连线图

  1. > a=c(2,3,4,5,6)
  2. > b=c(4,7,8,9,12)
  3. > plot(a,b,type="l")

多条曲线效果

  1. plot(rain$Tokyo,type="l",col="red",ylim=c(0,300),
  2. main="Monthly Rainfall in major cities",
  3. xlab="Month of Year",
  4. ylab="Rainfall(mm)",
  5. lwd=2)
  6. lines(rain$NewYork,type="l",col="blue",lwd=2)
  7. lines(rain$London,type="l",col="green",lwd=2)
  8. lines(rain$Berlin,type="l",col="orange",lwd=2)

（数据集没找着_(:з」∠)_）

密度图

  1. > plot(density(rnorm(1000)))

R内置数据集

  1. > data()#列出内置数据
  2. Data sets in package ‘datasets’:
  3.  
  4. AirPassengers           Monthly Airline Passenger Numbers 1949-1960
  5. BJsales                 Sales Data with Leading Indicator
  6. BJsales.lead (BJsales)
  7.                         Sales Data with Leading Indicator
  8. BOD                     Biochemical Oxygen Demand
  9. CO2                     Carbon Dioxide Uptake in Grass Plants
  10. ChickWeight             Weight versus age of chicks on different diets
  11. DNase                   Elisa assay of DNase
  12. EuStockMarkets          Daily Closing Prices of Major European Stock
  13.                         Indices, 1991-1998
  14. Formaldehyde            Determination of Formaldehyde
  15. HairEyeColor            Hair and Eye Color of Statistics Students
  16. Harman23.cor            Harman Example 2.3
  17. Harman74.cor            Harman Example 7.4
  18. Indometh                Pharmacokinetics of Indomethacin..........................略过略过～

热力图

  1. > mtcars
  2.                      mpg cyl  disp  hp drat    wt  qsec vs am gear carb
  3. Mazda RX4           21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
  4. Mazda RX4 Wag       21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
  5. Datsun 710          22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
  6. Hornet 4 Drive      21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
  7. Hornet Sportabout   18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
  8. Valiant             18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
  9. Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
  10. Merc 240D           24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
  11. Merc 230            22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
  12. Merc 280            19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
  13. Merc 280C           17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
  14. Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
  15. Merc 450SL          17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
  16. Merc 450SLC         15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
  17. Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4
  18. Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
  19. Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
  20. Fiat 128            32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
  21. Honda Civic         30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
  22. Toyota Corolla      33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
  23. Toyota Corona       21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
  24. Dodge Challenger    15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
  25. AMC Javelin         15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
  26. Camaro Z28          13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
  27. Pontiac Firebird    19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
  28. Fiat X1-9           27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
  29. Porsche 914-2       26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
  30. Lotus Europa        30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
  31. Ford Pantera L      15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
  32. Ferrari Dino        19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
  33. Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8
  34. Volvo 142E          21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2
  35. >
  36. > heatmap(as.matrix(mtcars),
  37. + Rowv=NA,
  38. + Colv=NA,
  39. + col=heat.colors(256),
  40. + scale="column",
  41. + margins=c(2,8),
  42. + main="Car characteristics by Model")
  43. >

Iris（鸢尾花）数据集参数：
Sepal花萼
Petal花瓣
Species种属

  1. > head(iris)
  2.   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
  3. 1          5.1         3.5          1.4         0.2  setosa
  4. 2          4.9         3.0          1.4         0.2  setosa
  5. 3          4.7         3.2          1.3         0.2  setosa
  6. 4          4.6         3.1          1.5         0.2  setosa
  7. 5          5.0         3.6          1.4         0.2  setosa
  8. 6          5.4         3.9          1.7         0.4  setosa

向日葵散点图

  1. > sunflowerplot(iris[,3:4],col="gold",seg.col="gold")

散点图集

遍历样本中全部的变量配对画出二元图
直观地了解所有变量之间的关系

  1. > pairs(iris[,1:4])

用plot也可以实现同样的效果

  1. > plot(iris[,1:4],
  2. + main="Relationships between characteristics of iris flowers",
  3. + pch=19,
  4. + col="blue",
  5. + cex=0.9)
  6. >

散点图集

利用par()在同一个device输出多个散点图
par命令博大精深，用于设置绘图参数

  1. > par(mfrow=c(3,1))
  2. > plot(iris[,1],iris[,2]);plot(iris[,2],iris[,3]);plot(iris[,3],iris[,1])

关于绘图颜色

  1. > colors()#颜色查询
  2.   [1] "white"                "aliceblue"            "antiquewhite"
  3.   [4] "antiquewhite1"        "antiquewhite2"        "antiquewhite3"
  4.   [7] "antiquewhite4"        "aquamarine"           "aquamarine1"
  5.  [10] "aquamarine2"          "aquamarine3"          "aquamarine4"
  6.  [13] "azure"                "azure1"               "azure2"
  7.  [16] "azure3"               "azure4"               "beige"
  8.  [19] "bisque"               "bisque1"              "bisque2"
  9.  [22] "bisque3"              "bisque4"              "black"
  10. ..................................................哔～......................................
  11. >dev.new()#建立新的图形框
  12. >dev.list()#窗口列表
  13. >dev.cur()#当前窗口
  14. >dev.next()#下个窗口

三维散点图

  1. > library(scatterplot3d)
  2. > scatterplot3d(iris[2:4])

三维作图

  1. > x<-y<-seq(-2*pi,2*pi,pi/15)
  2. > f<-function(x,y)sin(x)*sin(y)
  3. > z<-outer(x,y,f)
  4. > contour(x,y,z,col="blue")
  5. > persp(x,y,z,theta=30,phi=30,expand=0.7,col="lightblue")

地图

  1. > library(maps)
  2. > map("state",interior=FALSE)
  3. > map("state",boundary=FALSE,col="red",add=TRUE)
  4. > map("world",fill=TRUE,col=heat.colors(10))

R与数据分析旧笔记（三）不知道取什么题目的更多相关文章

  1. R与数据分析旧笔记（⑦）回归诊断

    回归诊断 回归诊断 1.样本是否符合正态分布假设? 2.是否存在离群值导致模型发生较大误差? 3.线性模型是否合理? 4.误差是否满足独立性.等方差.正态分布等假设条件? 5.是否存在多重共线性 正态 ...

