R语言与医学统计图形-【11】ggplot2几何对象之散点图

ggplot2绘图系统——几何对象之散点图

以geom开头的函数超过30个。几何对象和标度函数scale密不可分。只有在aes中传入某个变量,scale才能发挥作用。

所谓标度scale,就是图形遥控器,用于控制元素属性。相对于color/shape等参数而言,可以进行更多、更精确的设置。

颜色标度设置

颜色梯度(gradient)标度(scale)函数。

#双色梯度函数
scale_color_gradient(...,high='#56B1F7',low='#132B43',...)
scale_fill_gradient

#三色梯度函数
scale_color_gradient2(...,low=muted('red'),mid='white',high=muted('blue'),...)
scale_fill_gradient2

#自定义n色梯度函数,接受颜色向量
scale_color_gradientn(...,colors,...)
scale_color_gradientn

#手动设置颜色标度函数(对已有设置颜色不满意时)
scale_color_mauual(..,values)
scale_fill_mauual

示例。

df <- data.frame(x=runif(100),y=runif(100),
                 z1=rnorm(100),z2=abs(rnorm(100)))

#color后接连续型变量也可做到颜色梯度展示,但只是映射,没那么精细。
ggplot(df,aes(x,y))+geom_point(aes(color=z2))

ggplot(df,aes(x,y)) +geom_point(aes(color=z1))+
  scale_color_gradient2() #默认的三色梯度

ggplot(df,aes(x,y)) +geom_point(aes(color=z1))+
  scale_color_gradient(low='green',high = 'blue') 

ggplot(df,aes(x,y)) +geom_point(aes(color=z1))+
  scale_color_gradientn(colors = RColorBrewer::brewer.pal(5,'Set3')) 

ggplot(mtcars,aes(mpg,wt))+geom_point(aes(color=factor(cyl)))+
  scale_color_manual(values = c("red","blue","green"))
#注意传入的颜色向量长度必须和颜色映射变量因子水平一致

点的形状标度

标度函数中形状函数。

scale_shape(...,solid=TRUE)
#默认实心点

#自定义点型
scale_shape_manual(...,values)

示例。

ggplot(dsmall,aes(carat,price))+geom_point(aes(shape=cut))+
  scale_shape_manual(name='diamonds',values = c(1:5))
#注意此处1:5和基础绘图包中的点形状代号是一样的

点的大小标度

点的大小标度函数有:

scale_radus(name,breaks,labels,limits,range,trans,guide)

scale_size(name,breaks,labels,limits,range,trans,guide)

scale_size_area(...,max_size)

scale_size_manual

示例。

ggplot(mpg,aes(displ,hwy,size=hwy))+
  geom_point()+
  scale_size(name = 'hwy size',breaks = c(12,24,44),
             labels = c('low','middle','high'))

ggplot(mpg,aes(displ,hwy,size=hwy))+
  geom_point()+
  scale_radius() #将hwy大小传至圆点半径

df <- data.frame(x=c(0:10),y=c(20:30))
ggplot(df,aes(x=x,y=y,size=x))+
  geom_point()+
  scale_size_area()

原文地址:https://www.cnblogs.com/jessepeng/p/12307716.html

时间: 2024-10-10 05:50:40

R语言与医学统计图形-【11】ggplot2几何对象之散点图的相关文章

R语言与医学统计图形-【14】ggplot2几何对象之直方密度图

ggplot2绘图系统--几何对象之直方图.密度图 1.直方图 参数. geom_histogram(mapping = , data = , stat = 'bin', #统计变换,概率密度为density position = 'stack', binwidth = , #条柱宽度 bins = , #条柱数目,默认30 na.rm = FALSE, show.legend = NA, inherit.aes = TRUE ) 示例. ggplot(diamonds,aes(carat))+

