《R语言实战》读书笔记-- 第六章 基本图形

首先写第二部分的前言。

第二部分用来介绍获取数据基本信息的图形技术和统计方法。

本章主要内容

条形图、箱型图、点图

饼图和扇形图

直方图和核密度图

分析数据第一步就是要观察它，用可视化的方式是最好的。本章的主题有两个

1、将变量的分布作可视化展示

2、通过结果变量进行跨组比较

下面从不同的图形开始探索数据。

6.1条形图

6.1.1简单地条形图

条形图是通过条形展示离散变量的频数分布。函数是barplot：

barplot(height) height是主要参数，horiz = TRUE就是横向条形图。

height可以是数值向量或者矩阵。向量的话就是向量每个元素的分布，矩阵的话是按照列一个一个往上加，就是堆叠。

如果要绘制的变量是因子或者有序因子，可以使用plot函数，直接画出条形统计图，形式为plot(因子)，书上的例子plot(Arthritis$Improved)。

6.1.2堆砌条形图和分组条形图

barplot后面加矩阵时，如果beside = FALSE 得到一个堆砌条形图，若为TRUE，则为分组条形图。下面是示例：

opar <- par(no.readonly = TRUE)
par(mfrow = c(1,2))
library(vcd)
counts <- table(Arthritis$Improved,Arthritis$Treatment)

barplot(counts,
        main = "Stacked Bar Plot",
        xlab = "Treatment",ylab = "Frequency",
        col = c("red","yellow","green"),
        legend = rownames(counts))

barplot(counts,
        main = "Grouped Bar Plot",
        xlab = "Treatment",ylab = "Frequency",
        col = c("red","yellow","green"),
        legend = rownames(counts),
        beside = TRUE)
par(opar)

下面是结果：

注意上面的代码中，添加图例的命令只有在对矩阵作用时才能用。

自然可以对图例进行一下设置（乱弄的，熟悉一下命令）：

barplot(counts,
        main = "Stacked Bar Plot",
        xlab = "Treatment",ylab = "Frequency",
        col = c("red","yellow","green")
        )

legend("top",legend = rownames(counts),
       col = c("red","yellow","green"),cex = 0.8,
       pch = rep(15,3),bg = "blue")

6.1.3均值条形图

条形图不一定全都进行数据频数的展示，还可以将均值、中位数方差等传递给barplot函数。

states <- data.frame(state.region,state.x77)
means <- aggregate(states$Illiteracy,by = list(state.region),
                   FUN =mean)
means <- means[order(means$x),]
barplot(means$x,names.arg = means$Group.1)

 

其实本质是一样的。lines(means$x)可以在上面图中顶端加一条折线，gplots包中barplot2函数可以作更复杂的图。

6.1.4条形图的微调

6.1.5棘状图

棘状图对堆砌条形图进行重缩放，每个条形的高度均为1，不同的频数对应着比例。vcd包中的spine函数可以做棘状图。

library(vcd)
counts <- table(Arthritis$Treatment,Arthritis$Improved)
spine(counts,main = "Spinogram Example")

6.2饼图

书上上来就说饼图不是很常用,R中关于饼图的选型不多.

pie函数:

pie(x, labels = names(x), edges = 200, radius = 0.8,
    clockwise = FALSE, init.angle = if(clockwise) 90 else 0,
    density = NULL, angle = 45, col = NULL, border = NULL,
    lty = NULL, main = NULL, ...)
#主要参数当然是x和labels,其中x是非负数值型变量,表示面积,labels是名称.

下面是一个例子:

par(mfrow = c(2,2))
slices <- c(10,12,4,16,8)
lbls <- c("US","UK","Australia","Germany","France")
pie(slices,labels = lbls,
    main = "Simple Pie Chart")

pct <- round(slices/sum(slices)*100)
lbls2 <- paste(lbls," ",pct,"%",sep="")
pie(slices,labels = lbls2,
    col = rainbow(length(lbls2)),
    main = "Pie Chart with Percentages")

library(plotrix)
pie3D(slices,labels=lbls2,explode = 0.1,
      mian = "3D Pie Chart")

mytable <- table(state.region)
lbls3 <- paste(names(mytable),"
",mytable,sep="")
pie(mytable,labels = lbls3,
    main = "Pie Chart from a Table
(with sample sizes)")

注意上面的例子中,plotrix中的pie3D函数,可以画立体饼图.

饼图不太容易看出相对的比例大小,为改善这种情况,有 fan.plot 扇形图来展现大小关系.在plotrix包中,fan.plot函数可以实现.

fan.plot(slices,labels = lbls,main = "Fan Plot")

 

上面的例子中,扇形张开角的大小就是相对比例关系,而半径大小无所谓.

