R语言一页多图

require(ggplot2)
require(Cairo)
require(grid)
p = ggplot(iris,aes(x = Species,y = Sepal.Length,colour = Species))
p+geom_point()
a = p+geom_point()
b = qplot(Sepal.Length,Petal.Length,data=iris,geom="point",colour = Species)
c = qplot(Species,Sepal.Width,data=iris,geom="boxplot",fill = Species)
#创建新的画图页面
grid.newpage()
pushViewport(viewport(layout = grid.layout(2,2)))
vplayout = function(x,y)viewport(layout.pos.row = x,layout.pos.col = y)
print(a,vp = vplayout(1,1:2))
print(b,vp = vplayout(2,1))
print(c,vp = vplayout(2,2))
ggsave("test_layout.pdf",width = 8,height = 6)
dev.off()

时间: 2024-08-02 11:04:03

R语言一页多图的相关文章

[R语言绘图]条状图barplot

#基本的条状图 a<-c(1,2,3,4,5,6,7,8) barplot(a) #table的条状图 install.packages("vcd") library(vcd) b<-table(Arthritis$Improved) barplot(b) 参考:R语言实战 转载请注明出处:http://blog.csdn.net/zhyoulun/article/details/46433619

[R语言绘图]饼状图pie

#基本 a<-c(1,2,3,4,5,6,7,8) pie(a) #table install.packages("vcd") library(vcd) b<-table(Arthritis$Improved) pie(b) 参考:R语言实战 转载请注明出处:

R语言 图表

条形图 在R语言中创建条形图的基本语法是 barplot(H, xlab, ylab, main, names.arg, col) H是包含在条形图中使用的数值的向量或矩阵 xlab是x轴的标签 ylab是y轴的标签 main是条形图的标题 names.arg是在每个条下出现的名称的向量 col用于向图中的条形提供颜色 组合条形图和堆积条形图 # Create the input vectors. colors <- c("green","orange",&q

R语言︱情感分析—词典型代码实践(最基础)(一)

笔者寄语:词典型情感分析对词典要求极高,词典中的词语需要人工去选择,但是这样的选择会很有目标以及针对性.本文代码大多来源于<数据挖掘之道>的情感分析章节.本书中还提到了监督算法式的情感分析,可见博客: R语言︱情感分析-基于监督算法R语言实现笔记. 可以与博客 R语言︱词典型情感分析文本操作技巧汇总(打标签.词典与数据匹配等)对着看. 词典型情感分析大致有以下几个步骤: 训练数据集.neg/pos情感词典.分词+数据清洗清洗(一.二.三级清洗步骤).计算情感得分.模型评价 ----------

R语言之脸谱图

脸谱图和星图类似,但它却比星图可以表示更多的数据维度.用脸谱来分析多维度数据,即将P个维度的数据用人脸部位的形状或大小来表征.脸谱图在平面上能够形象的表示多维度数据并给人以直观的印象,可帮助使用者形象记忆分析结果,提高判断能力,加快分析速度.目前已应用于多地域经济战略指标数据分析,空间数据可视化等领域. 脸谱图一般采用15个指标,各指标代表的面部特征为: 1 脸的高度 2脸的宽度3 脸型4嘴巴厚度  5, 嘴巴宽度6 微笑7 眼睛的高度8 眼睛宽度 9 头发长度 10 头发宽度11头发风格12

第四篇:R语言数据可视化之折线图、堆积图、堆积面积图

前言 折线图通常用来对两个连续变量的依存关系进行可视化,其中横轴很多时候是时间轴. 但横轴也不一定是连续型变量,可以是有序的离散型变量. 绘制基本折线图 本例选用如下测试数据集: 绘制方法是首先调用ggplot函数选定数据集,并在aes参数中指明横轴纵轴.然后调用条形图函数geom_line()便可绘制出基本折线图.R语言示例代码如下: # 基函数 ggplot(BOD, aes(x = Time, y = demand)) + # 折线图函数 geom_line()     运行结果: 向折线

R语言&amp;页游渠道分析(转)

对着满屏的游戏后台数据,需要快速了解数据特征,一种茫然无从下手的感觉? 本文在游戏后台数据中,如何通过R语言快速的了解游戏后台的数据特征,以及统计各个数据之间的相关系数,并通过相关图来发现其中相关系数较高的数据,从而通过R得到高相关系数之间的线性回归方程,最后通过矩阵散点图来初步发现数据中的一些规律解决相应的问题.附:本文需要安装corrgram和car包 具体代码如下: library(corrgram) library(car) summary(data9) cor(data9) scatt

R语言igraph作社团挖掘结果图

利用R语言的igraph作社团挖掘的图 输入:网络拓扑文件(边);社区划分结果文件(顶点  社区号) 输出:社区划分的结果图 代码: ######测试代码###### if(T){ library(igraph) library(grDevices) rm(list=ls()) network=read.csv("./dataset/data/karate.txt",sep=" ",header=F) community=read.csv("./resul

R语言实战(八)广义线性模型

本文对应<R语言实战>第13章:广义线性模型 广义线性模型扩展了线性模型的框架,包含了非正态因变量的分析. 两种流行模型:Logistic回归(因变量为类别型)和泊松回归(因变量为计数型) glm()函数的参数 分布族 默认的连接函数 binomial (link = "logit") gaussian (link = "identity") gamma (link = "inverse") inverse.gaussian (lin