作者: herain R语言中文社区专栏作者
知乎ID: https://www.zhihu.com/people/herain-14
前言
从数据需求的角度选择恰当的图表,更好的以图的形式彰显数据的潜在性,规律性,价值性,数据的描述性分析包括用图表展示数据和用统计量描述数据等内容。避免使用图表上的误区, 区分扇形图与饼图(很多人都把饼图当作扇形图),不要用时间年份做横轴的条形图(真的很傻) ,本文将常有的图表根据恰当的用途归位五大类,同时 提供R绘图方法。
五大类
-
展示【类别频数】的图表:简单的条形图, 帕累托图,复式条形图和脊形图,马赛克图,饼图,扇形图,洛伦茨曲线
-
展示【数据分布】的图表:直方图,茎叶图,箱线图,小提琴图,点图,核密度图
-
展示【数据关系】的图表:散点图,矩阵散点图,气泡图
-
展示【数据相似性】的图表:轮廓图,雷达图,星图,脸谱图
-
时间之上【看趋势】的图表: 时间序列图
1.展示类别频数的图表
# 单变量频度表 > data1<-read.csv('/Users/MLS/desktop/rs/stt/example/ch2/22_1.csv') > summary(data1) 社区性别 态度 A社区:27 男:36 反对:31 B社区:17 女:44 赞成:49 C社区:21 D社区:15 > count1 <- table(data1$社区) > prop.table(count1)*100 #二联列表 > count1 <- table(data1$社区, data1$性别) > addmargins(count1) #多维列联表 > count1<-ftable(data1) > count1
1.1 简单的条形图
> par(mfrow=c(1,3), mai=c(0.7,0.7,0.6,0.1),cex=0.7,cex.main=0.8) > barplot(count1, xlab="频数", ylab="社区",horiz=TRUE, main = "(a) 水平条形图", col=2:5, family='SimSun') > barplot(count2, xlab="性别", ylab="频数",col=8:9, main = "(b) 垂直条形图", family='SimSun') > barplot(count3, xlab="态度", ylab="频数",col=2:3, main = "(c) 垂直条形图", family='SimSun')
1.2 帕累托图:
> par(mai=c(0.7,0.7,0.1,0.8),cex=0.7,cex.main=0.8) > barplot(x, xlab="社区", ylab="频数", col=2:5, family="SimSun") > y<-cumsum(x)/sum(x) > par(new=T) > plot(y, type="b", lwd=1.5, pch=15, axes=F, xlab=' ', ylab=' ', main=' ') > axis(4) > par(las=0) > mtext("累积频数", side=4, line=3) > mtext("累积频数", side=4, line=3, family='SimSun') > mtext("累积分布曲线", line=-2.5, cex=0.8, adj=0.75,family='SimSun')
1.3: 复式条形图和脊形图
par(mfcol=c(1,2), cex=0.6) barplot(mytable, xlab="社区", ylab="频数", ylim=c(0,16),col=c("red", "blue"),legent=rownames(mytable), args.legend=list(x=12), beside=TRUE, main=“(a)社区条形图”,family=‘SimSun’) barplot(mytable, xlab="社区", ylab="频数", ylim=c(0,30),col=c("green", "blue"),legend=rownames(mytable), args.legend=list(x=4.8), main=“(b)社区 堆叠条形图”,family='SimSun')
1.4:马赛克图
mosaicplot(~性别+社区+态度, data=data1, color=2:3, main="")
1.5: 饼图
data1<-read.csv('/Users/MLS/desktop/rs/stt/example/ch2/22_1.csv') > count1<-table(data1$社区) > count1 A社区 B社区 C社区 D社区 27172115 > name<-names(count1) > name [1] "A社区" "B社区" "C社区" "D社区" > precent<-prop.table(count1)*100 > label<-paste(name, " ", precent, "%", sep="") > par(pin=c(3,3),mai=c(0.1,0.4,0.1,0.4), cex=0.8) > pie(count1,labels=label,init.angle=90) > pie(count1,labels=label,init.angle=90,family="SimSun") pie3D(count1,labels=label,explode=0.1,labelcex=0.7,family="SimSun")
