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
长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30