  2. R与数据分析旧笔记（十八完结） 因子分析

    因子分析 因子分析 降维的一种方法,是主成分分析的推广和发展 是用于分析隐藏在表面现象背后的因子作用的统计模型.试图用最少的个数的不可测的公共因子的线性函数与特殊因子之和来描述原来观测的每一分量 因子 ...

  3. R与数据分析旧笔记（十七） 主成分分析

    主成分分析 主成分分析 Pearson于1901年提出的,再由Hotelling(1933)加以发展的一种多变量统计方法 通过析取主成分显出最大的个别差异,也用来削减回归分析和聚类分析中变量的数目 可 ...

  4. R与数据分析旧笔记（十一）数据挖掘初步

    PART 1 PART 1 传统回归模型的困难 1.为什么一定是线性的?或某种非线性模型? 2.过分依赖于分析者的经验 3.对于非连续的离散数据难以处理 网格方法 <Science>上的文 ...

  5. R与数据分析旧笔记（五）数学分析基本

    R语言的各种分布函数 rnorm(n,mean=0,sd=1)#高斯(正态) rexp(n,rate=1)#指数 rgamma(n,shape,scale=1)#γ分布 rpois(n,lambda) ...

  6. R与数据分析旧笔记（一）基本数学函数的使用

    创建向量矩阵 > x1=c(2,3,6,8) > x2=c(1,2,3,4) > a1=(1:100) > length(a1) [1] 100 > length(x1) ...

  7. R与数据分析旧笔记（十六） 基于密度的方法：DBSCAN

    基于密度的方法:DBSCAN 基于密度的方法:DBSCAN DBSCAN=Density-Based Spatial Clustering of Applications with Noise 本算法 ...

  8. R与数据分析旧笔记（十五） 基于有代表性的点的技术：K中心聚类法

    基于有代表性的点的技术:K中心聚类法 基于有代表性的点的技术:K中心聚类法 算法步骤 随机选择k个点作为"中心点" 计算剩余的点到这个k中心点的距离,每个点被分配到最近的中心点组成 ...

  9. R与数据分析旧笔记（十三） 聚类初步

    聚类 聚类 关键度量指标:距离 常用距离 绝对值距离 绝对值距离也称为"棋盘距离"或"城市街区距离". 欧氏(Euclide)距离 闵可夫斯基(Minkowsk ...

随机推荐

  1. BaseAdapter 注意的关键点！

    BaseAdapter  我们一般就是继承然后重写自定义,然后listview  set进去即可!  数据改变的时候,我们习惯这样: public void update(List list) {   ...

  2. oracle实现今年数据 去年同期和增长百分比

    select c.*,round((datanow-databefore)/databefore,2)*100||'%' datapercent from (select a.auth_tztype ...

  3. Semantic UI基础使用教程

    自己今后要使用Semantic UI进行项目开发了,一步步的记录下来,供大家参考,也让自己去简单的学习一下,有空了就会更新一点东西,大家有什么问题可以相互交流一下,文采不是很好,希望大家要多多见谅,这 ...

  4. Oracle中针对中文进行排序[Z]

    在oracle 9i之前,对中文的排序,是默认按2进制编码来进行排序的. 9i时增加了几种新的选择: 按中文拼音进行排序:SCHINESE_PINYIN_M 按中文部首进行排序:SCHINESE_RA ...

  5. TCP/IP的三次握手协议

    关于TCP/IP的三次握手协议,这篇文章中有详细的介绍,很通俗易懂,什么时候忘了,都可以过来瞧两眼,保证很快就明白了. 首先TCP/IP协议分为三个阶段:建立连接(握手阶段),数据传输阶段,连接终止阶 ...

  6. Web 应用性能提升 10 倍的 10 个建议

    转载自http://blog.jobbole.com/94962/ 提升 Web 应用的性能变得越来越重要.线上经济活动的份额持续增长,当前发达世界中 5 % 的经济发生在互联网上(查看下面资源的统计 ...

  7. 在VS工程中，添加c/c++工程中外部头文件及库

    在VS工程中,添加c/c++工程中外部头文件及库的基本步骤: 1.添加工程的头文件目录:工程---属性---配置属性---c/c++---常规---附加包含目录:加上头文件存放目录. 2.添加文件引用 ...

  8. php消息队列

    Memcache 一般用于缓存服务.但是很多时候,比如一个消息广播系统,需要一个消息队列.直接从数据库取消息,负载往往不行.如果将整个消息队列用一个key缓存到memcache里面.对于一个很大的消息 ...

  9. JS输出当前时间，且每秒变化

    <div id="timer"></div> <script type="text/javascript"> window. ...

  10. php对xml的处理

    $paymentResult  = $ips='<Ips><GateWayRsp><head><ReferenceID></ReferenceID ...