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
在数字化商业环境中,数据已成为企业优化运营、抢占市场、规避风险的核心资产。但商业数据分析绝非“堆砌数据、生成报表”的简单 ...
2026-01-20定量报告的核心价值是传递数据洞察,但密密麻麻的表格、复杂的计算公式、晦涩的数值罗列,往往让读者望而却步,导致核心信息被淹 ...
2026-01-20在CDA(Certified Data Analyst)数据分析师的工作场景中,“精准分类与回归预测”是高频核心需求——比如预测用户是否流失、判 ...
2026-01-20在建筑工程造价工作中,清单汇总分类是核心环节之一,尤其是针对楼梯、楼梯间这类包含多个分项工程(如混凝土浇筑、钢筋制作、扶 ...
2026-01-19数据清洗是数据分析的“前置必修课”,其核心目标是剔除无效信息、修正错误数据,让原始数据具备准确性、一致性与可用性。在实际 ...
2026-01-19在CDA(Certified Data Analyst)数据分析师的日常工作中,常面临“无标签高维数据难以归类、群体规律模糊”的痛点——比如海量 ...
2026-01-19在数据仓库与数据分析体系中,维度表与事实表是构建结构化数据模型的核心组件,二者如同“骨架”与“血肉”,协同支撑起各类业务 ...
2026-01-16在游戏行业“存量竞争”的当下,玩家留存率直接决定游戏的生命周期与商业价值。一款游戏即便拥有出色的画面与玩法,若无法精准识 ...
2026-01-16为配合CDA考试中心的 2025 版 CDA Level III 认证新大纲落地,CDA 网校正式推出新大纲更新后的第一套官方模拟题。该模拟题严格遵 ...
2026-01-16在数据驱动决策的时代,数据分析已成为企业运营、产品优化、业务增长的核心工具。但实际工作中,很多数据分析项目看似流程完整, ...
2026-01-15在CDA(Certified Data Analyst)数据分析师的日常工作中,“高维数据处理”是高频痛点——比如用户画像包含“浏览次数、停留时 ...
2026-01-15在教育测量与评价领域,百分制考试成绩的分布规律是评估教学效果、优化命题设计的核心依据,而正态分布则是其中最具代表性的分布 ...
2026-01-15在用户从“接触产品”到“完成核心目标”的全链路中,流失是必然存在的——电商用户可能“浏览商品却未下单”,APP新用户可能“ ...
2026-01-14在产品增长的核心指标体系中,次日留存率是当之无愧的“入门级关键指标”——它直接反映用户对产品的首次体验反馈,是判断产品是 ...
2026-01-14在CDA(Certified Data Analyst)数据分析师的业务实操中,“分类预测”是高频核心需求——比如“预测用户是否会购买商品”“判 ...
2026-01-14在数字化时代,用户的每一次操作——无论是电商平台的“浏览-加购-下单”、APP的“登录-点击-留存”,还是金融产品的“注册-实名 ...
2026-01-13在数据驱动决策的时代,“数据质量决定分析价值”已成为行业共识。数据库、日志系统、第三方平台等渠道采集的原始数据,往往存在 ...
2026-01-13在CDA(Certified Data Analyst)数据分析师的核心能力体系中,“通过数据建立模型、实现预测与归因”是进阶关键——比如“预测 ...
2026-01-13在企业数字化转型过程中,业务模型与数据模型是两大核心支撑体系:业务模型承载“业务应该如何运转”的逻辑,数据模型解决“数据 ...
2026-01-12当前手游市场进入存量竞争时代,“拉新难、留存更难”成为行业普遍痛点。对于手游产品而言,用户留存率不仅直接决定产品的生命周 ...
2026-01-12