R-ggplot2包的介绍与学习（三）

　　折线图可以反映某种现象的趋势。通常折线图的横坐标是时间变量，纵坐标则是一般的数值型变量。当然，折线图也允许横纵坐标为离散型和数值型。

　　折线图通常用来对两个连续变量之间的相互依存关系进行可视化。其中x也可以是因子型变量。

　　善于发现的你，可能会注意到上面三段代码有一个重要的不同之处，那就是第一段和第二段代码中含有group = 1的设置。这样做是因为横坐标的属性设置为了因子，即将连续型的年份和离散型的字符转换为因子，如果不添加group = 1这样的条件，绘图将会报错。故务必需要记住这里的易犯错误的点！

　　往折线图中添加标记（点） 当数据点密度比较小或采集分布(间隔)不均匀时，为折线图做上标记将会产生非常好的效果。处理的方法非常简单，只需在折线图的基础上再加上geom_point()函数即可。

　　从图中就可以非常明显的看出，刚开始采集的点分布非常散，而后面采集的点就比较密集，这也有助于对图的理解和应用。

　　二、绘制多条折线图 上面绘制的都是单条这折线图，对于两个或两个以上的折线图该如何绘制呢？也很简单，只需将其他离散变量赋给诸如colour(线条颜色)和linetype(线条形状)的属性即可，具体参见下文例子。

　　同样需要注意的是，在绘制多条折线图时，如果横坐标为因子，必须还得加上group=分组变量的参数，否则报错或绘制出错误的图形。

　　以上绘制的折线图，均采用默认格式，不论是颜色、形状、大小还是透明度，均没有给出自定义的格式。其实ggplot2包也是允许用户根据自己的想法设置这些属性的。

　　虽然这幅图画的优点夸张，目的是想说明可以通过自定义的方式，想怎么改就可以怎么改。前提是aes()属性的内容与自定义的内容对应上。

　　绘制堆叠的面积图只需要geom_area()函数再加上一个离散变量映射到fill就可以轻松实现，先忙咱小试牛刀一下。

　　一幅堆叠的面积图就轻松绘制成功，但我们发现，堆叠的顺序与图例的顺序恰好相反，不用急，只需要加一句命令即可：

　　其中，colour设置面积图边框的颜色；size设置边框线的粗细；alpha设置面积图和边框线的透明度。

　　该方法是通过添加堆叠线条（必须设置geom_line()中position参数为stack，否则只是添加了两条线，无法与面积图的顶部重合）。这两幅图的区别在于第二种方式没有绘制面积图左右边框和底边框。在实际应用中，建议不要在面积图中绘制边框线，因为边框的存在可能产生误导。

　　但通过这种方式（设置面积图的positon=fill）存在一点点小缺陷，即无法绘制出百分比堆积面积图顶部的线条，该如何实现呢？这里只需要对原始数据集做一步汇总工作，让后按部就班的绘制面积图即可。

　　散点图通常用来刻画两个连续型变量之间的关系，数据集中的每一条观测都由散点图中的一个点来表示。在散点图中也可以加入一些直线或曲线，用来表示基于统计模型的拟合。当数据集记录很多时，散点图可能会彼此重叠，这种情况往往需要一些预处理操作。

　　散点图可以用来描述两个连续变量之间的关系,一般在做数据探索分析时会使用到,通过散点图发现变量之间的相关性强度、是否线性关系等。

　　可以使用shape和size分别指定点型和点的大小，如果点型包括填充和描边的话，可用fill和color分别指定填充色和描边色。

　　可将分组变量(因子或字符变量)赋值给颜色或形状属性,实现分组散点图的绘制

　　注意点的形状,21-25之间的点的形状,既可以赋值边框颜色,又可以赋值填充色。

　　图例上,颜色越深而对应的值越小,如何将值的大小与颜色的深浅保持一致？只需要人为的设置色阶,从低到高设置不同的颜色即可

　　当然，还可以将连续型变量映射到散点的颜色或大小等存在渐变的属性上，从而呈现三个连续型变量之间的关系。其中人眼对于x轴和y轴所对应变量的变化更为敏感，而对颜色和大小的变化则不那么敏感。

　　同时映射类别型变量和连续型变量，并设置散点的面积正比于连续型变量的大小，默认为非线性映射。

　　# 将连续型变量赋给颜色属性或大小属性,自定义双色梯度,色阶间隔顺序由低到高

　　默认情况下,stat_bin2d()函数将x轴和y轴的数据点各分位30段,即参数900个箱子；用户还可以自定义分段个数,以及箱子在垂直和水平方向上的宽度。

　　分箱的具体做法是,将点分箱,并统计每个箱中点的个数,然后通过某种方法可视化这个数量。

　　# 使用stat_density2d作二维密度估计,并将等高线添加到散点图中

　　#通过边际地毯，可以快速查看每个坐标轴上数据的分布密疏情况。还可以通过向边际地毯线的位置坐标添加扰动并设定size减少线宽，从而减轻边际地毯线的重叠程度。

　　当x轴和y轴对应一个或两个离散型变量时，例如虽然对应数值，但是数值仅取某些离散点，可以给散点图添加扰动，使得散点分离开来。

　　以下使用Logistic回归拟合一个二分类的样本，可以看出V1和classn具有二分类关系，Logistic回归曲线也说明了这一点。

　　如果已经将类别型变量映射到散点的颜色或形状，则在添加拟合线时会分别为每一组添加一条拟合线。可以看到身高随着年龄增长而增加，到一定年龄后停止增长，且男性比女性平均身高更高。

　　散点图矩阵用于展示多幅散点图，pairs()函数可以创建基础的散点图矩阵，以下代码包含mpg、disp、drat和wt中任意两者的散点图。

　　car包的scatterplotMatrix()函数也可以生成散点图矩阵，并支持以下操作：

　　再来一个scatterplotMatrix()函数的使用例子，主对角线的核密度曲线改为了直方图，并且直方图以汽车气缸数为条件绘制。

　　gclus包中的cpairs()函数提供了一个有趣的散点图矩阵变种，支持重排矩阵中变量的位置，让相关性更高的变量更靠近主对角线，还可以对各单元格进行颜色编码来展示变量间的相关性大小。

　　可以发现相关性最高（0.89）的是车重（wt）和排量（disp），以及车重（wt）和每加仑英里数（mpg）。相关性最低（0.68）的是每加仑英里数（mpg）和后轴比（drat）。以下代码根据相关性大小，对散点图矩阵中的这些变量重新排序并着色。

　　当散点图中点数量过大时，数据点的重叠将会导致绘图效果显著变差。对于这种情况，可以使用封箱、颜色和透明度等来指定图中任意点上重叠点的数目。

　　smoothScatter()函数可利用核密度估计生成用颜色密度来表示点分布的散点图。

　　hexbin包中的hexbin()函数将二元变量的封箱放到六边形单元格中。

　　如果想一次性对三个定量变量的交互进行可视化，那么可以使用scatterplot3d中的scatterplot3d()函数进行绘制。

　　scatterplot3d()函数提供了许多选项，包括设置图形符号、轴、颜色、线条、网格线、突出显示和角度等功能。例如以下代码生成一幅突出显示效果的三维散点图，增强了纵深感并添加了连接点与水平面的垂直线