京公网安备 11010802034615号
经营许可证编号:京B2-20210330
作者:丁点helper
来源:丁点帮你
上篇文章中,我们用世界银行的例子给大家介绍了R语言散点图怎么画,那折线图呢?
绘制折线图
如果将散点图上的点从左往右连接起来,就会得到一个折线图。今天我们以R中自带的Orange 数据集为例,来学习折线图的画法,该数据集中包含五种橘树的树龄和年轮数据。要考察橘树的年轮如何随着树龄变化,先画个散点图看看:
# 先看第一种橘树,提取第一种树的数据,保存在t1中 t1 <- subset(Orange, Tree==1)
戳此复习subset()函数的功能。
# 绘制散点图 plot(t1$age, t1$circumference, xlab="Age (days)", ylab="Circumference (mm)", main="Orange Tree 1 Growth")
再画折线图:
# 绘制折线图 plot(t1$age, t1$circumference, xlab="Age (days)", ylab="Circumference (mm)", main="Orange Tree 1 Growth", type="b")
可以发现,绘制折线图使用的仍是plot()函数,其代码只比散点图的多了一个用来设置图形外观的命令:type='b','b'表示用线条将点连接起来,因此我们就得到了下图:
折线图的图形外观还可以有很多种,均可通过type命令来完成,下表展示了type可选的取值:
选取上表中各种类型的type值,就可以得到各式各样的折线图:
试着调整图形
虽然上面的图形已经可以准确表达数据信息,但有时自动生成的图形可能无法满足需求。
比如,我们想把上面的散点图和折线图放在同一张图中,便于比较,或者想改变文字的字体、颜色等…… 此时,可以在用plot()作图前,先用par()函数设置你想改变的参数:
# 设置par()函数
par(mfrow=c(1,2),bty='l',cex.main=1.5,
col.main='deepskyblue4',font.lab=2,
family='Times New Roman')
# 绘制散点图
plot(t1$age, t1$circumference,
xlab="Age (days)",
ylab="Circumference (mm)",
main="Orange Tree 1 Growth")
# 绘制折线图
plot(t1$age, t1$circumference,
xlab="Age (days)",
ylab="Circumference (mm)",
main="Orange Tree 1 Growth",col='deepskyblue4',
type="b")
大家可以先将这段代码复制到R中运行(记得先用本文开头的方法生成t1这个对象),看看出现了什么?
par(mfrow=c(1,2),bty='l',cex.main=1.5,
col.main='deepskyblue4',font.lab=2,
family='Times New Roman')
par()是R中用来设置图形参数的函数。
上面的代码中,mfrow是图形整体布局命令,不是针对某个具体的图形而言的,而是对整个绘图区域的布局。定义整体有几行、几列图形,其赋值形式为c(行数,列数);
bty是设置图形边框类型的函数,其取值及效果如下图:
cex.main:设置标题文本的放大倍数,还可用cex.axis 和 cex.lab分别设置坐标轴刻度值和名称文本的放大倍数;
col.main:设置文本标题的颜色,大家能猜出坐标轴刻度值和名称的颜色如何设置吗?欢迎留言呀~
font.lab:设置坐标轴名称的字型:
family:设置图形中所有文本的字体。
最终得到的图形如下,你还能想到哪些需要改进或调整的地方呢,我们可以作为今后讲授的内容
——热门课程推荐:
想从事业务型数据分析师,您可以点击>>>“数据分析师”了解课程详情;
想从事大数据分析师,您可以点击>>>“大数据就业”了解课程详情;
想成为人工智能工程师,您可以点击>>>“人工智能就业”了解课程详情;
想了解Python数据分析,您可以点击>>>“Python数据分析师”了解课程详情;
想咨询互联网运营,你可以点击>>>“互联网运营就业班”了解课程详情;
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
数据库中的历史数据,是企业运营过程中沉淀的核心资产——包含用户行为轨迹、业务交易记录、产品迭代日志、市场活动效果等多维度 ...
2026-01-08在电商行业竞争日趋激烈的当下,数据已成为驱动业务增长的核心引擎。电商公司的数据分析师,不仅是数据的“解读官”,更是业务的 ...
2026-01-08在数据驱动决策的链路中,统计制图是CDA(Certified Data Analyst)数据分析师将抽象数据转化为直观洞察的关键载体。不同于普通 ...
2026-01-08在主成分分析(PCA)的学习与实践中,“主成分载荷矩阵”和“成分矩阵”是两个高频出现但极易混淆的核心概念。两者均是主成分分 ...
2026-01-07在教学管理、学生成绩分析场景中,成绩分布图是直观呈现成绩分布规律的核心工具——通过图表能快速看出成绩集中区间、高分/低分 ...
2026-01-07在数据分析师的工作闭环中,数据探索与统计分析是连接原始数据与业务洞察的关键环节。CDA(Certified Data Analyst)作为具备专 ...
2026-01-07在数据处理与可视化场景中,将Python分析后的结果导出为Excel文件是高频需求。而通过设置单元格颜色,能让Excel中的数据更具层次 ...
2026-01-06在企业运营、业务监控、数据分析等场景中,指标波动是常态——无论是日营收的突然下滑、用户活跃度的骤升,还是产品故障率的异常 ...
2026-01-06在数据驱动的建模与分析场景中,“数据决定上限,特征决定下限”已成为行业共识。原始数据经过采集、清洗后,往往难以直接支撑模 ...
2026-01-06在Python文件操作场景中,批量处理文件、遍历目录树是高频需求——无论是统计某文件夹下的文件数量、筛选特定类型文件,还是批量 ...
2026-01-05在神经网络模型训练过程中,开发者最担心的问题之一,莫过于“训练误差突然增大”——前几轮还平稳下降的损失值(Loss),突然在 ...
2026-01-05在数据驱动的业务场景中,“垃圾数据进,垃圾结果出”是永恒的警示。企业收集的数据往往存在缺失、异常、重复、格式混乱等问题, ...
2026-01-05在数字化时代,用户行为数据已成为企业的核心资产之一。从用户打开APP的首次点击,到浏览页面的停留时长,再到最终的购买决策、 ...
2026-01-04在数据分析领域,数据稳定性是衡量数据质量的核心维度之一,直接决定了分析结果的可靠性与决策价值。稳定的数据能反映事物的固有 ...
2026-01-04在CDA(Certified Data Analyst)数据分析师的工作链路中,数据读取是连接原始数据与后续分析的关键桥梁。如果说数据采集是“获 ...
2026-01-04尊敬的考生: 您好! 我们诚挚通知您,CDA Level III 考试大纲将于 2025 年 12 月 31 日实施重大更新,并正式启用,2026年3月考 ...
2025-12-31“字如其人”的传统认知,让不少“手残党”在需要签名的场景中倍感尴尬——商务签约时的签名歪歪扭扭,朋友聚会的签名墙不敢落笔 ...
2025-12-31在多元统计分析的因子分析中,“得分系数”是连接原始观测指标与潜在因子的关键纽带,其核心作用是将多个相关性较高的原始指标, ...
2025-12-31对CDA(Certified Data Analyst)数据分析师而言,高质量的数据是开展后续分析、挖掘业务价值的基础,而数据采集作为数据链路的 ...
2025-12-31在中介效应分析(或路径分析)中,间接效应是衡量“自变量通过中介变量影响因变量”这一间接路径强度与方向的核心指标。不同于直 ...
2025-12-30