R Language
Rysowanie podstawowe

Parametry

Uwagi

Podstawowa fabuła

Podstawowy wykres jest tworzony przez wywołanie plot() . Tutaj wykorzystujemy wbudowaną ramkę danych cars która zawiera prędkość samochodów i odległości zatrzymane w latach dwudziestych. (Aby dowiedzieć się więcej o zestawie danych, skorzystaj z pomocy (samochody)).

plot(x = cars$speed, y = cars$dist, pch = 1, col = 1, 
     main = "Distance vs Speed of Cars", 
     xlab = "Speed", ylab = "Distance")

Możemy użyć wielu innych odmian kodu, aby uzyskać ten sam wynik. Możemy również zmienić parametry, aby uzyskać różne wyniki.

with(cars, plot(dist~speed, pch = 2, col = 3, 
     main = "Distance to stop vs Speed of Cars", 
     xlab = "Speed", ylab = "Distance"))

Do tego wykresu można dodać dodatkowe funkcje, wywołując points() , text() , mtext() , lines() , grid() itp.

plot(dist~speed, pch = "*", col = "magenta", data=cars,
     main = "Distance to stop vs Speed of Cars", 
     xlab = "Speed", ylab = "Distance")
mtext("In the 1920s.")
grid(,col="lightblue")

Matplot

matplot jest przydatny do szybkiego wykreślania wielu zestawów obserwacji z tego samego obiektu, szczególnie z macierzy, na tym samym wykresie.

Oto przykład macierzy zawierającej cztery zestawy losowych losowań, każdy o innej średniej.

xmat <- cbind(rnorm(100, -3), rnorm(100, -1), rnorm(100, 1), rnorm(100, 3))
head(xmat)
#          [,1]        [,2]       [,3]     [,4]
# [1,] -3.072793 -2.53111494  0.6168063 3.780465
# [2,] -3.702545 -1.42789347 -0.2197196 2.478416
# [3,] -2.890698 -1.88476126  1.9586467 5.268474
# [4,] -3.431133 -2.02626870  1.1153643 3.170689
# [5,] -4.532925  0.02164187  0.9783948 3.162121
# [6,] -2.169391 -1.42699116  0.3214854 4.480305

Jednym ze sposobów wykreślenia wszystkich tych obserwacji na tym samym wykresie jest wykonanie jednego wywołania plot a następnie kolejnych trzech wywołań points lub lines .

plot(xmat[,1], type = 'l')
lines(xmat[,2], col = 'red')
lines(xmat[,3], col = 'green')
lines(xmat[,4], col = 'blue')

Jest to jednak zarówno żmudne, jak i powoduje problemy, ponieważ między innymi domyślnie granice osi są ustalane przez plot aby pasowały tylko do pierwszej kolumny.

Znacznie wygodniejsze w tej sytuacji jest użycie funkcji matplot , która wymaga tylko jednego wywołania i automatycznie zajmuje się ograniczeniami osi i zmienia estetykę każdej kolumny, aby umożliwić ich rozróżnienie.

matplot(xmat, type = 'l')

Zauważ, że domyślnie matplot zmienia zarówno kolor ( col ), jak i lty linii ( lty ), ponieważ zwiększa to liczbę możliwych kombinacji przed ich powtórzeniem. Jednak dowolną (lub obie) z tych estetyki można ustawić na jedną wartość ...

matplot(xmat, type = 'l', col = 'black')

... lub niestandardowy wektor (który będzie przetwarzany do liczby kolumn, zgodnie ze standardowymi zasadami recyklingu wektorów R).

matplot(xmat, type = 'l', col = c('red', 'green', 'blue', 'orange'))

Standardowe parametry graficzne, w tym main , xlab , xmin , działają dokładnie tak samo, jak w przypadku plot . Aby uzyskać więcej informacji na ten temat, patrz ?par .

