本文目录
本文首发 https://program-dog.blogspot.com
注1：本文也曾在csdn发布，不过无法忍受csdn超长时间的审核，迁移到博客圆了。
注2 : 本文含有大量原创图，但本文首发在google的blogspot上，国内图片可能不可见，有时间我会换图床的。
本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。
R语言在可视化上可谓非常出众，想必这也是为什么R语言在数据处理方面受到追捧的原因之一。
上一节已经大体了解了R语言的基本数据类型，以及优势所在。R的可视化技术同样也是优势大大滴。这也是R的数据类型为可视化立下汗马功劳，为啥这样说呢？
Java的可视化技术
我们再拿Java开刀，和做一下对比。希望Java他老爹不要见怪。大家都知道，java做图真心说不上漂亮，为什么又拿java做对比呢？原因之一是我对java比较熟悉一点，之二是接下来对比的不是做图是否美观，而是做图的思路。而这个做图的思路，众语言都是大同小异，唯独R比较独特。
Java中,要想做出一副图，思路是，我想思考一下这附图上的 点、线、面可以怎样拆分，拆分好了我就分别画出 点、线、面，而要把点线面组合起来，要通过所谓的控件和容器。从而完成做图。下面举一个例子做出饼图：
代码来自这里,这个程序用了第三方包（否则程序更加复杂）.
下面是代码：
import javax.swing.JPanel;
import org.jfree.chart.ChartFactory;
import org.jfree.chart.ChartPanel;
import org.jfree.chart.JFreeChart;
import org.jfree.data.general.DefaultPieDataset;
import org.jfree.data.general.PieDataset;
import org.jfree.ui.ApplicationFrame;
import org.jfree.ui.RefineryUtilities;
public class PieChart_AWT extends ApplicationFrame
{
public PieChart_AWT( String title )
{
super( title );
setContentPane(createDemoPanel( ));
}
private static PieDataset createDataset( )
{
DefaultPieDataset dataset = new DefaultPieDataset( );
dataset.setValue( "IPhone 5s" , new Double( 20 ) );
dataset.setValue( "SamSung Grand" , new Double( 20 ) );
dataset.setValue( "MotoG" , new Double( 40 ) );
dataset.setValue( "Nokia Lumia" , new Double( 10 ) );
return dataset;
}
private static JFreeChart createChart( PieDataset dataset )
{
JFreeChart chart = ChartFactory.createPieChart(
"Mobile Sales", // chart title
dataset, // data
true, // include legend
true,
false);
return chart;
}
public static JPanel createDemoPanel( )
{
JFreeChart chart = createChart(createDataset( ) );
return new ChartPanel( chart );
}
public static void main( String[ ] args )
{
PieChart_AWT demo = new PieChart_AWT( "Mobile Sales" );
demo.setSize( 560 , 367 );
RefineryUtilities.centerFrameOnScreen( demo );
demo.setVisible( true );
}
}
大家可以体会一下Java做图的复杂程度，如果你觉得Java还算简洁，那么且往下看。
R的可视化技术
牛刀小试
在R中做二维图有一个基本的函数plot 。比如我们有这样一组关于病人对不同药量(Dosage)和不同药物的反应的图表：
我们先创建三列数据：
dose <- c(20, 30, 40, 45, 60)
drugA <- c(16, 20, 27, 40, 60)
drugB <- c(15, 18, 25, 31, 40)
做图：
plot(dose, drugA,type="b")
title("Regression of MPG on Weight")
这样就做好了dose和drubA的一幅图。这里可以看出，dose和drubA 都被当作一个整体来对待了，又印证前面R在数据类型方面的优势。但是现在图表远没有那么漂亮，不用着急，plot自己就可以让图表变得漂亮，可定制化。
plot(dose, drugA,
type="b", # 图表类型，b为折线图
bg="green", # 背景颜色 绿色
fg="blue", # 前景颜色 蓝色
col="red", # 折线和点的颜色 红色
col.axis="grey", # 坐标轴文本颜色 灰色
col.lab="#3EB4EA", # 坐标轴标签颜色 我也叫不上来啥颜色
lty=3, # 线类型(line type)
lwd=3, # 线宽度 默认2
pch=15, # 点的类型 实心方块
cex=2, # 指定符号大小 2为 200%
col.main=rgb(1,1,1) # 标题的颜色
)
title("Regression of MPG on Weight(Colorful)")
几个参数就把图装饰的漂漂亮亮的。那么，R是如何做到的呢？这与R的做图思路有相当大的关系，在R中讲求的是参数配置，而非点线面本身。
二维做图利器plot的参数配置
权限机制
R中做图函数的参数有一些是可以共有的，比如颜色，标题，注释坐标轴等都需要颜色，还有字体等，这些就被分配到了公共参数列表之中（如par），还有参数是函数本身独有的，比如画图的坐标轴就只有plot函数自己有。我们应当区分对待函数共有的和独有的参数，这样我运用起了就自如了。
plot独有的参数
plot的参数如下
plot(x, y = NULL, type = "p", xlim = NULL, ylim = NULL,
log = "", main = NULL, sub = NULL, xlab = NULL, ylab = NULL,
ann = par("ann"), axes = TRUE, frame.plot = axes,
panel.first = NULL, panel.last = NULL, asp = NA, ...)