1.6: 扇形图
fan.plot(count1, labels=label, ticks=200, col=c(4:9))
1.7: 洛伦茨曲线
example2_10<-read.csv('/Users/MLS/desktop/rs/stt/example/ch2/22_10.csv') library(DescTools) plot(Lc(example2_10$组中值, example2_10$人数), xlab="人数比例", ylab="收入比例",col=4,panel.first=grid(10,10,col="gray70"))
2.展示数据分布的图表
2.1 : 直方图
example2_2 <-read.csv('/Users/MLS/desktop/rs/stt/example/ch2/22_2.csv') > par(mfcol=c(2,2), cex=0.7, family='SimSun') > hist(example2_2$销售额,xlab="销售额", ylab="频数", main="(a)普通") > hist(example2_2$销售额,freq=FALSE, breaks=20, xlab="销售额", ylab="频率", main="(c)增加轴线须线和密度线") > curve(dnorm(x,mean(example2_2$销售额), sd(example2_2$销售额)), add=T, col="red") >rug(example2_2$销售额)
2.2: 茎叶图
> stem(example2_2$销售额) The decimal point is 1 digit(s) to the right of the | 16 | 17 17 | 1222 18 | 1136788 19 | 11234566667889999 20 | 000012333334455566677778899 21 | 00224556666777788889 22 | 0222344445556689 23 | 0334455678889 24 | 0133368 25 | 2234 26 | 15 27 | 2
2.3: 箱线图
boxplot(example2_2$销售额, col="lightblue", cex.axis=0.5)
> example2_3 <-read.csv('/Users/MLS/desktop/rs/stt/example/ch2/22_3.csv') > par(mfcol=c(1,1), cex=0.7, family='SimSun') > boxplot(example2_3, col="lightblue",xlab="运动员", ylab="射击环数", cex.lab=0.8, cex.axis=0.6, family="SumSin")
2.4: 小提琴
library(vioplot) par(cex=0.5) x1<-example2_3$亚历山大.彼得里夫利 x2<-example2_3$拉尔夫.许曼 x3<-example2_3$克里斯蒂安.赖茨 x4<-example2_3$列昂尼德.叶基莫夫 x5<-example2_3$基思.桑德森 x6<-example2_3$罗曼.邦达鲁克 vioplot(x1,x2,x3,x4,x5,x6, col="lightblue", names=c('亚历山大.彼得里夫利','拉尔夫.许曼', '克里斯蒂安.赖茨','列昂尼德.叶基莫夫','基思.桑德森','罗曼.邦达鲁克'))
2.5: 点图
> example2_3_1 <- read.csv('/Users/MLS/desktop/rs/stt/example/ch2/231.csv' > par(mfcol=c(1,1), cex=0.7, family='SimSun') > dotchart(example2_3_1$射击环数, groups=example2_3_1$运动员, xlab="射击环数", pch=20)
> par(mfcol=c(1,1), cex=0.7, family='SimSun') > dotplot(射击环数~运动员, data=example2_3_1, col="black", pch=9, family='SimSun')
2.6: 核密度图
> par(cex=0.7, family='SimSun') > densityplot(~射击环数|运动员, data=example2_3_1,col="blue",cex=0.5, family='SimSun')
3.展示数据关系的图表
3.1: 散点图
> x<-seq(0,25,length=100) > y<-4+0.5*x+rnorm(100,0,2) > d<-data.frame(x,y) > plot(d) > polygon(d[chull(d),], col='pink', lty=3,lwd=2) > points(d) > abline(lm(y~x),lwd=2,col=4) > abline(v=mean(x),h=mean(y),lty=2,col="gray70")
3.2: 矩阵散点图
example2_4<-read.csv('/Users/MLS/desktop/rs/stt/example/ch2/22_4.csv') > par(cex=0.7, family='SimSun') > plot(example2_4, cex=0.6, gap=0.5, family="SimSun")
