ggplot2图集汇总（一）

作者： 路遥马亡  R语言中文社区专栏作者

知乎ID： https://zhuanlan.zhihu.com/c_135409797

前言

上次推文 小白R语言数据可视化进阶练习一 汇总了一部分的图集，这次推文接上一篇再次汇总，此图集汇总将不断更新！

08

相关图

相关图，通常分析多个因素之间的相关性时都会计算相关性系数，通过作图的方式，让相关性可视化，更利于数据分析。

 1library(GGally)  2  3# Create data   4sample_data <- data.frame( v1 = 1:100 + rnorm(100,sd=20), v2 = 1:100 + rnorm(100,sd=27), v3 = rep(1, 100) + rnorm(100, sd = 1))   5sample_data$v4 = sample_data$v1 ** 2   6sample_data$v5 = -(sample_data$v1 ** 2)   7  8# Check correlation between variables  9cor(sample_data) #计算相关性系数 10 11# Check correlations (as scatterplots), distribution and print corrleation coefficient  12ggpairs(sample_data)   #上三角表示各个因素之间的相关性系数，对角线就是各个因素的密度图， 13#下三角就是任意两个元素绘成的散点图 14 15# Nice visualization of correlations 16ggcorr(sample_data, method = c("everything", "pearson"),label = T)  

 1# Libraries  2library(ellipse)  3library(RColorBrewer)  4  5# Use of the mtcars data proposed by R  6data=cor(mtcars)  7  8# Build a Pannel of 100 colors with Rcolor Brewer  9my_colors <- brewer.pal(5, "Spectral")  #需要5个“spectral”色系的颜色 10my_colors=colorRampPalette(my_colors)(100)#将数值映射到不同的颜色上，这时就需要一系列的颜色梯度， 11#100代表100种颜色，根据之前的五种基本色，调处100种新的颜色。 12 13# Order the correlation matrix 14ord <- order(data[1, ]) 15data_ord = data[ord, ord]#根据第一个因素与其他因素的相关系数大小调整原矩阵 16plotcorr(data_ord , col=my_colors[data_ord*50+50], mar=c(0,0,0,0 )   )#mar()用于调整图形整体大小 17 18#这个图挺有意思的，椭圆越瘪，相关性越强 

下面讲一点图外话，如何利用R绘画表格并把它放入图中（主要是学了大半天，发现这个和相关图并没有什么关系，但是还是放进来了，不喜欢的直接跳过）

 1library(ggplot2)  2library(gridExtra)  3  4#Create data : we take a subset of the mtcars dataset provided by R:  5mydata <- data.frame(a=1:50, b=rnorm(50))  6mytable <- cbind(sites=c("site 1","site 2","site 3","site 4"),mydata[10:13,])  7  8# --- Graph 1 : If you want ONLY the table in your image :  9# First I create an empty graph with absolutely nothing : 10qplot(1:10, 1:10, geom = "blank") + theme_bw() + theme(line = element_blank(), text = element_blank()) + 11  # Then I add my table : 12  annotation_custom(grob = tableGrob(mytable)) 13#法二 14library(grid) 15d<-head(iris,3) 16g<-tableGrob(d) 17grid.newpage() 18grid.draw(g) 19 20 21# --- Graph 2 : If you want a graph AND a table on it : 22my_plot <- ggplot(mydata,aes(x=a,y=b)) + geom_point(colour="blue") +   geom_point(data=mydata[10:13, ], aes(x=a, y=b), colour="red", size=5) +  23  annotation_custom(tableGrob(mytable), xmin=35, xmax=50, ymin=-3, ymax=-1.5) 24my_plot 

09

气泡图

气泡图可将三维变量反映在二维平面上，第三位用点的大小表示。有个不足就是如果数据过多，很多气泡会出现重叠，难以达到预期的效果。

 1library(ggplot2)  2library(tidyverse)  3library(dplyr)  4  5# Let's use the diamonds data set (available in base R)  6data = diamonds %>% sample_n(200)  7  8# A basic scatterplot = relationship between 2 values:  9ggplot(data, aes(x=carat, y=price)) + 10  geom_point() 11 12# Now we see there is a link between caract and price 13# But what if we want to know about depth in the same time? 14ggplot(data, aes(x=carat, y=price, size=depth)) + 15  geom_point(alpha=0.2) 