看起来可能有一点晕。参数中除了最后的 ... (来自par) 和title有关的main,sub,xlab,ylab之外，其他都是独有的。下面结合例子来说明常用的参数怎么用，其他的请自行查手册.
先列出解释：
x, y = NULL, x,y坐标，y为空时候自动补上y
type = "p", 图的类型
xlim = NULL, x坐标轴的取值范围，如c(1,10)
ylim = NULL, y坐标轴的取值范围
ann = par("ann"), 要不要话标签
axes = TRUE, 要不要画轴
x=seq(1,10,len=100)
y=x^2
plot(x,y,
type="l",
xlim=c(-3,13),
ylim=c(-5,130),
ann=FALSE,
axes=FALSE
)
title("没有轴，没有标签")
效果图:
plot的type介绍
type指的是做图的类型，有必要介绍一下。
先列出参数：
"p" 点(points)
"l" 线(lines)
"b" 点和线(both)
"c" 线的部分(the lines part alone of "b")
"o" 线穿点 (both ‘overplotted’)
"h" 柱 (‘histogram’ like (or ‘high-density’) vertical lines)
"s" 阶梯(stair steps)
"S" 阶梯(other steps)
"n" 啥都不画 (no plotting)
做图：
opar <- par(no.readonly = TRUE)
par(mfrow=c(2,4)) #设置布局
x=1:10
y=x
plot(x,y,type="p",main="p")
plot(x,y,type="l",main="l")
plot(x,y,type="b",main="b")
plot(x,y,type="c",main="c")
plot(x,y,type="o",main="o")
plot(x,y,type="h",main="h")
plot(x,y,type="s",main="s")
plot(x,y,type="S",main="S")
par(opar)
效果图:
说完plot独有的参数，应该说一说其他的plot共有的或者plot也没有的参数了。
title介绍
title 不仅仅指的主(main)题目，还包括副(sub)题目，x,y轴的标签以及题目和图的距离(line)和题目是否在图内(outer).
title的参数如下：
title(main = NULL, sub = NULL, xlab = NULL, ylab = NULL,
line = NA, outer = FALSE, ...)