3.3: 气泡图
> attach(example2_4) > r<-sqrt(销售收入/pi) > symbols(广告费用,销售网点数,circle=r, inches=0.3, fg="white", bg="lightblue",ylab="销售网点数", xlab=" 广告费用") > text(广告费用,销售网点数, rownames(example2_4),cex=0.4)
4.展示数据相似性的图表
4.1: 轮廓图
> example2_5<-read.csv('/Users/MLS/desktop/rs/stt/example/ch2/22_5.csv') > par(mai=c(0.7,0.7,0.1,0.1),cex=0.8, family="SimSun") > matplot(t(example2_5[2:9]),type='b',lty=1:7,col=1:7,xlab="消费项目",ylab="支出金额",pch=1,xaxt='n') > axis(side=1, at=1:8, labels=c("食品","衣着","居住","家电设备用品及服务","医疗保健", "交通和通信", "教育文化娱乐服务","其他商品和服务"),cex.axis=0.6) "高收入户", "最高收入户")) > legend(x="topright", legend=c("最低收入户", "低收入户","中等偏下户", "中等收入户", "中等偏上户", "高收入户", "最高收入户"), lty=1:7, col=1:7, text.width=1, cex=0.7)
4.2: 雷达图
> library(fmsb) > radarchart(example2_5[,2:9], axistype=0, seg=4, maxmin=F, vlabels=names(example2_5[,2:9]), pcol=1:7, plwd=1.5) > legend(x="topright", legend=c("最低收入户", "低收入户","中等偏下户", "中等收入户", "中等偏上户", "高收入户", "最高收入户"), lty=1:7, col=1:7, text.width=1, cex=0.7)
4.3: 星图
> mat25 <- as.matrix(example2_5[,2:9]) > rownames(mat25)<-example2_5[,1] > par(cex=0.7, family='SimSun') > stars(mat25, key.loc=c(7,2,5),cex=0.8)
5.展示数据随时间变化的图表
example2_9<-read.csv('/Users/MLS/desktop/rs/stt/example/ch2/22_9.csv') > par(mai=c(0.7,0.7,0.1,0.1), cex=0.8, family="SimSun") > plot(example2_9[,2], lwd=1.5, ylim=c(2000,30000), xlab="年份", ylab="居民消费水平",type="n") > grid(col="gray60") > points(example2_9[,2], type="o", lwd=1.5, xlab="年份", ylab="居民消费水平") > lines(example2_9[,3], type="b", lty=2, lwd=1.5, xlab="年份", col="blue") > legend(x="topleft",legend=c("农村居民消费水平","城镇居民消费水平"), lty=1:2, col=c(1,4), cex=0.8)
往期精彩:
公众号后台回复关键字即可学习
回复 爬虫 爬虫三大案例实战
Python
1小时破冰入门
回复 数据挖掘 R语言入门及数据挖掘
回复 人工智能 三个月入门人工智能
回复 数据分析师 数据分析师成长之路
回复 机器学习 机器学习的商业应用
回复 数据科学 数据科学实战
常用算法
常用数据挖掘算法
本文由R语言中文社区 创作,采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。
转载、引用前需联系作者,并署名作者且注明文章出处。
本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台,并不用于任何商业目的,如果有任何问题,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。
以上所述就是小编给大家介绍的《一图胜千言:用好图表,好好说话》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
UML和模式应用
拉曼 / 李洋、郑䶮 / 机械工业出版社 / 2006-5 / 66.00元
《UML和模式应用(原书第3版)》英文版面世以来,广受业界专家和读者的好评,历经3个版本的锤炼,吸收了大量OOA,D的精华思想和现代实践方法。全书叙述清晰、用词精炼、构思巧妙,将面向对象分析设计的概念、过程、方法、原则和个人的实践建议娓娓道来,以实例为证,将软件的分析和设计的过程叙述得如逻辑推理一般,于细节处见真知。 《UML和模式应用(原书第3版)》是一本经典的面向对象分析设计技术的入门书......一起来看看 《UML和模式应用》 这本书的介绍吧!