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<-abs
mycolors<-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<-10000
c1<-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$mpg)5.气泡图
思想：创建一个二维散点图，然后用点的大小来代表第三个变量的值。
可用symbols（）函数来创建气泡图
attach(mtcars)
r<-sqrt(disp/pi)
symbols(mtcars$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)