R Language
Основание

параметры

замечания

Основной участок

Основной сюжет создается вызовом plot() . Здесь мы используем встроенный кадр данных о cars который содержит скорость автомобилей и расстояния, снятые для остановки в 1920-х годах. (Чтобы узнать больше о наборе данных, используйте справку (автомобили)).

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

Мы можем использовать многие другие варианты кода, чтобы получить тот же результат. Мы также можем изменить параметры для получения разных результатов.

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

Дополнительные возможности могут быть добавлены к этому графику, вызывая points() , text() , mtext() , lines() , grid() и т. Д.

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 полезен для быстрой matplot нескольких наборов наблюдений от одного и того же объекта, особенно из матрицы, на том же графике.

Вот пример матрицы, содержащей четыре набора случайных ничьих, каждая из которых имеет другое среднее значение.

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

Один из способов построения всех этих наблюдений на одном и том же графике состоит в том, чтобы сделать один вызов plot за которым следуют еще три points или lines .

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

Однако это и утомительно, и вызывает проблемы, потому что, между прочим, по умолчанию пределы оси фиксируются plot чтобы соответствовать только первому столбцу.

Гораздо удобнее в этой ситуации использовать функцию matplot , которая требует только одного вызова и автоматически заботится о границах оси и изменяет эстетику для каждого столбца, чтобы сделать их различимыми.

matplot(xmat, type = 'l')

Обратите внимание, что по умолчанию matplot варьируется как цвет ( col ), так и lty линии ( lty ), потому что это увеличивает количество возможных комбинаций до их повторения. Однако любая (или обе) из этих эстетик могут быть привязаны к одному значению ...

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

... или пользовательский вектор (который будет перерабатываться в число столбцов, следуя стандартным правилам утилизации векторных векторов).

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

Стандартные графические параметры, включая main , xlab , xmin , работают точно так же, как и для plot . Подробнее об этом см. ?par

Подобно plot , если задан только один объект, matplot предполагает, что он является переменной y и использует индексы для x . Однако x и y могут быть указаны явно.

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

Фактически, и x и y могут быть матрицами.

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')

Гистограммы

Гистограммы позволяют использовать псевдо-график лежащего в основе распределения данных.

hist(ldeaths)

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

Объединение сюжетов

Часто полезно комбинировать несколько типов графиков в одном графике (например, Barplot рядом с Scatterplot.) R делает это легко с помощью функций par() и layout() .

par()

par использует аргументы mfrow или mfcol для создания матрицы nrows и ncols c(nrows, ncols) которая будет служить сеткой для ваших графиков. В следующем примере показано, как объединить четыре графика в одном графике:

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() более гибкий и позволяет указать местоположение и размер каждого графика в конечном комбинированном графике. Эта функция ожидает матричный объект как вход:

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")

Плотность

Очень полезным и логичным продолжением гистограмм было бы построение сглаженной функции плотности случайной величины. Основной сюжет, созданный командой

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

будет выглядеть

Вы можете наложить гистограмму и кривую плотности с помощью

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

который дает

Эмпирическая функция кумулятивного распределения

Очень полезным и логичным продолжением гистограмм и графиков плотности будет Эмпирическая функция кумулятивного распределения. Для этой цели мы можем использовать функцию ecdf() . Основной сюжет, созданный командой

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

будет выглядеть

Начало работы с R_Plots

• разброс точек

У вас есть два вектора, и вы хотите их построить.

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)

Если вы хотите создать график, который имеет y_values по вертикальной оси и x_values по горизонтальной оси, вы можете использовать следующие команды:

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

Вы можете набрать « ?plot() в консоли, чтобы узнать о дополнительных параметрах.

• Boxplot

У вас есть некоторые переменные, и вы хотите изучить их распределения

#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.

• Гистограммы

Легкий способ рисования гистограмм

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

• Круговые диаграммы

Если вы хотите визуализировать частоты переменной, просто нарисуйте пирог

Сначала мы должны генерировать данные с частотами, например:

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