目录
数据作图是数据分析的重要方法之一，R提供了丰富的作图函数。
R有两类作图函数，一类是高水平作图函数，另一类是低水平作图函数。
- 高水平作图函数：所有的绘图函数均可产生图形，可以有坐标轴，以及图和坐标轴的说明文字等。有plot() 、pairs() 、 coplot() 、qqnorm() 、qqline() 、hist() 、contour() 等
- 低水平作图函数：作图函数本省无法生成图形，只能在高水平作图函数产生的图形的基础上，增加新的图形。有points() 、lines() 、 text() 、 abline() 、 polygon() 、legend() 、 title() 、 axis()
常
常用高级画图函数
plot()
可绘出数据的散点图、线图，生成图形的类型取 决于第一个参数的类型或类别
例1
简单散点图
如果data是向量，plot(x)绘图的y轴为data的值，x轴为向量的索引，例如：
> data<-1:10
> plot(data)
如果a，b是两组向量，plot(x,y)绘出的是(1,2),(3,6),(4,3),(7,9)的散点图，例如：
> a<-c(1,3,4,7)
> b<-c(2,6,3,9)
> plot(a,b)
例2
画出学生身高和体重的散点图
代码：
> height<-c(56.5, 65.3, 64.3, 56.3, 59.8, 66.5, 51.3,62.5, 62.8, 69.0, 63.5, 67.0, 57.3, 62.5,59.0, 72.0, 64.8, 57.5, 66.5)
> weight<-c(84.0, 98.0, 90.0, 77.0, 84.5, 112.0,50.5, 112.5, 102.5, 112.5, 102.5, 133.0, 83.0, 84.0, 99.5, 150.0, 128.0, 85.0,112.0)
> plot(height,weight)结果图：
例3
画出标准正态分布图
代码：
> x<-seq(-5,5,length.out=100)
> y<-dnorm(x,0,1)
> plot(x,y)结果图：
例4
画曲线图，例如正弦曲线。
代码：
> plot(sin, -pi, 2*pi) 第一个变量类型为sin函数，则绘出的图为正弦曲线图
结果图：
例5
画箱线图——利用四种不同配方的材料A1,A2,A3,A4生产出来的元件，测得其使用寿命如下，绘出四种不同配方材料寿命的箱线图，并分析。
代码：
> data<-c(1600, 1610, 1650, 1680, 1700, 1700, 1780, 1500, 1640,1400, 1700, 1750, 1640, 1550, 1600, 1620, 1640, 1600,1740, 1800, 1510, 1520, 1530, 1570, 1640, 1600)
> f<-factor(c(rep(1,7),rep(2,5), rep(3,8), rep(4,6)))
> plot(f,data)结果图：
分析：
从结果图来看，A1材料生产的元件平均寿命最高，并且寿命大多聚集在平均寿命附件，说明比较稳定。
A2、A3的平均寿命近似相等，但都小于A1材料。此外，A3材料的生产元件的寿命要比A2稳定。并且A3材料出现的最高元件寿命是最高的，说明A3材料有生产更高寿命元件的潜力。
A4材料生成的元件平均寿命最低。
plot()函数还可以自定义参数
type：规定绘图方式。
xlim：x 用 (x1, x2) 限制 plot 的x 轴。同理，ylim，y 用（y1,y2）限制plot的y轴。
main：给图片加标题
xlab：X轴标签；ylab：Y轴标签
axes：指示是否两个坐标轴都画出。
asp：限定 y/x aspect 比率
hist( )
绘制直方图的函数。
直方图概念：对于数据分布，常用直方图（histogram)进行描述。将数据取值的范围分成若干区间（一般是等间距的），在等间隔的情况下，每个区间长度称为组距。考察数据落入每一区间的频数与频率，在每个区间上画一个矩形，它的宽度是组距，它的高度可以是频数、频率或频率/组距， 在高度是频率/组距的情况下，每一个矩形的面积恰是数据落入区间的频率，这种直方图可以估计总体的概率密度。组距对直方图的形态有很大的影响，组距太小，每组的频数较少，由于随机性的影响，邻近区间上的频数可能很大；组距太大，直方图所反映的形态就不灵敏。
例6
绘制15名学生体重的直方图
> data<-c(75.0, 64.0, 47.4, 66.9, 62.2, 62.2, 58.7, 63.5,66.6, 64.0, 57.0, 69.0, 56.9, 50.0, 72.0)