即使是气泡图，各个数据间的大小比较并不是很明显，所以需要时使用scale_size_continuous（）函数。

1ggplot(data, aes(x=carat, y=price, size=depth)) + 2  geom_point(alpha=0.2) + 3  scale_size_continuous(range = c(0.5, 15))#控制最大气泡和最小气泡，调节气泡相对大小 

1# Note that you can add a transformation to your size variable. 2# For example if you want to highlight very high variables, you can use a exponential transformation. 3# Available: "asn", "atanh", "boxcox", "exp", "identity", "log", "log10", "log1p", "log2", "logit", "probability", "probit", "reciprocal", "reverse" and "sqrt" 4ggplot(data, aes(x=carat, y=price, size=depth)) + 5  geom_point(alpha=0.2) + 6  scale_size_continuous( trans="exp", range=c(1, 25))#转化为指数，这样可以把大小差距拉开 

也可以通过颜色的深浅导入第四个变量，但似乎效果不是很好

1ggplot(data, aes(x=carat, y=price, size=depth,color=carat)) + 2  geom_point(alpha=0.4) + 3  scale_size_continuous( trans="exp", range=c(1, 25))  

10

折线图

这里主要介绍用于时间序列的折线图。

 1# library  2library(tidyverse)  3library(dplyr)  4library(ggplot2)  5  6# Build a Time serie data set for last year  7day=as.Date("2017-06-14") - 0:364 #构造出一年的日期数据  8value=runif(365) + seq(-140, 224)^2 / 10000#seq()生成一系列连续的数  9data=data.frame(day, value) 10 11# 计算月均销量 12don=data %>% mutate(month = as.Date(cut(day, breaks = "month"))) %>%  #group by month 13  group_by(month) %>%  14  summarise(average = mean(value)) #与group by 联用,新生成一列放入原数据框 15 16# And make the plot 17ggplot(don, aes(x=month, y=average)) + 18  geom_line() +  19  geom_point() + 20  scale_x_date(date_labels = "%b-%Y", date_breaks="1 month")#横坐标间断点为每个月，输出格式为月—年

 1# 计算周平均销量  2don=data %>% mutate(week = as.Date(cut(day, breaks = "week"))) %>%  3  group_by(week) %>%   4  summarise(average = mean(value))   5  6# And make the plot  7ggplot(don, aes(x=week, y=average)) +  8  geom_line() +   9  geom_point() + 10  geom_area(fill=alpha('red',0.2)) +#填充线下区域 11  scale_x_date(date_labels = "%W-%b", date_breaks="1 week") + # 横坐标间断点为每周，输出格式为周—月 12  theme(axis.text.x=element_text(angle=60, hjust=1))   #调整x坐标轴属性 

在一张图中绘制多条折线图

 1library(plotly)  2  3# Create data  4my_y=rnorm(10)*3  5my_x=seq(0,9)  6  7# Let's do a first plot  8p<-plot_ly(y=my_y, x=my_x , type="scatter", mode="markers+lines")  9 10# Add 5 trace to this graphic with a loop! 11for(i in 1:3){ 12  my_y=rnorm(10) 13  p<-add_trace(p, y=my_y, x=my_x , type="scatter", mode="markers+lines" ) 14} 

11

二维密度图

二维密度图与散点图相似，但是当点过多，重叠程度较大，就需要用二维密度图反映其密集程度。

利用geom_bin2d()可以绘出二维密图，其中bins表示生成方块的长度，每个方块包含的点的数目利用颜色深浅反映

 1library(tidyverse)  2  3# Data  4a <- data.frame( x=rnorm(20000, 10, 1.9), y=rnorm(20000, 10, 1.2) )  5b <- data.frame( x=rnorm(20000, 14.5, 1.9), y=rnorm(20000, 14.5, 1.9) )  6c <- data.frame( x=rnorm(20000, 9.5, 1.9), y=rnorm(20000, 15.5, 1.9) )  7data <- rbind(a,b,c)  8ggplot(data, aes(x=x, y=y) ) +  9  geom_bin2d() + 10  theme_bw() 11 

1# Number of bins in each direction? 2ggplot(data, aes(x=x, y=y) ) + 3  geom_bin2d(bins = 70) + 4  theme_bw() 