6.3直方图

直方图通过将值域分为几组，Y值显示频数。用hist函数生成：

hist(x, breaks = "Sturges",
     freq = NULL, probability = !freq,
     include.lowest = TRUE, right = TRUE,
     density = NULL, angle = 45, col = NULL, border = NULL,
     main = paste("Histogram of" , xname),
     xlim = range(breaks), ylim = NULL,
     xlab = xname, ylab,
     axes = TRUE, plot = TRUE, labels = FALSE,
     nclass = NULL, warn.unused = TRUE, ...)
#这里的x是一个数值向量，矩阵也可以；breaks是设置组数；
#freq是一个逻辑值，表示是否归一化数据 其他参数用到再说

下面是一个例子：

par(mfrow=c(2,2))

hist(mtcars$mpg)
hist(mtcars$mpg,
     breaks = 12,
     col = "red",
     xlab = "Miles Per Gallon",
     main = "Colored histgram with 12 bins")
hist(mtcars$mpg,
freq = FALSE,           #FALSE是将数据归一化
breaks = 12,
col = "red",
xlab = "Miles Per Gallon",
main = "Histogram,rug plot,density")
rug(jitter(mtcars$mpg))
lines(density(mtcars$mpg),col = "blue",lwd = 2)

需要写几个函数：

lines(x, y = NULL, type = "l", ...)
#向图形中添加曲线，lines(x,cos(x)),不会另起一幅图形界面

rug函数：添加“地毯”

rug(x, ticksize = 0.03, side = 1, lwd = 0.5, col = par("fg"),
    quiet = getOption("warn") < 0, ...)

#应该就是第三幅图中横轴下面的短线。通常和jitter连用，这是为了避免线的重叠。

jitter函数：为数值向量添加一个扰动

jitter(x, factor = 1, amount = NULL)

#x是数值向量，factor是一个数值，与amount一起决定波动范围，amount是波动的范围设置。其实，这个函数相当于

r <- x + runif(n, -a, a)。

density函数： 

density(x, bw = "nrd0", adjust = 1,
        kernel = c("gaussian", "epanechnikov", "rectangular",
                   "triangular", "biweight",
                   "cosine", "optcosine"),
        weights = NULL, window = kernel, width,
        give.Rkern = FALSE,
        n = 512, from, to, cut = 3, na.rm = FALSE, ...)

是一个核密度函数,通常与画图函数一起用.下面写写核密度估计.

   核密度估计是非参数估计的一种，是用来估计一组数的规律用的，所谓非参数，就是不假定数据服从某种分布，而只是利用已知的数据进行分布估计。比如用一个点附近的几个点的均值作为此处的值。有一些核函数可以确定估计方式。最重要的是带宽的选取，有一个公式可以用来评价规律的好坏。

   上面的函数中，x是数据，bw是带宽，adjust是与带宽相关的值，共同决定带宽。

还要看一下box函数：

为已经画出的图形周边添加一个盒子，可以设置线型、颜色等。

6.4核密度图

用plot(density(x))来画核密度图。例子：

par(mfrow = c(2,1))
d <- density(mtcars$mpg)
plot(d)

d <- density(mtcars$mpg)
plot(d,main = "Kernel Density of Miles Per Gallon")
polygon(d,col = "red",border = "blue")
rug(mtcars$mpg,col = "brown")

#注意这里有个函数：polygon 这是一个画多边形的函数

polygon(x, y = NULL, density = NULL, angle = 45,
        border = NULL, col = NA, lty = par("lty"),
        ..., fillOddEven = FALSE)

#其中x、y是包含多边形顶点的向量，density是密度的设置，其他比较平凡。

d <- density(mtcars$mpg)
plot(d,main = "Kernel Density of Miles Per Gallon")
polygon(d,density = 10,col = "red",border = "blue")  #注意这里加上了线的密度，图形见下面斜线图。
rug(mtcars$mpg,col = "brown")

下面注意了，书上说和密度图可以比较组间差距，确实是这样，来看一下，感觉这个挺有用。利用sm包中的sm.density.compare函数进行操作。

sm.density.compare(x, group, h, model = "none",  ...)
#x是一个数值向量，group是分组因子向量，关于model，下面两个图是一个对比：

y <- rnorm(100)
g <- rep(1:2, rep(50,2))
sm.density.compare(y, g, model

="equal") #一个跟bootstrap相等假设检验相关的量，还会显示一个适当带子

sm.density.compare(y, g, model="none")  #画简单图

 

par(lwd = 2)
library(sm)

cyl.f <- factor(mtcars$cyl,levels = c(4,6,8),
                labels = c("4 cylinder","6 cylinder","8 cylinder"))

sm.density.compare(mtcars$mpg,mtcars$cyl,xlab = "Miles Per Gallon")
title(main = "MPG Distribution by Car Clyinders")
colfill <- c(2:(1+length(levels(cyl.f))))  #注意这里有一个levels函数，提取因子中的levels
legend(locator(1),levels(cyl.f),fill=colfill)  #这里的locator函数是用鼠标点击确定位置

箱线图是一项可视化分布和组间差异的手段，并且很常用。

6.5箱线图

箱线图绘制连续型变量的五个数 最小数、.25四分位数、中位数、.75分位数、最大值。还可以显示离群点 正负1.5*IQR 以外的值，其中IQR是四分位距（上下四分之一分位数之差）。boxplot函数：

boxplot(x, ..., range = 1.5, width = NULL, varwidth = FALSE,
        notch = FALSE, outline = TRUE, names, plot = TRUE,
        border = par("fg"), col = NULL, log = "",
        pars = list(boxwex = 0.8, staplewex = 0.5, outwex = 0.5),
        horizontal = FALSE, add = FALSE, at = NULL)