Podobnie jak plot , jeśli podano tylko jeden obiekt, matplot zakłada, że jest to zmienna y i używa indeksów dla x . Jednakże, x i y mogą być podane bezpośrednio.

matplot(x = seq(0, 10, length.out = 100), y = xmat, type='l')

W rzeczywistości zarówno x , jak i y mogą być macierzami.

xes <- cbind(seq(0, 10, length.out = 100),
             seq(2.5, 12.5, length.out = 100),
             seq(5, 15, length.out = 100),
             seq(7.5, 17.5, length.out = 100))
matplot(x = xes, y = xmat, type = 'l')

Histogramy

Histogramy pozwalają na pseudo-wykres bazowego rozkładu danych.

hist(ldeaths)

hist(ldeaths, breaks = 20, freq = F, col = 3)

Łączenie wykresów

Często przydatne jest łączenie wielu typów wykresów na jednym wykresie (np. Barplot obok Scatterplot.) R ułatwia to za pomocą funkcji par() i layout() .

par()

par używa argumentów mfrow lub mfcol do utworzenia macierzy nrows i ncols c(nrows, ncols) która posłuży jako siatka dla twoich wykresów. Poniższy przykład pokazuje, jak połączyć cztery wykresy na jednym wykresie:

par(mfrow=c(2,2))
plot(cars, main="Speed vs. Distance")
hist(cars$speed, main="Histogram of Speed")
boxplot(cars$dist, main="Boxplot of Distance")
boxplot(cars$speed, main="Boxplot of Speed")

layout()

layout() jest bardziej elastyczny i pozwala określić lokalizację i zasięg każdego wykresu w końcowym łączonym wykresie. Ta funkcja oczekuje obiektu wejściowego jako danych wejściowych:

layout(matrix(c(1,1,2,3), 2,2, byrow=T))
hist(cars$speed, main="Histogram of Speed")
boxplot(cars$dist, main="Boxplot of Distance")
boxplot(cars$speed, main="Boxplot of Speed")

Wykres gęstości

Bardzo przydatną i logiczną kontynuacją histogramów byłoby wykreślenie wygładzonej funkcji gęstości zmiennej losowej. Podstawowa fabuła stworzona przez polecenie

plot(density(rnorm(100)),main="Normal density",xlab="x")

wyglądałby jak

Możesz nałożyć histogram i krzywą gęstości za pomocą

x=rnorm(100)
hist(x,prob=TRUE,main="Normal density + histogram")
lines(density(x),lty="dotted",col="red")

co daje

Empiryczna funkcja skumulowanego rozkładu

Bardzo przydatną i logiczną kontynuacją histogramów i wykresów gęstości byłaby funkcja empirycznej kumulatywnej dystrybucji. W tym celu możemy użyć funkcji ecdf() . Podstawowa fabuła stworzona przez polecenie

plot(ecdf(rnorm(100)),main="Cumulative distribution",xlab="x")

wyglądałby jak

Rozpoczęcie pracy z R_Plots

• Wykres punktowy

Masz dwa wektory i chcesz je wykreślić.

x_values <- rnorm(n = 20 , mean = 5 , sd = 8) #20 values generated from Normal(5,8)
y_values <- rbeta(n = 20 , shape1 = 500 , shape2 = 10) #20 values generated from Beta(500,10)

Jeśli chcesz utworzyć wykres, który ma wartości y_values osi pionowej i wartości x_values osi poziomej, możesz użyć następujących poleceń:

plot(x = x_values, y = y_values, type = "p") #standard scatter-plot
plot(x = x_values, y = y_values, type = "l") # plot with lines
plot(x = x_values, y = y_values, type = "n") # empty plot

Możesz wpisać ?plot() w konsoli, aby przeczytać o więcej opcjach.

• Boxplot

Masz jakieś zmienne i chcesz sprawdzić ich rozkłady

#boxplot is an easy way to see if we have some outliers in the data.
   
z<- rbeta(20 , 500 , 10) #generating values from beta distribution
z[c(19 , 20)] <- c(0.97 , 1.05) # replace the two last values with outliers      
boxplot(z) # the two points are the outliers of variable z.

• Histogramy

Łatwy sposób rysowania histogramów

hist(x = x_values) # Histogram for x vector
hist(x = x_values, breaks = 3) #use breaks to set the numbers of bars you want

• Wykresy kołowe

Jeśli chcesz wizualizować częstotliwości zmiennej, po prostu narysuj ciasto

Najpierw musimy wygenerować dane z częstotliwościami, na przykład:

P <- c(rep('A' , 3) , rep('B' , 10) , rep('C' , 7) )
t <- table(P) # this is a frequency matrix of variable P
pie(t) # And this is a visual version of the matrix above