生成区域也不一定是方块，可以利用函数geom_hex()生成六边形。

1# Number of bins in each direction? 2ggplot(data, aes(x=x, y=y)) + 3  geom_hex(bins = 70) + 4  scale_fill_gradient(low="red", high="green") #调整颜色

展现数据分布轮廓，并填充和高亮

1ggplot(data, aes(x=x, y=y) ) + 2 stat_density_2d(aes(fill = ..level..), geom = "polygon", colour="white") 

也可以利用scale_fill_gradient()函数改变颜色

12

条形图

条形图的画法，在此要特别区分与直方图，直方图与密度图类似，反映的是大量数据的分布情况，而条形图所表达是频数分布图。

1ggplot(mtcars, aes(x=as.factor(cyl), fill=as.factor(cyl) )) + geom_bar( ) + 2  scale_fill_hue(c = 80)     #scale_fill_hue()用于调节色彩深浅 

关于颜色的选择也可以使用RColorRrewer包，我之前的文章也提到过如何使用这个包

1ggplot(mtcars, aes(x=as.factor(cyl), fill=as.factor(cyl) )) + geom_bar( ) + 2  scale_fill_brewer(palette = "Set2") 

也可以选择灰白黑色系

1# 4: Using greyscale: 2ggplot(mtcars, aes(x=as.factor(cyl), fill=as.factor(cyl) )) + geom_bar( ) + 3  scale_fill_grey(start = 0.25, end = 0.75) 

最后，也可以利用scale_fill _ manual()自定义颜色。

1# 5: Set manualy 2ggplot(mtcars, aes(x=as.factor(cyl), fill=as.factor(cyl) )) +  geom_bar( ) + 3  scale_fill_manual(values = c("red", "green", "blue") ) 

geom_bar()函数自动包含了统计频数这个环节，如果在已经知道各因素的频数的情况下，可以利用identity这个参数，直接画出条形图。

1# Create data 2data=data.frame(name=c("A","B","C","D","E") ,  value=c(3,12,5,18,45)) 3# Barplot 4ggplot(data, aes(x=name, y=value)) + geom_bar(stat = "identity") 5#identity表示对数据不进行处理 

当然如果比较喜欢水平方向的条形图，也可以利用coord_flip()调整方向。

1ggplot(mtcars, aes(x=as.factor(cyl), fill=as.factor(cyl) )) + 2  geom_bar() +  3  coord_flip()

13

雷达图

雷达图，也称为蜘蛛网图（大概是形状的原因）。

雷达图可同时反映一个个体的多方面数值因素，可在一个图中表示多个个体，利于比较。

 1radarchart( data  , axistype=1 ,   2  3            #定义绘制图形的格式  4            pcol=rgb(0.2,0.5,0.5,0.9) , pfcol=rgb(0.2,0.5,0.5,0.5) , plwd=4 ,  5  6            #自定义网格格式  7            cglcol="black", cglty=4 ,axislabcol="grey", caxislabels=seq(0,20,5), cglwd=0.7,  8  9            #自定义标签的字体粗细大小 10            vlcex=0.8 ) 

前文提到也可以在一张图中放入多个个体。

 1library(fmsb)   2  3set.seed(99)  4data=as.data.frame(matrix( sample( 0:20 , 15 , replace=F) , ncol=5))  5colnames(data)=c("math" , "english" , "biology" , "music" , "R-coding" )  6rownames(data)=paste("mister" , letters[1:3] , sep="-")  7  8# 用于生成雷达图的最大最小值  9data=rbind(rep(20,5) , rep(0,5) , data) 10 11colors_border=c( rgb(0.2,0.5,0.5,0.9), rgb(0.8,0.2,0.5,0.9) , rgb(0.7,0.5,0.1,0.9) ) 12colors_in=c( rgb(0.2,0.5,0.5,0.4), rgb(0.8,0.2,0.5,0.4) , rgb(0.7,0.5,0.1,0.4) ) 13 14radarchart( data  , axistype=1 ,  15   pcol=colors_border , pfcol=colors_in , plwd=4 , plty=1, 16 17   cglcol="grey", cglty=1, axislabcol="grey", caxislabels=seq(0,20,5), cglwd=0.8, 18 19   vlcex=0.8  20   ) 21legend(x=0.7, y=1, legend = rownames(data[-c(1,2),]), bty = "n", pch=20 , col=colors_in , text.col = "grey", cex=1.2, pt.cex=3) 