#参数比价直观，用的时候差

可以使用boxplot.stats(x)可以显示箱线图的各种统计量。

6.5.1使用并列箱线图进行跨足比较

boxplot函数：

boxplot(formula, data = NULL, ..., subset, na.action = NULL)
#这里的formula是公式，而data是列表或者数据框。
#示例函数 y~A 将为类别变量A的每个值并列的生成数值型变量y的箱线图。y~A*B 将为变量A和B所有水平的两两组合生成数值型变量y的箱线图。
#参数 varwidth = TRUE 是使箱线图的宽度与样本使大小的平方根 成正比。

例子：

boxplot(mpg~cyl,data = mtcars,
        notch = TRUE,
        varwidth = TRUE,
        col = "red",
        main = "Car Mileage Data",
        xlab = "Number of Cylinders",
        ylab = "Miles Per Gallon")

话说多图的目的在于更好地体现数据的信息，那么图形的各种属性是可以反应数据的特点的，比如 notch = TRUE在中位数的地方加一个凹槽，可以明显看出中位数的差别，而宽度varwidth = TRUE 表示宽度与样本量平方根成正比，可以看出样本量的大小关系。

下面又一个例子：

mtc <- mtcars
mtc$cyl.f <- factor(mtcars$cyl,levels = c(4,6,8),
                labels = c("4","6","8"))
mtc$am.f <- factor(mtcars$am,levels = c(0,1),
                   labels = c("auto","standard"))
boxplot(mpg~cyl.f*am.f,data = mtc,
        varwidth = TRUE,
        col = c("gold","darkgreen"),
        main = "Mpg Distribution by Auto Types",
        xlab = "Auto Types")

上面的图形中，可以看出cyl越小，并且为standard时，耗油最少。可以很好的反应y的影响因素。同时，由宽度大小，可以看出8.auto和4.standard数量最多。

6.5.2小提琴图

作为箱线图和核密度图的结合，小提琴图名字还是第一次听过。vioplot包中vioplot函数可以绘制此图。函数vioplot：

vioplot( x, ..., range=1.5, h, ylim, names, horizontal=FALSE, 
  col="magenta", border="black", lty=1, lwd=1, rectCol="black", 
  colMed="white", pchMed=19, at, add=FALSE, wex=1, 
  drawRect=TRUE)

例子：

library("vioplot")

x1 <- mtcars$mpg[mtcars$cyl == 4]
x2 <- mtcars$mpg[mtcars$cyl == 6]
x3 <- mtcars$mpg[mtcars$cyl == 8]
vioplot(x1,x2,x3,
        names = c("4","6","8"),
        col = "gold")
title("Violin Plot of Miles Per Gallon")
#值得注意的是，必须将每一个想画小提琴图的向量分别列出来，不能用数据框……

 

图中，中间的白点和黑线是中位数和分位数等箱线图元素，而周边曲线是核密度图。关于小提琴图，书上说，时间会证明一切。

6.6点图

dotchart函数：

dotchart(x, labels = NULL, groups = NULL, gdata = NULL,
         cex = par("cex"), pch = 21, gpch = 21, bg = par("bg"),
         color = par("fg"), gcolor = par("fg"), lcolor = "gray",
         xlim = range(x[is.finite(x)]),
         main = NULL, xlab = NULL, ylab = NULL, ...)
#这里x是一个数值向量或者矩阵，labels是每个值的标签组成的向量，groups是对向量x进行分组，
#gdata是分组数据的量，比如均值、中位数等   其他参数比较平凡

下面是例子：

dotchart(mtcars$mpg,labels = row.names(mtcars),cex = .7)

一般而言，点图经过排序，并且将分组分别涂色表示以后才更有用。

下面的例子：

mtc <- mtcars[order(mtcars$mpg),]  #mtcars一种排序
mtc$cyl <- factor(mtc$cyl)
mtc$color[mtc$cyl == 4] <- "red"
mtc$color[mtc$cyl == 6] <- "blue"
mtc$color[mtc$cyl == 8] <- "darkgreen"

dotchart(mtc$mpg,
         labels = row.names(mtc),
         cex = .7,
         groups = mtc$cyl,
         gcolor = "black",    #这个语句是设置labels的显示颜色，就是图中的4、6、8
         color = mtc$color,
         pch = 19,
         main = "Gas Mileage for Car Models
grouded by cylinder",
         xlab = "Miles Per Gallon")

从上图中可以看出，随着缸数的增加，每加仑英里数在减少~但是也有特殊点和离群点，特殊点是最上面的两个绿点，离群点是最下面两个绿点。

注意，Himsc中有dotchart2函数，提供更丰富的点图选项。

下一章用于描述分布和二元关系的定量统计方法和一类推断方法，需要看一遍统计了。