R语言与医学统计图形-【15】ggplot2几何对象之线图

ggplot2绘图系统--几何对象之线图 曲线:点连线.路径曲线.时间序列曲线.模型拟合曲线...... 直线:水平直线.垂直直线.斜线. 1.曲线 对象及其参数. #路径图 geom_path(mapping = , data = , stat = 'identity', position = 'identity', lineend = 'butt', #线段两端样式,round/square linejoin = 'round', #线段交叉样式,mitre/bevel linemitre

R语言与医学统计图形-【12】ggplot2几何对象之条图

ggplot2绘图系统--几何对象之条图(包括误差条图) 1.条图 格式: geom_bar(mapping = , data = , stat = 'count', #统计变换默认计数 position = 'stack', #默认堆栈 width = , #条形宽度 binwidth = , na.rm = FALSE, show.legend = , inherit.aes = TRUE) positon: dodge并排 fill堆叠填充标准化为1 stack堆栈 identity不做调

R语言与医学统计图形-【13】ggplot2几何对象之盒形图

ggplot2绘图系统--几何对象之盒形图 参数: geom_boxplot(mapping = , #lower,middle,upper,x,ymax,ymin必须(有默认) #alpha/color/fill/linetype/shape/size/weight可选 data = , stat = 'boxplot', position = 'dodge', outlier.color = , #离群点颜色 outlier.shape = 19, outlier.size = 1.5, o

R语言与医学统计图形-【9】过渡函数qplot

ggplot2绘图系统 基础绘图包向ggplot2过渡--qplot 绘图理念的不同: 基础绘图包是先铺好画布,再在这张画布上作图(常规思维): ggplot2打破常规,采用图层叠加的方法. qplot函数既有plot特点,又体现了ggplot2的特征,是一个过渡函数. library(ggplot2) data("diamonds") qplot(x=carat, y=price, data=diamonds, geom = 'point', color=color) #geom几何

R语言与医学统计图形-【10】ggplot2图形映射

ggplot2绘图系统--图形映射 颜色的映射. #aes中映射变量 ggplot()+geom_point(aes(x=carat,y=price,color='blue'),#color视为单一变量 data=dsmall) #映射外的颜色 ggplot()+geom_point(aes(x=carat,y=price), data=dsmall,color='blue') #加I函数后,不管位置 #同样适用于fill/alpha/size/shape等属性 ggplot()+geom_po

R语言与医学统计图形-【32】海盗图、词云图、日历图

1.海盗图 参数众多,其语法与基础包类似. 基础图. #devtools::install_github('ndphillips/yarrr') #install.packages('yarrr') library(yarrr) #基本海盗图 str(pirates) pirateplot(formula = age ~ favorite.pirate, data = pirates, xlab = 'Favorite Pirate', ylab = 'Age', main="") 散

R语言结合概率统计的体系分析---数字特征

现在有一个人,如何对这个人怎么识别这个人?那么就对其存在的特征进行提取,比如,提取其身高,其相貌,其年龄,分析这些特征,从而确定了,这个人就是这个人,我们绝不会认错. 同理,对数据进行分析,也是提取出数据的特征,对其特征进行分析,从而确定这些数据所呈现的信息状况,从而确定了这些数据的独特性和唯一性,因为他呈现的信息是唯一的,绝不与别的是相同的. 那么这些特征是什么呢?拥有哪些特征呢?似乎应该是经过无数科学家的总结,终于发现了几个重要的特征,包括数字特征和分布特征,这个数字特征,包括集中位置,分散

R语言:常用统计一些方法代码

理论漫衍依赖于若干未知参数时Kolmogorov-Smirnov 检讨ks.test()例一 对一台设备举办寿命检讨,记录十次无妨碍操纵时间,并按从小到大的序次分列如下,用ks检讨要领检讨此设备无妨碍事情时间是否切合rambda=1/1500的指数漫衍呼吁:X<-c(420, 500, 920, 1380, 1510, 1650, 1760, 2100, 2300, 2350)ks.test(X, "pexp", 1/1500)例二 假设从漫衍函数F(x)和G(x)的总体中别离随