这里 特别提到 ，radarchart()函数中，有个参数maxmin默认值是T，意味着，雷达图最大值为第一行，最小值为第二行，如果选为F，雷达图就会就会自动判每个因素的最大值和最小值，此时雷达图呈现得并不对称（在同一个线上的值并不相等）

14

棒棒糖图

棒棒糖图是散点图和直方图的结合，可以输入两个数值型变量，或者一个分类变量和一个数值型变量。

1library(tidyverse)  2 3data=data.frame(x=seq(1,30), y=abs(rnorm(30))) 4 5ggplot(data, aes(x=x, y=y)) + 6  geom_point(color='red',size=5) +  7  geom_segment( aes(x=x, xend=1:30, y=0,yend=y)) 

1data=data.frame(x=LETTERS[1:26], y=abs(rnorm(26))) 2 3ggplot(data, aes(x=x, y=y)) + 4  geom_point() +  5  geom_segment( aes(x=x, xend=x, y=0, yend=y)) 

也可以利用各种参数修改散点颜色、形状、透明度。

1ggplot(data, aes(x=x, y=y)) + 2  geom_segment( aes(x=x, xend=x, y=0, yend=y)) + 3  geom_point( size=5, color="red", fill=alpha("orange", 0.3), alpha=0.7, shape=21, stroke=2)  

也可以修改根的形状、颜色、粗细，利用Linetype参数修改成了点状图

1ggplot(data, aes(x=x, y=y)) + 2 geom_segment( aes(x=x, xend=x, y=0, yend=y) , size=1, color="blue", linetype="dotted" ) + 3 geom_point() 

加上 coord_flip()，就可以让棒棒糖图旋转90°。更利于观察数据。

更多时候，我们希望看到的是 排序 后的棒棒糖图，能让我们一眼看出最大值最小值。

 1data %>%  2 arrange(y) %>%  3 mutate(x=factor(x,x)) %>%    #这一步重要，重新定义因子变量，决定了绘图顺序  4 ggplot( aes(x=x, y=y)) +  5 geom_segment( aes(x=x, xend=x, y=0, yend=y), color="skyblue", size=1) +  6 geom_point( color="blue", size=4, alpha=0.6) +  7 theme_light() +  8 coord_flip() +  9 theme( 10 panel.grid.major.y = element_blank(), 11 panel.border = element_blank(), 12 axis.ticks.y = element_blank() 13 ) + 14 xlab("") + 15 ylab("Value of Y") 

最后，我们也可以自行定义基准线，特别是我们比较关心当前数据的均值或者中值的时候，我们更能进行比较。

15

树图

树图，通过将数值型变量转换为矩形面积大小，分类型变量用标签进行区分

1library(treemapify) 2energy<-data.frame(value<-c(1240.11,23.90,1393.30,805.33,265.83,17.42, 3                            36.75,226.87,40.50,22.07),kind<-c('coal','oil','gas','nuclear','hydro','geo','solar','wind','wood','bio other')) 4energy$kind<-as.factor(energy$kind) 5ggplot(data=energy,aes(area=value,fill=kind,label=kind))+geom_treemap()+geom_treemap_text(fontface='italic',place='centre')+theme_economist() 

这里用了geom_treemap()函数，并且用到了theme_economist()改了主题，当然还有其他主题可以选择。

也可以使用treemap()包中的treemap()函数。

 1#先掌握最基本的树图画法  2library(treemap)  3  4group=c(rep("group-1",4),rep("group-2",2),rep("group-3",3))  5subgroup=paste("subgroup" , c(1,2,3,4,1,2,1,2,3), sep="-")  6value=c(13,5,22,12,11,7,3,1,23)  7data=data.frame(group,subgroup,value)  8  9# treemap 10treemap(data, 11        index=c("group","subgroup"),   #分组依据，注意分成了两组 12        vSize="value"  #大小根据数值型变量分配 13        type="index"  #根据分类划分不同的颜色 14) 

