp', 'drat')])

　　很奇怪，为什么我的直方图没有显示出来，反而是多了几条曲线，这个暂时这样，因为日后用不到。

　　对散点图矩阵中的这些变量重新排序并添加颜色。

#gclus包生成的散点图矩阵（对变量重新排序并添加颜色）
install.packages('gclus')
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, main='Variables Ordered and Colored by Correlation')
# gclus包中的cpairs()函数生成的散点图矩阵。变量离主对角线越近，相关性越高

高密度散点图

　　

# 高密度散点图
set.seed(1234)
n <- 10000
c1 <- matrix(rnorm(n, mean=0, sd=0.5), 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'))
# smoothScatter()函数可利用核密度估计生成用颜色密度来表示点分布的散点图。
with(mydata,
     smoothScatter(x, y, main='Scatterplot Colored by Smoothed Densities'))
# 更加直观方式
install.packages('hexbin')
library(hexbin)
with(mydata,{
  bin <- hexbin(x,y, xbins=50)
  plot(bin, main='Hexagonal Binning with 10,000 Observations')
})
# 通过颜色来展示点的密度
install.packages('IDPmisc')
library(IDPmisc)
with(mydata,
     iplot(x,y, main='Image Scatter Plot with Color Indicating Density'))

　　

　　三维散点图暂时没有学，花里花哨的，平时用起来真的比较少，可以说不可能会用。气泡图之后再补上，今天喝了点酒，不行了，我要先下线了。

　　------------------------------------------ 手动分割线 -----------------------------

　　好了，现在把三维散点图补上，其实还挺有意思的，特别是后面几个可以交互的，气泡图倒是真的用的不多，除了在商业中比较流行。

　　

# 三维散点图
install.packages("scatterplot3d")
library(scatterplot3d)
attach(mtcars)
scatterplot3d(wt, disp, mpg,
              main='Basic 3D Scatter Plot')
# 升华
scatterplot3d(wt, disp, mpg,
              pch=16, highlight.3d = TRUE,
              type = 'h',
              main='Basic 3D Scatter Plot')
# 添加一个回归面
s3d <- scatterplot3d(wt, disp, mpg,
                     pch=16, highlight.3d = TRUE,
                     type = 'h',
                     main='Basic 3D Scatter Plot')
fit <- lm(mpg ~ wt+disp)
s3d$plane3d(fit)
# 保存图片
jpeg(file = '三维散点图.jpeg',
     width=600,height=600,
     quality=100,unit='px')
# 自由旋转 （有趣）
install.packages('rgl')
library(rgl)
plot3d(wt, disp, mpg, col='red', size=5)
#另一种旋转三维散点图
install.packages('Rcmdr')
library(Rcmdr)
attach(mtcars)
scatter3d(wt, disp, mpg)

# 气泡图
attach(mtcars)
r <- sqrt(disp/pi) #圆圈大小当表示面积时需要换算
symbols(wt, mpg, circle=r, inches = 0.30,
        fg='white', bg='lightblue',
        main='Bubble Plot with point size proportional to displacement',
        ylab = 'Miles Per Gallon',
        xlab = 'Weight of car (lbs/1000)')
text(wt, mpg, rownames(mtcars), cex=0.6)
detach(mtcars)
# 在统计学中使用R都避免使用气泡图，因为看不清

　

　　好了，下面要学习的是折线图，暂时先这样，因为今天还学了怎么保存数据，也一并在上续代码中加了，以后不用到处翻资料了。