第三章 图形入门

本章概要

1 创建和保存图形

2 定义符号、线、颜色和坐标轴

3 文本标注

4 掌控图形维数

5 多幅图合在一起

本章所介绍内容概括例如以下。

一图胜千字,人们从视觉层更易获取和理解信息。

图形工作

R具有很强大的画图功能。看以下代码。

> attach(mtcars)

> plot(wt, mpg)

> abline(lm(mpg~wt))

> title("Regression of MPG on Weight")

> detach(mtcars)

效果图如图1所看到的。

图1:mtcars数据集中wt-mpg线性回归图

图形保存方法能够用RGUI完毕或者写代码保存。

比如把上图以pdf格式保存在D:/data文件夹下,代码例如以下:

> setwd("E:\\data")

> pdf("wt-mpg.pdf")

> attach(mtcars)

> plot(wt, mpg)

> abline(lm(mpg~wt))

> title("Regresssion of MPG on Weight")

> detach(mtcars)

>dev.off()

> dir()

一个简单实例

数据集。病人对两种药不同剂量的反映,如图2所看到的。

图2: 病人对两种药不同剂量的反映

程序清单

> dosage <- c(20, 30, 40, 45, 60)

> responseA <- c(16, 20, 27, 40, 60)

> responseB <- c(15, 18, 25, 31, 40)

> plot(dosage, responseA, type="b")

效果图如图3所看到的。

图3: 不同剂量下,病人对药A的反映图

图像化參数

通过图形化參数定义一个图形的特征(字体、颜色、标题、坐标轴)。利用par()函数指定图形化參数。或者把这些參数至于画图函数中。

现基于两种不同的方式使用图形化參数。

方式一:par()函数

> opar <- par(no.readonly=TRUE)

> par(lty=2, pch=17)

> plot(dosage, responseB, type="b")

> par(opar)

方式二:在画图函数进行參数设置

> plot(dosage, responseB, type="b", lty=2, pch=17)

两种方式执行后效果一样,如图4所看到的:

图4:不同剂量下病人对药B的反映图

R画图经常使用參数归纳例如以下。

符号和线型參数。如图5所看到的

图5:R符号和线型參数

R符号如6所看到的,线型如图7所看到的。

图6:R符号

图7:R线型

颜色參数,如图8所看到的。

图8:R颜色參数

关于R颜色,能够进一步參阅:http://research.stowers-institute.org/efg/R/Color/Chart

文本參数,如图9所看到的。

图9:文本尺寸參数

字体參数。如图10所看到的。

图10:字体參数

面板大小和边距參数,如图11所看到的。

图11:面板大小和边距參数

基于參数化图形的一个实例。

程序清单例如以下:

> dose <- c(20, 30, 40, 45, 60)

> drugA <- c(16, 20, 27, 40, 60)

> drugB <- c(15, 18, 25, 31, 40)

> opar <- par(no.readonly=TRUE)

> par(pin=c(2, 3))

> par(lwd=2, cex=1.5)

> par(cex.axis = .75, font.axis=3)

> plot(dose, drugA, type="b", pch=19, lty=2, col="red")

> plot(dose, drugB, type="b", pch=23, lty=6, col="blue", bg="green")

> par(opar)

图形修饰

图形修饰包含加入文本、自己定义坐标轴和说明。比如:

>plot(dose,drugA,type="b",col="red",lty=2,pch=2,lwd=2,

main="Clinical Trials for Drug A"。sub="This is hypothetical data",

xlab="Dosage", ylab="Drug Resoponse",

xlim=c(0,60), ylim=c(0, 70))

效果图如图12所看到的。

图12:图形修饰演示图

图形修饰主要又例如以下几个方面。

方面一:标题,使用title()函数。

方面二:坐标轴。使用axis()函数。

方面三:參照线,使用abline()函数。

方面四:说明。使用legend()函数。

方面五:文字,使用text()函数。

图形合并

R使用函数par()或者layout()实现图形合并。

关于每种方法,演演示样例如以下:

方法一:基于par()图形合并

程序清单:

> rm(list=ls())

> attach(mtcars)

> opar <- par(no.readonly=TRUE)

> par(mfrow=c(2,2))

> 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, main="Boxplot of wt")

> par(opar)

> detach(mtcars)

效果图如图13所看到的。

图13:基于par()图形合并

方法二:基于layout()图形合并

程序清单:

> layout(matrix(c(1,1,2,3), 2, 2, byrow=TRUE))

> hist(wt)

> hist(mpg)

> hist(disp)

> detach(mtcars)

效果图如图14所看到的。

图14:基于layou()图形合并

总结

1 图形创建与保存

2 图形修饰与合并

參考资料

王路情博客

R实战读书笔记四的更多相关文章

  1. R语言实战读书笔记(四)基本数据管理

    4.2 创建新变量 几个运算符: ^或**:求幂 x%%y:求余 x%/%y:整数除 4.3 变量的重编码 with(): within():可以修改数据框 4.4 变量重命名 包reshape中有个 ...