> hist(data)
stem()
绘制茎叶图
boxplot()
绘制箱线图，箱线图可以直观简洁地展现数据分布的主要特征。
箱线图的用处：一是可以直观的看出大部分数据的集中区域（箱子的区域），此外，也可以看到极大值和极小值。最重要的是分析是否存在离群点。
注：在箱线图中，上（Q3）和下（Q1）四分位数分别确定出中间箱体的顶部和底部。 箱体中间的粗线是中位数。 箱体向上和向下伸长的垂直部分称为“触须”，表述数据的散布范围，最远点为1.5倍四分位 间距。超出此范围的店称为异常值点，异常值点用“o”表示。
例7
画出31名学生成绩的箱线图
> data<-c(25, 45, 50, 54, 55, 61, 64, 68, 72, 75, 75,78, 79, 81, 83, 84, 84, 84, 85, 86, 86, 86,87, 89, 89, 89, 90, 91, 91, 92, 100)
> boxplot(data)
从本例中的箱线图可以直观看出，整体数据分布在40~100之间，平均值是80多，大部分的学生成绩都集中在70~90之间，有一个离群点，成绩<40。
qqnorm( )
分位数—分位数图（quantile-quantile plot），也称为QQ图。
如果我们要鉴别样本是否近似于某种类型的分布是困难的，QQ图可以帮助我们鉴别样本的分布是否近似于某种类型的分布。一个是样本分位数（Sample Quantiles），一般画在纵轴， 一个是理论分位数（Theoretical Quantiles），一般画在横轴。
分位数图可以检验一组数据是否服从正态分布——如果画出的数据近似在一条直线附近，则认为此组数据服务正态分布。
比如，如果样本是成正态分布的，则对应正态分布的QQ图是一些散点并近似在如下所示的直线附近：
此直线的斜率是标准差，截距是均值。所以，可以利用正态QQ图做直观的正态性检验。若QQ图上的点近似的在一条直线附近，可以认为样本数据来自正态分布总体。
例8
生成向量x的正态积分图
> x<-1:10
> qqnorm(x)
例9
例画出15名学生的体重的QQ图
> data<-c(75.0, 64.0, 47.4, 66.9, 62.2, 62.2, 58.7, 63.5,66.6, 64.0, 57.0, 69.0, 56.9, 50.0, 72.0)
> qqnorm(data)
> qqline(data)
常用低级画图函数
points()
在当前图形上添加点。
函数plot()的参数 type=”p”作用同points()函数。
例1
> x<-1:10
> y<-seq(2,20,by=2)
> plot(x,y)
> points(3,20)
lines()
在当前图形上添加线。
函数plot()的参数 type=”l”作用同lines()
例2
> x<-1:10
> y<-seq(2,20,by=2)
> plot(x,y)
> lines(x,y)
abline()
该函数可以有如下形式：
abline(a, b)：在当前图上添加一条斜率为b，截距为a的直线。
abline(h=y)：h=y在图形指定的高度上绘制一条贯穿图形的水平线。
abline(v=x)：v=x在x轴的指定位置绘制一条贯穿的垂线。
abline(lm.obj)：而 lm.obj是一个包含coefficients组件的列表，该组件的长度为2，分别当作截距和斜率。
例3
> x<-1:10
> y<-seq(2,20,by=2)
> plot(x,y)
> lines(x,y)
> abline(1,3)
> x<-1:10
> y<-seq(2,20,by=2)
> plot(x,y)
> lines(x,y)
> abline(1,3)
> abline(h=9)
> x<-1:10
> y<-seq(2,20,by=2)
> plot(x,y)
> lines(x,y)
> abline(1,3)
> abline(h=9)
> abline(v=6)
identify()
允许用户在x,y（使用鼠标左键）定义的点附近绘制相应的labels的组件（如果没有给出labels就给出该点的序号），突显该点。当鼠标的另一个键被点击时 （Unix,Windows）返回被选点的序号，在 Mac下通过点击图形窗口外来实现这个效果。
有时我们更想确定图形中的点，而非它们的位置。例如，我们可能希望从图示中选出某些感兴趣的观测点，然后进行某些操作。通过两个数值向量x,y给定一系列坐标(x; y)，我们可以使用identify()函数：
例4
> x<-1:10
> y<-seq(2,20,by=2)
> plot(x,y)
> identify(x,y)