 1library(treemap)  2  3  4group=c(rep("group-1",4),rep("group-2",2),rep("group-3",3))  5subgroup=paste("subgroup" , c(1,2,3,4,1,2,1,2,3), sep="-")  6value=c(13,5,22,12,11,7,3,1,23)  7data=data.frame(group,subgroup,value)  8  9# 自定义标签 10treemap(data, index=c("group","subgroup"),     vSize="value", type="index", 11 12    fontsize.labels=c(15,12),                # 标签大小 13    fontface.labels=c(2,1),                  # 标签类型: 1,2,3,4 for normal, bold, italic, bold-italic... 14    bg.labels=c("transparent"),              # 标签背景设置为透明 15    align.labels=list( 16        c("center", "center"),  17        c("right", "bottom") 18        ),                                   # 标签放置位置 19    overlap.labels=0.5,                     #如果前一个标签覆盖了后一个标签的50%以上，则不显示前一个标签 20    inflate.labels=F,                        # 标签大小是否随着举行面积增大而增大 21 22)

1#也可以自定义矩形边界 2 3treemap(data, index=c("group","subgroup"), vSize="value", type="index", 4 5   border.col=c("black","white"),      6   border.lwds=c(7,2)              7   ) 

1#自定义颜色和标题 2treemap(data, index=c("group","subgroup"), vSize="value",  3   type="index",               4   palette = "Set1",             # Select your color palette from the RColorBrewer presets or make your own. 5  title="My Treemap",             6  fontsize.title=12,            # 标题大小 7)  

16

叠图条形图

叠图条形图是 在条形图的基础上，在每个变量的基础上在分为多个自变量

 1# library  2library(ggplot2)  3library(ggthemes)  4  5# create a dataset  6specie=c(rep("sorgho" , 3) , rep("poacee" , 3) , rep("banana" , 3) , rep("triticum" , 3) )  7condition=rep(c("normal" , "stress" , "Nitrogen") , 4)  8value=abs(rnorm(12 , 0 , 15))  9data=data.frame(specie,condition,value) 10 11# 并排 12ggplot(data, aes(fill=condition, y=value, x=specie)) +  13  geom_bar(position="dodge", stat="identity")##position = fill 堆叠元素，并标准化为1；dodge避免重叠；identity不做任何调整； 14#jitter给点添加扰动避免重合；stack将图形元素堆叠起来。 15#stat=identity表示表示x,y原值，不是计数

1# 重叠 2ggplot(data, aes(fill=condition, y=value, x=specie)) +  3  geom_bar( stat="identity")#只进行绝对量比较 

1#归一化 2ggplot(data, aes(fill=condition, y=value, x=specie)) +  3  geom_bar( stat="identity", position="fill")+#归一化，绝对量不相等，相对量相等 4  theme_economist() 

1#自定义颜色 2ggplot(data, aes(fill=condition, y=value, x=specie)) +  3  geom_bar( stat="identity", position="fill") +     4  #scale_fill_brewer(palette = "Set1") 5  scale_fill_manual(values=c('red','green','blue')) 

防止分组太多，影响了图的可读性，可以利用facet先进行分组，再在小组里面一句不同的颜色区分比较

1ggplot(data, aes(y=value, x=specie,  fill=specie)) +  2  geom_bar( stat="identity") +     3  facet_wrap(~condition) 

17

集合图

集合图适用于表现两组数据的交集，圆的面积表示重要性。一般不要超过三组数据，否则会影响数据的可读性。

 1library(VennDiagram)  2  3#Then generate 3 sets of words.There I generate 3 times 200 SNPs names.  4SNP_pop_1=paste(rep("SNP_" , 200) , sample(c(1:1000) , 200 , replace=F) , sep="")  5SNP_pop_2=paste(rep("SNP_" , 200) , sample(c(1:1000) , 200 , replace=F) , sep="")  6SNP_pop_3=paste(rep("SNP_" , 200) , sample(c(1:1000) , 200 , replace=F) , sep="")  7venn.diagram(  8  x = list(SNP_pop_1 , SNP_pop_2 , SNP_pop_3),  9  category.names = c("SNP pop 1" , "SNP pop 2 " , "SNP pop 3"), 10  filename = '#14_venn_diagramm.png',  #生成图片自动保存 11  output = TRUE , 12  imagetype="png" , 13  height = 480 ,  14  width = 480 ,  15  resolution = 300, 16  compression = "lzw", 17  lwd = 2, 18  lty = 'blank', 19  fill = c('yellow', 'purple', 'green'), 20  cex = 1, 21  fontface = "bold", 22  fontfamily = "sans", 23  cat.cex = 0.6, 24  cat.fontface = "bold", 25  cat.default.pos = "outer", 26  cat.pos = c(-27, 27, 135), 27  cat.dist = c(0.055, 0.055, 0.085), 28  cat.fontfamily = "sans", 29  rotation = 1 30) 