  2. iPhone与iPad开发实战读书笔记

    iPhone开发一些读书笔记 手机应用分类1.教育工具2.生活工具3.社交应用4.定位工具5.游戏6.报纸和杂志的阅读器7.移动办公应用8.财经工具9.手机购物应用10.风景区相关应用11.旅游相关的 ...

  3. 机器学习实战 - 读书笔记(13) - 利用PCA来简化数据

    前言 最近在看Peter Harrington写的"机器学习实战",这是我的学习心得,这次是第13章 - 利用PCA来简化数据. 这里介绍,机器学习中的降维技术,可简化样品数据. ...

  4. 机器学习实战 - 读书笔记(12) - 使用FP-growth算法来高效发现频繁项集

    前言 最近在看Peter Harrington写的"机器学习实战",这是我的学习心得,这次是第12章 - 使用FP-growth算法来高效发现频繁项集. 基本概念 FP-growt ...

  5. 机器学习实战 - 读书笔记(11) - 使用Apriori算法进行关联分析

    前言 最近在看Peter Harrington写的"机器学习实战",这是我的学习心得,这次是第11章 - 使用Apriori算法进行关联分析. 基本概念 关联分析(associat ...

  6. 机器学习实战 - 读书笔记(07) - 利用AdaBoost元算法提高分类性能

    前言 最近在看Peter Harrington写的"机器学习实战",这是我的学习笔记,这次是第7章 - 利用AdaBoost元算法提高分类性能. 核心思想 在使用某个特定的算法是, ...

  7. 【转】Verilog HDL常用建模方式——《Verilog与数字ASIC设计基础》读书笔记(四)

    Verilog HDL常用建模方式——<Verilog与数字ASIC设计基础>读书笔记(四) Verilog HDL的基本功能之一是描述可综合的硬件逻辑电路.所谓综合(Synthesis) ...

  8. 【转载】MDX Step by Step 读书笔记(四) - Working with Sets (使用集合)

    1. Set  - 元组的集合,在 Set 中的元组用逗号分开,Set 以花括号括起来,例如: { ([Product].[Category].[Accessories]), ([Product].[ ...

  9. Spring实战读书笔记

    Spring实战读书笔记 Spring-core Spring之旅 - DI 和 AOP 概念 spring 的Bean容器 spring 的 核心模块 Spring的核心策略 POJO 最小侵入式编 ...

随机推荐

  1. 数据挖掘之分类算法---knn算法(有matlab例子)

    knn算法(k-Nearest Neighbor algorithm).是一种经典的分类算法.注意,不是聚类算法.所以这种分类算法 必然包括了训练过程. 然而和一般性的分类算法不同,knn算法是一种懒 ...

  2. BootStrap框架写的致敬乔布斯的网页

    http://codepen.io/Gabyler/pen/oxjRYj <div class="container"> <div class="jum ...

  3. Frameset标签

    Frameset标签不能在body中设置. <!DOCTYPE html> <html> <head> <title>框架标签</title> ...

  4. openvpn 连接无法上网

    环境:搬瓦工的vps,centos6,搬瓦工附带的openvpn服务端: 出现的问题:正常启动openvpn客户端,也正常连接服务器,但是连接之后就是没有办法上网: 我的解决办法:打开ip forwa ...

  5. DevExpress GridView使用技巧之列标题点击事件

    在这里使用GridView的MouseDown事件.这里同样使用的是GridHitInfo来获取点击位置的信息,来判断是否在列标题上.GridHitInfo根据鼠标点击的x.y坐标获取该点的相关信息, ...

  6. IOS支付宝支付出现6002问题的解决办法

    运行支付宝官方demo进行支付测试,会出现6002-网络连接错误,是因为以iOS9 SDK编译的工程会默认以SSL安全协议进行网络传输,即HTTPS,如果依然使用HTTP协议请求网络会报系统异常并中断 ...

  7. 库函数strlen源码重现及注意问题

    首先直接上源码: size_t strlen (const char * str) { const char *eos = str; while(*eos++); return(eos - str - ...

  8. VS2010 添加资源文件后,出现 “LNK1123: 转换到 COFF 期间失败: 文件无效或损坏”错误

    1>LINK : fatal error LNK1123: 转换到 COFF 期间失败: 文件无效或损坏 解决方法: 一.1.点击“项目”-->“属性”-->“清单工具” 2.‘输入 ...

  9. 重新理解一遍UpdatePanel

    楼主只是想每天写点东西这样帮助自己的一个累积吧. 说明:楼主现在已经清楚了AJAX是怎么回事了,现在由于工作原因又摆弄起了UpdatePanel所以从AJAX的角度来分析一下UpdatePanel的使 ...

  10. php正则提取img所有属性值

    $ext = 'gif|jpg|jpeg|bmp|png';//罗列图片后缀从而实现多扩展名匹配 by http://www.k686.com 绿色软件 $str = ''; $list = arra ...