前四个参数的含义如下：
main 图像上面的主题目
sub 图像下面的副题目
xlab x轴标签
ylab y轴标签
这四个参数不仅在title中可用，在其他函数里面也可用（如plot直接可用）。
另外两个参数含义如下：
line 题目和图像的距离，距离太大就看不到题目了
outer 是一个布尔值，TRUE 的时候题目不会和图像在一起，默认FALSE
这两个参数是title独有，不可以在plot中直接用。
其他参数,诸如 ...代表的是，这些参数可以从par中取。
title中的main可接受list参数。
x=seq(1,10,len=100)
y=sin(x)
plot(x,y,type="l")
title(
main=list( # main can be a list or not ,up to you
"You can use main like this",
cex=1.3,
col="blue",
font=3
),
sub = "sub title",
col.sub="green" #from par
)
效果图:
公共参数集合——par
上面简单介绍了plot和title函数独有的部分，下面具体介绍一下公共参数集合par。这个函数包括了大多数plot的定制信息，简单举一个小例子：
par(no.readonly=TRUE)->opar #备份par
par(lty=2) #通过par设置参数
par(pch=17)
par(lty=2, pch=17)
dose <- c(20, 30, 40, 45, 60)
drugA <- c(16, 20, 27, 40, 60)
drugB <- c(15, 18, 25, 31, 40)
plot(dose, drugA, type="b")
title("Regression of MPG on Weight")
par(opar) #还原par
用par画出来的图。
那么par到底是个啥东东呢？简而言之，par只不过储存着plot的众多参数而已，plot在做图前，会去读par里面的变量，如果自己没有设置，就按照par里面的设置操作。我们把par打开看看是个什么东西：
> summary(par())
Length Class Mode
xlog 1 -none- logical
ylog 1 -none- logical
adj 1 -none- numeric
ann 1 -none- logical
ask 1 -none- logical
bg 1 -none- character
bty 1 -none- character
cex 1 -none- numeric
cex.axis 1 -none- numeric
cex.lab 1 -none- numeric
cex.main 1 -none- numeric
cex.sub 1 -none- numeric
cin 2 -none- numeric
col 1 -none- character
col.axis 1 -none- character
col.lab 1 -none- character
col.main 1 -none- character
col.sub 1 -none- character
cra 2 -none- numeric
crt 1 -none- numeric
csi 1 -none- numeric
cxy 2 -none- numeric
din 2 -none- numeric
err 1 -none- numeric
family 1 -none- character
fg 1 -none- character
fig 4 -none- numeric
fin 2 -none- numeric
font 1 -none- numeric
font.axis 1 -none- numeric
font.lab 1 -none- numeric
font.main 1 -none- numeric
font.sub 1 -none- numeric
lab 3 -none- numeric
las 1 -none- numeric
lend 1 -none- character
lheight 1 -none- numeric
ljoin 1 -none- character
lmitre 1 -none- numeric
lty 1 -none- character
lwd 1 -none- numeric
mai 4 -none- numeric
mar 4 -none- numeric
mex 1 -none- numeric
mfcol 2 -none- numeric
mfg 4 -none- numeric
mfrow 2 -none- numeric
mgp 3 -none- numeric
mkh 1 -none- numeric
new 1 -none- logical
oma 4 -none- numeric
omd 4 -none- numeric
omi 4 -none- numeric
page 1 -none- logical
pch 1 -none- numeric
pin 2 -none- numeric
plt 4 -none- numeric
ps 1 -none- numeric
pty 1 -none- character
smo 1 -none- numeric
srt 1 -none- numeric
tck 1 -none- numeric
tcl 1 -none- numeric
usr 4 -none- numeric
xaxp 3 -none- numeric
xaxs 1 -none- character
xaxt 1 -none- character
xpd 1 -none- logical
yaxp 3 -none- numeric
yaxs 1 -none- character
yaxt 1 -none- character
ylbias 1 -none- numeric
我们已然发现，里面有我们刚刚用过的比如bg,fg,col等。par 是一个函数，它的返回值是一个链表(List) .改变par的参数，就改变了plot的参数。
par的权限机制
par中那么多参数，并不是每一个都可以被设定，也不是每一个都可以被任何函数所调用的。这正如一个人的家里，不是每个人可以随便进入或做出改变。权限机制有什么好处呢？可以想象一下，如果没有权限机制，那么每一个做图的函数都要自己定义一套参数，或者大家所有的都要用公共的参数，这带来的不是浪费就是滥用，因此，par意识到有必要设定权限机制。
一些readonly的参数，用R.O.标识：
"cin",
"cra",
"csi",
"cxy",
"din"
"page"
仅仅可以通过par设置的参数：
"ask",
"fig", "fin",
"lheight",
"mai", "mar", "mex", "mfcol", "mfrow", "mfg",
"new",
"oma", "omd", "omi",
"pin", "plt", "ps", "pty",
"usr",
"xlog", "ylog",
"ylbias"
可以被其他函数调用的参数：剩余其他。
总结
鉴于篇幅长度，par的使用下一节再介绍。
R语言天生就有可视化的优越条件，简单而且可配置性强。让人专注于数据处理而非代码本身，这又是R语言在数据处理上的禀赋。