R语言base graphics: high level绘图函数

本文详细介绍了R语言中basegraphics的绘图方式,包括单变量、双变量及多变量的highlevel绘图函数,如散点图、条形图、饼图、箱线图等,并涵盖了特定图形的绘图函数,适合数据可视化初学者和进阶者参考。

本文是R Graphics的笔记。R语言base graphics绘制图形的方式:首先使用high level绘图函数参数产生一个新的图形,然后使用low level绘图函数添加点、线、文字等其他图形元素。High level绘图函数有:

单变量high level绘图函数

FunctionDataDescription
plot()NumericScatterplot
plot()FactorBarplot
plot()1-D tableBarplot
barplot()Numeric (bar heights)Barplot
pie()NumericPie chart
dotchart()NumericDotplot
boxplot()NumericBoxplot
hist()NumericHistogram
stripchart()Numeric 1-Dscatterplot
stem()NumericStem-and-leaf plot

两个变量high level绘图函数

FunctionDataDescription
plot()Numeric, numericScatterplot
plot()Numeric, factorStripcharts
plot()Factor, numericBoxplots
plot()Factor, factorSpineplot
plot()2-D tableMosaic plot
sunflowerplot()Numeric, numericSunower scatterplot
smoothScatter()Numeric, numericSmooth scatterplot
boxplot()List of numericBoxplots
barplot()MatrixStacked/side-by-side barplot
dotchart()MatrixDotplot
stripchart()List of numericStripcharts
spineplot()Numeric, factorSpinogram
cdplot()Numeric, factorConditional density plot
fourfoldplot()2x2 tableFourfold display
assocplot()2-D tableAssociation plot
mosaicplot()2-D tableMosaic plot

多变量high level绘图函数

FunctionDataDescription
plot()`Data frameScatterplot matrix
pairs()MatrixScatterplot matrix
matplot()MatrixScatterplot
stars()MatrixStar plots
image()Numeric,numeric,numericImage plot
contour()Numeric,numeric,numericContour plot
filled.contour()Numeric,numeric,numericFilled contour
persp()Numeric,numeric,numeric3-D surface
symbols()Numeric,numeric,numericSymbol scatterplot
coplot()FormulaConditioning plot
mosaicplot()N-D tableMosaic plot

特定图形绘图函数 Specialized plots

  • plot()是泛函数,根据传入的对象选择对应的plot函数。
  • qqplot()qqnorm()
  • curve() 函数
plot(function(x) {sin(x)/x},
     from=-10*pi, to=10*pi,
     xlab="", ylab="", n=500)

# 等价于
curve(sin(x)/x, -10*pi, 10*pi)
  • 特定package中的plot的函数,专业领域的绘图
### 使用R语言进行拟合分析与绘图 #### 数据准备 在R语言中,可以利用内置的数据集或者自己创建数据来完成拟合分析。例如,可以通过`set.seed()`设置随机种子以确保结果可重复,并生成一些模拟数据用于演示[^4]。 ```r # 设置随机数种子以便结果重现 set.seed(123) # 创建示例数据 X <- 1:10 Y <- 2 * X + rnorm(10) ``` #### 曲线拟合 为了进行曲线拟合,通常会先构建一个线性模型。这里使用`lm()`函数来进行简单的线性回归分析。 ```r # 构建线性模型 fit <- lm(Y ~ X) summary(fit) # 查看模型摘要信息 ``` 通过调用`summary(fit)`可以获得详细的模型参数估计以及显著性检验的结果,其中包括截距项、斜率系数及其标准误等重要统计量[^1]。 #### 可视化拟合结果 可视化是展示拟合效果的有效手段之一,在R中有多个强大的绘图库可供选择,其中最常用的是base graphics和ggplot2包[^2]。 ##### Base Graphics 方法 可以直接使用基础绘图功能加上额外线条表示预测值或置信区间边界: ```r # 基础绘图方式显示散点图及拟合直线 plot(X, Y, pch=16, xlab="X", ylab="Y", main="拟合区间统计图表") abline(fit, col="blue") # 添加拟合直线 # 计算并添加上下界虚线代表95%置信水平下的预测范围 pred <- predict(fit, interval="confidence", level=0.95) lines(X, pred[, "lwr"], col="red", lty=2) lines(X, pred[, "upr"], col="red", lty=2) legend("topleft", legend=c("拟合线","拟合区间"), col=c("blue","red"), lty=c(1,2)) ``` ##### Ggplot2 方法 如果偏好更灵活美观的图形,则推荐采用ggplot2包中的`geom_smooth()`命令自动处理平滑拟合过程: ```r library(ggplot2) data.frame(x=X,y=Y) %>% ggplot(aes(x=x, y=y)) + geom_point(color='black')+ geom_smooth(method='lm', se=TRUE, color='blue', linetype='solid') ``` 上述代码片段展示了如何结合实际观测点绘制带有误差带的标准最小二乘法回归线图像。 另外值得注意的是除了传统的多项式或其他形式显式的数学表达外,R也支持诸如局部加权散射平滑(locally weighted scatterplot smoothing),即LOESS/Lowess算法这样的非参方法来做更加自由形状的趋势探索[^3]。 ```r plot(cars) lines(lowess(cars), col="green") ``` 以上就是基于给定资料整理出来的有关于运用R软件执行简单至复杂程度不等的各种类型的数值逼近操作指南连同相应实例说明[^2].
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值