18

地图背景图

如何用R绘制地图背景图。背景图只是第一步，更多的是在地图上进行一系列操作，例如：气泡图、线图....后续都会一一讲解。

首先最简单的方法使用leaflet()包，只需一行代码就可以调出世界地图，是不是很爽。

1library(leaflet) 2 3m=leaflet() %>% addTiles() 

实现用leaflet()函数初始化地图，addTiles()函数添加世界地图。

1m=leaflet() 2# Then we Add default OpenStreetMap map tiles 3m=addTiles(m) 4# We can choose a zone: 5setView(m, lng = 108.97895693778992, lat = 34.24705357677057, zoom = 18) 6#setView()就是具体定位了，经纬度度，个人对zoom的理解就是对这个点的聚焦程度，在这里小编定位了自己的母校

各种图都可以画，卫星图、地形图。在文末会把各种不同的图的输入参数给出来，下图是交大的卫星图。

1addProviderTiles(m,"Esri.WorldImagery")

19

网络图

网络图由点和边构成，反映的是两个节点的连接关系或者流通关系。

为了更好地绘制网络图，你的数据必须被转化为以下几种形式：

邻接矩阵 ：一个方阵，行和列中的元素是相同的。示例：相关矩阵。

 1#首先绘制一个定向，无权重的网络图  2#library  3library(igraph)  4set.seed(10)  5  6# Create data  7data=matrix(sample(0:2, 25, replace=TRUE), nrow=5)  8colnames(data)=rownames(data)=LETTERS[1:5]  9 10# Tell Igraph it is an adjency matrix... with default parameters 11set.seed(10) 12network=graph_from_adjacency_matrix(data) 13 14# plot it 15plot(network)

对于网络图，可分为有向图和无向图，有权图和无权图，通过调整参数，修改图的表现形式。

1par(mfrow=c(1,2)) 2set.seed(10) 3network=graph_from_adjacency_matrix(data, weighted=NULL) 4plot(network, main="UNweighted") 5# right 6set.seed(10) 7network1=graph_from_adjacency_matrix(data, weighted=TRUE) 8plot(network1, main="weighted") 

影响矩阵： 一个影响矩阵不一定有相同的行数和列数。默认情况下，它是从行定向到列。

 1library(igraph)  2set.seed(1)  3data=matrix(sample(0:2, 15, replace=TRUE), nrow=3)  4colnames(data) <- letters[1:5]  5rownames(data) <- LETTERS[1:3]  6  7# create the network object  8set.seed(1)  9network=graph_from_incidence_matrix(data) 10 11# plot it 12plot(network) 

边的列表:通过表格的方式列出每一条的始末点

 1# create data:  2links=data.frame(  3  source=c("A","A", "A", "A", "A","F", "B"),  4  target=c("B","B", "C", "D", "F","A","E")  5)  6  7# create the network object  8set.seed(10)  9network=graph_from_data_frame(d=links, directed=F)  10# plot it 11plot(network) 

同时，可以给数据框添加新的变量，来反映节点的一些特征。

 1par(mfrow=c(1,2))  2nodes=data.frame(  3  name=LETTERS[1:6],  4  carac=c( rep(10,3), rep(30,3))  5)  6  7# Turn it into igraph object  8network=graph_from_data_frame(d=links, vertices=nodes, directed=F)   9 10# And use these new info in the plot! 11plot(network, vertex.size=nodes$carac) 12 13# The same but directed: 14network=graph_from_data_frame(d=links, vertices=nodes, directed=T)  15plot(network, vertex.size=nodes$carac) 

连接的文本列表： 提供一个包含所有边的连接向量。

1network=graph_from_literal( A-B-C-D, E-A-E-A, D-C-A, D-A-D-C ) 2plot(network) 

后期会补充调整网络图节点、边特征的一些参数。敬请期待！

往期精彩：

• 逻辑斯蒂回归：家庭买私家车的概率

• R语言ETL工程系列：排序（arrange）

• R语言中文社区2018年终文章整理（作者篇）

• R语言中文社区2018年终文章整理（类型篇）

广告

R数据可视化手册

作者：[美]Winston Chang 著，肖楠，邓一硕，魏太云译

当当

公众号后台回复关键字即可学习

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。