R画图基本(二)点柱图(dot histogram)
在之前的一节傍边,图型名称有些杂乱,从这一节开始将做如下统一(不全面):
英文名称 | 中文名称 |
bar | 条形图 |
line | 线图 |
area | 面积图 |
pie | 饼图 |
high-low | 坎坷图 |
pareto | 帕累托图 |
control | 节制图 |
boxplot | 箱线图 |
error bar | 误差条图 |
scatter | 散点图 |
P-P | P-P正态概率图 |
Q-Q | Q-Q正态概率图 |
sequence | 序列图 |
ROC Curve | ROC分类结果曲线图 |
Time Series | 时间序列图 |
好了,言归正传。那么什么又是点柱图(dot histogram)呢?之前我又称之为蜂群图(beeswarm)。尚有称之为抖点图(jitter plots)。总之无论如何,在糗世界里我都称之为点柱图吧。
我们先看点柱图结果:
以下是代码
> require(beeswarm) > data(breast) > head(breast) ER ESR1 ERBB2 time_survival event_survival 100.CEL.gz neg 8.372133 13.085894 39 1 103.CEL.gz pos 10.559356 9.491683 97 0 104.CEL.gz pos 12.299905 9.599574 11 1 105.CEL.gz pos 10.776632 9.681747 99 0 106.CEL.gz pos 10.505124 9.436763 40 1 107.CEL.gz neg 10.377741 8.695576 94 0 > require(plotrix) > cluster<-cluster.overplot(breast$event_survival, breast$time_survival) > png("dothist.png",width=1000,height=1000) > opar<-par(mfrow=c(3,3)) > plot (breast$event_survival, breast$time_survival, main="Multiple points on coordinate", +col=as.numeric(breast$ER),xaxt="n",xlim=c(-1,2)) > axis(1,at=c(0,1),labels=c("Censored","Metastasis")) > plot(jitter(breast$event_survival), breast$time_survival, main="Using Jitter on x-axis", +col=as.numeric(breast$ER),xaxt="n",xlim=c(-0.5,1.5)) > axis(1,at=c(0,1),labels=c("Censored","Metastasis")) > plot(jitter(breast$event_survival), jitter(breast$time_survival), main="Using Jitter on x and y-axis", +col=as.numeric(breast$ER),xaxt="n",xlim=c(-0.5,1.5)) > axis(1,at=c(0,1),labels=c("Censored","Metastasis")) > sunflowerplot(breast$event_survival, breast$time_survival, main="Using Sunflowers",xaxt="n",xlim=c(-0.5,1.5)) > axis(1,at=c(0,1),labels=c("Censored","Metastasis")) > plot(cluster, main="Using cluster.overplot",col=as.numeric(breast$ER),xaxt="n",xlim=c(-0.5,1.5)) > axis(1,at=c(0,1),labels=c("Censored","Metastasis")) > count.overplot(jitter(breast$event_survival), jitter(breast$time_survival), main="Using cout.overplot", +col=as.numeric(breast$ER),xaxt="n") > axis(1,at=c(0,1),labels=c("Censored","Metastasis")) > sizeplot(breast$event_survival, breast$time_survival, main="Using sizeplot",col=as.numeric(breast$ER), +xaxt="n",xlim=c(-0.5,1.5)) > axis(1,at=c(0,1),labels=c("Censored","Metastasis")) > beeswarm(time_survival ~ event_survival, data = breast, + method = 'swarm', + pch = 16, pwcol = as.numeric(ER), + xlab = '', ylab = 'Follow-up time (months)', + labels = c('Censored', 'Metastasis')) > dev.off() quartz 2 > par(opar) |
以下是表明
在许多环境下,我们画散点图的时候,有很多点拥有沟通的横坐标,假如我们简朴的利用plot(x,y)的方法,会显得这些点拥挤在一起,象图中左上角一样,很是的不舒服。我们需要把这些点分手开。
最根基的思路是,把横坐标抖散(jitter),使原来都拥有沟通坐标的点的横坐标稍有差异。jitter是基类函数{base},无需挪用任何包。
> plot(jitter(breast$event_survival), breast$time_survival, main="Using Jitter on x-axis", +col=as.numeric(breast$ER),xaxt="n",xlim=c(-0.5,1.5)) > axis(1,at=c(0,1),labels=c("Censored","Metastasis")) > plot(jitter(breast$event_survival), jitter(breast$time_survival), main="Using Jitter on x and y-axis", +col=as.numeric(breast$ER),xaxt="n",xlim=c(-0.5,1.5)) > axis(1,at=c(0,1),labels=c("Censored","Metastasis")) |
#p#分页标题#e#
我们较量图中上边靠右的两个图,我们发明,假如只抖散x坐标的话,照旧有些点会粘在一起,所以同时抖散y坐标会好一些。我们可以利用factor参数来节制jitter抖散的强度。
> plot(rep(c(1,5,10),each=5),c(jitter(rep(100,5),factor=1),jitter(rep(100,5),factor=5), +jitter(rep(100,5),factor=10)),col=c("red","blue","green","gray","black"),xlim=c(-2,13),xlab="", +ylab="y",xaxt="n",main="jitter(rep(100,5)) with different factor") > axis(1,at=c(1,5,10),labels=c(paste("factor=",c(1,5,10),sep=""))) |
在graphics包中提供了一个sunflowerplot的函数。它的目标是用花瓣数目几多来显示落在同一坐标上的点的数目。可是从中左图看来,点多的时候结果并非老是那么好。
在plotrix包中提供了一些有意思的函数来办理点挤在一起的这个问题,它们别离是cluster.overplot,
count.overplot,
sizeplot。这三个函数的结果如图中及下靠左的两个。cluster.overplot的要领雷同抖散,count
overplot的要领是利用数字来显示落在同一坐标上的点的数目,sizeplot的要领是利用差异巨细是点来显示落在同一坐标上的点的数目。从结果来
看,点多的时候结果也并非抱负。
而上一次提到过的蜂群图好像是办理这一问题的较佳方案。
我们得出结论,在点数差异的环境下,利用plotrix包及sunflowerplot是不错的。但点数较多的环境下,照旧利用jitter和beeswarm较为稳妥。
我们也可以利用ggplot2包中的geom来绘制点柱图
> require(beeswarm) > data(breast) > library(ggplot2) > p<-ggplot(breast, aes(event_survival,time_survival)) > print(p+geom_jitter(aes(color=ER))+scale_colour_manual(value = c("black", "red"))+scale_x_continuous(breaks = c(0:1), +labels = c("Censored", "Metastasis"))) |
尚有一种图,名称为Engelmann-Hecker-Plot, 由plotrix的ehplot来实现。
> data(iris);library(plotrix) > ehplot(iris$Sepal.Length, iris$Species, + intervals=20, cex=1.8, pch=20, main="pch=20") > ehplot(iris$Sepal.Width, iris$Species, + intervals=20, box=TRUE, median=FALSE, main="box=TRUE") > ehplot(iris$Petal.Length, iris$Species, + pch=17, col="red", log=TRUE, main="pch=17") > ehplot(iris$Petal.Length, iris$Species, + offset=0.06, pch=as.numeric(iris$Species), main="pch=as.numeric(iris$Species)") > rnd <- sample(150) > plen <- iris$Petal.Length[rnd] > pwid <- abs(rnorm(150, 1.2)) > spec <- iris$Species[rnd] > ehplot(plen, spec, pch=19, cex=pwid, + col=rainbow(3, alpha=0.6)[as.numeric(spec)], main="cex and col changes") |