本文对应《R语言实战》第11章：中级绘图；第16章：高级图形进阶

散点图：

主要内容：把多个散点图组合起来形成一个散点图矩阵，以便可以同时浏览多个二元变量关系；数据点重叠的解决途径；通过添加第三个连续型变量，扩展到三维。

散点图矩阵：

pairs()函数

pairs(~ mpg + disp + drat + wt, data = mtcars, main = “basic scatter plot matrix”)

car包中的scatterplotMatrix()函数：

library(car)
scatterplotMatrix( ~ mpg + disp + drat + wt, data = mtcars, spread = FALSE, lty.smooth = 2)

默认添加线性和平滑曲线，主对角线处添加核密度曲线和轴须图；spread选项设定是否添加展示分散度和对称信息的直线；lty.smooth设定拟合曲线使用的线形状。

另一个示例：

library(car)
scatterplotMatrix( ~ mpg + disp + drat + wt | cyl, data = mtcars, spread = FALSE, diagonal = “histogram”)

gclus包中的cpairs()函数提供了一个散点图矩阵变种，可以重排矩阵中变量位置，让相关度更高的变量更靠近主对角线，并对各单元格进行颜色编码来展示变量间的相关性大小。这里将主对角线的核密度曲线改成了直方图，并且直方图是以cyl为条件绘制的。

library(gclus)
mydata <- mtcars[c(1, 3, 5, 6)]
mydata.corr <- abs(cor(mydata))
mycolors <- dmat.color(mydata.corr)
myorder <- order.single(mydata.corr)
cpairs(mydata, myorder, panel.colors = mycolors, gap = .5)

高密度散点图：数据点重叠的解决途径之一 

smoothScatter()函数可利用核密度估计生成用颜色密度来表示点分布的散点图：

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：

library(hexbin)
with(mydata, {
    bin <- hexbin(x, y, xbins = 50)
    plot(bin, main = “Hexagonal Bining with 10,000 Observations”)
})

IDPmisc包中的iplot()函数可以通过颜色来展示点的密度（在某特定点上数据点的数目）

library(IDPmisc)
with(mydata, iplot(x, y, main = “Image Scatter Plot with Color Indicating Density”))

三维散点图： 

scatterplot3d包中的scatterplot3d()函数：

library(scatterplot3d)
attach(mtcars)
scatterplot3d(wt, disp, mpg, main = “Basic 3D Scatter Plot”)

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。Rcmdr包中有类似的函数scatter3d()。

气泡图：

先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。注意默认为半径，如需使用面积需要进行变换。

symbols(x, y, circle = radius)
#使用面积表示第三个值
symbols(x, y, circle = sqrt(z/pi))

折线图：

可用plot(x, y, type = )或者lines(x, y, type = )函数来创建

相关图：

将相关系数矩阵进行可视化。corrgram包中的corrgram()函数：

library(corrgram)
corrgram(mtcars, order = TRUE, lower.panel = panel.shade, upper.panel = panel.pie, text.panel = panel.txt)

上三角的单元格用饼图展示了相同的信息，同样的，蓝色表示正相关，红色表示负相关；相关性大小由被填充的饼图块的大小来展示；正相关性将从12点钟处开始顺时针填充饼图，负相关性则逆时针方向填充饼图。图形意义：默认情况下，下三角单元格中，蓝色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；红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，变量相关性越大。

order = TRUE时相关矩阵将使用主成分分析法对变量重排序，可以使二元变量的关系模式更为明显。panel可以设定面板使用的元素类型：lower.panel和upper.panel设置主对角线下和上的元素类型；text.panel和diag.panel控制主对角线元素类型，详细值如下表：

马赛克图：

用于展示类别型变量间的关系。马赛克图中，嵌套矩形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。常用vcd包中的mosaic()函数实现（比基础安装中的mosaicplot()函数有更多的扩展功能）。

图形中隐藏大量信息，可以关注各个矩形的相对宽度和高度来解释。颜色和阴影提供了拟合模型的残差值：蓝色代表在假定类别与条件无关的情况下，该类别的数量高于预期值，红色则相反。

=========================================================================

R中有四种图形系统：基础图形系统、grid图形系统、lattice包、ggplot2包。

lattice包：

通常格式：graph_function(formula, data = , options)

graph_function为函数名，formula指定要展示的变量和条件变量；data指定数据框；options是逗号分隔参数，修改格式等。

一般的，下表中小写字符代表数值型变量，大写字符代表类别型变量。

options:

高级绘图中表达式的通常格式：

y ~ x | A * B

竖线左边的变量称为主要变量，右边称为条件变量。主要变量即为图形的两个坐标轴，其中y在纵轴上，x在横轴上。变形：单变量绘图，用 ~ x 即可；三维绘图，用z ~ x*y；多变量绘图，使用数据框代替y ~ x即可。

条件变量的用法：~ x | A表示因子A各个水平下数值型变量x的分布情况；y ~ x | A * B表示因子A和B各个水平组合下数值型变量x和y之间的关系。A ~ x表示A在纵轴上展示，x在横轴上展示。

条件变量为连续型变量时，要先将其转换成离散型变量。一种方法是使用cut()函数，另外可以使用lattice包中的函数将连续型变量转化为瓦块（shingle）数据结构，这样，连续型变量可以被分割为一系列（可能）重叠的数值范围。

myshingle <- equal.count(x, number = #, overlap = proportion)
#连续型变量x将会被分割为#个区间，重叠度为proportion，每个区间内观测数相等

这样就可以使用这个变量作为条件变量了

分组变量：将每个条件变量产生的图形叠加到一起，在同一幅图中展示，只需要将条件变量放到绘图函数中的group声明中即可。

面板函数：自定义面板的各个选项，然后在绘制图形的函数中调用即可。

图形参数：查看默认的图形参数使用trellis.par.get()函数；修改这些参数使用trellis.par.set()函数；show.settings()函数可以展示当前的图形参数设置情况。

页面摆放：lattice无法使用par()函数，因此需要将图形存储到对象中，然后利用plot()函数中的split = 或position = 选项来进行控制。

#split方法
library(lattice)
graph1 <- histogram(…)
graph2 <- densityplot(…)
plot(graph1, split = c(1,1,1,2))
plot(graph2, split = c(1,2,1,2), newpage = FALSE)

#position方法
library(lattice)
graph1 <- histogram(…)
graph2 <- densityplot(…)
plot(graph1, position = c(0, .3, 1, 1))
plot(graph2, position = c(0, 0, 1, .3), newpage = FALSE)

split的方法，将第一幅图放置到第二幅图的上面：第一个plot()函数把页面分割为一列两行的矩阵，并将图形放置到第一列第一行中；第二个plot()函数将图形放置到第一列第二行中，由于plot()函数默认启动新的页面，因此使用newpage = FALSE选项。position方法，设定坐标，原点位于页面左下角，x轴和y轴维度范围为（0, 1），position = (xmin, ymin, xmax, ymax)。 

ggplot2包：

只介绍一种较为简单的绘图方式：qplot()函数

qplot(x, y, data = , color = , shape = , size = , alpha = , geom = , method = , fomula = , facets = , xlim = , ylim = , xlab = , ylab = , main = , sub = )

交互式图形：

主要介绍的软件包：playwith, latticist, iplots, rggobi

基础安装中的交互：鉴别点函数：identify()函数

plot(mtcars$wt, mtcars$mpg)
identify(mtcars$wt, mtcars$mpg, labels = row.names(mtcars))

许多包中的图形函数都可以应用该方法进行标注，但是lattice或ggplot2图形无法使用该方法。 

playwith包：

playwith()包允许用户识别和标注点、查看一个观测所有的变量值、缩放和旋转图形、添加标注（文本、箭头、线条、矩形、标题和标签）、修改视觉元素（颜色、文本大小等）、应用先前存储的图形风格，以及以多种格式输出图形结果。

playwith()既对R基础图形有效，也对lattice和ggplot2图形有效，但是并不是所有都可以用。

latticist包：

www.deducer.org

可以与playwith整合到一起：

library(latticist)
mtcars$cyl <- factor(mtcars$cyl)
mtcars$gear <- factor(mtcars$gear)
latticist(mtcars, use.playwith = TRUE)

 作用是可以通过栅栏图方式探索数据集。

iplots包：

http://rosuda.org/iplots/

playwith包和latticist包只能与单幅图形交互，而iplots包提供的交互方式则有所不同。该包提供了交互式马赛克图、柱状图、箱线图、平行坐标图、散点图和直方图，以及颜色刷，并可将他们结合在一起绘制。也就是说可通过鼠标对观测点进行选择和识别，并且对其中一幅图形的观测点突出显示时，其他被打开的图形将会自动突出显示相同的观测点。

roggobi包：

开源软件GGobi(www.ggobi.org)

用法：首先要下载该软件，然后在R中安装rggobi包，即可利用R中运行GGobi