本文主要介绍了R语言绘图-点状图案例，有很好的参考价值，希望对大家有所帮助。来和边肖一起看看吧。
点图简介
该图也被称为克利夫兰点图，克利夫兰点图。可以在横线上画大量的点，更好的表现点与点之间的关系。强调数据的排序显示和数据之间的差距。
图形一般是水平显示的，所以Y轴是类别变量，X轴是要显示的数据值。
dotchart函数
dotchart(x，labels=NULL，groups=NULL，gdata=NULL
ann=par('ann ')，xaxt=par('xaxt ')，frame.plot=TRUE，log=' '，
cex=par('cex ')，pt.cex=cex，
pch=21，gpch=21，bg=par('bg ')，
color=par('fg ')，gcolor=par('fg ')，lcolor='gray '，
xlim=range(x[is .有限(x)])，
main=NULL，xlab=NULL，ylab=NULL，)
R语言的基础包中包含的dotchart函数可以绘制点状图。
上面介绍的例子都是抄袭dotchart的函数帮助文档。
dotchart(VADeaths，main=' 1940年弗吉尼亚的死亡率')
数据是1940年每1000人的死亡率。数据按年龄组划分，按地点、性别、性别分组。
VADeaths
农村男性农村女性城市男性城市女性
50-54 11.7 8.7 15.4 8.4
55-59 18.1 11.7 24.3 13.6
60-64 26.9 20.3 37.0 19.3
65-69 41.0 30.9 54.6 35.1
70-74 66.0 54.3 71.1 50.0
dot 比较图
我想比较一下特定地方的男女死亡率。在这种情况下，需要对数据进行处理。下面的代码处理起来相当麻烦。但是达到了我想要的效果。
rural dfmale-data . frame(row names(va deadlines)，va deadlines[，1]，c('男性'，'男性'，'男性'，'男性'，'男性'))
姓名(农村)- c('年龄组'，'死亡率'，'性别' )
ruralDFFeMale-data . frame(row names(va deaths)，VADeaths[，2]，c('FeMale '，' Female '，' Female '，' Female '，' Female '，' Female '))
姓名(ruralDFFeMale) - c('年龄组'，'死亡率'，'性别' )
ruralDF - rbind(ruralDFMale，ruralDFMale)
colorFun -功能(性别){
colorVec向量()
对于(性别为g){
if(g=='Female') {
colorVec - c(colorVec，“红色”)
}否则{
colorVec - c(colorVec，“蓝色”)
}
}
colorVec
}
dotchart(ruralDF$DeathRate，main=' 1940年弗吉尼亚的死亡率'，groups=ruralDF$AgeGroup，color=colorFun(ruralDF$Gender))
处理过的数据
ruralDF
年龄组死亡率性别
50-54岁男性
55-59岁
26.9岁男性
65-69岁男性
70-74岁
8.7名女性
11.7岁女性
20.3岁女性
65-69岁30.9岁女性
54.3名女性
图中红色为雌性，蓝色为雄性。结果符合常识，女性寿命比男性长。所以同年龄段女性死亡率低于男性。
补充：R语言作图——violin plot(小提琴图)
当小贤决定学习R语言来提高自己的画图水平时，他还有些疑惑(嘿嘿，我这么懒，不想做无用功？)。仔细一想，似乎又找到了两个学r的理由。
第一，R可以帮助我们避免重复劳动，实现“一劳永逸”的终极梦想。虽然我真的不愿意承认这个事实，但是在科研过程中，小贤同学产生了很多“无效”的数据(签……)，却不得不“绞尽脑汁”“竭尽全力”地花里胡哨地分析，试图找到合理的解释。这时候用Excel或者Origin绘图的弊端就显露出来了。我们每改变一个分析方法或数据，都需要经过“插图”、“调色”、“调间距”等复杂的程序，才能画出一张可作为“圣面”的图。神仙学生一想到这些就觉得“累，不爱”。
第二，R可以自动生成更漂亮的图片。不知道大家有没有这种感觉，辛辛苦苦画了半天调出来的图，会被真实却残酷的评价为“很丑”(这是小贤心中永远的痛)。即使本小仙自以为眼光独到，品味高雅，努力尝试“高级”的配色，但搭配总是不尽如人意(网络名人里实测的“莫兰迪色”晚上带火不适合科研图纸)。配色、饱和度、透明度的调整没有想象中那么容易。折腾了半天，天生不服气的本小仙终于决定把专业的工作留给专业的人去做(偷偷告诉你，据说有的科学家专门研究纸质插图的配色，你自己的图片没那么好看就不要“妄自菲薄”了)。
好了，说了这么多，我终于要进入正题了。当初用R画画的时候，小贤同学其实很痛苦，因为他没有编程基础，在瓶瓶罐罐中度过了几年。当他看到一行行代码时，脑海中浮现的都是“%# @ $”。尤其是当你有实验要做，有报告要写，有作业要交的时候，真的太难心平气和的坐下来，踏踏实实的学习了(有人说小贤同学这么忙是因为效率低，好像是真的。苦的时候说不出来)。
后来，本小仙的学习策略很简单。我用什么搜什么。我对数据结构和语法结构一点也不感兴趣。这是在最短的时间内画出我想要的画的最好方法。即便如此，小仙还是费了一番功夫。因为一些网上的教程，很多都是从其他地方复制粘贴过来的，本身就不完整。还有一个原因就是有些大神觉得自己的教程足够浅显易懂，有些大家都知道的基础知识根本不需要讲(小贤同学不接受，有基础知识的同学不用看教程就可以自己找出来。真正需要教程的是我们这些小白)。
小贤愿意试一试，分享最全面的，稍微修改的方法代码，不浪费那么多时间。
先说小提琴剧情。
(假设你已经安装了R和RStudio)
Step1. 绘图数据的准备
首先把你要画的数据调整成R语言能识别的格式。
一般我们的数据都保存在excel文档里。这里建议你在excel中保存为csv格式，读写速度会比xlsx快很多。(小仙女的亲身经历，我的一些数据有2万行，xlsx在我的忍耐范围内读不出来，RStudio崩溃)。
的数据格式如下：一列代表一个变量，第一行是列名。
Step2. 绘图数据的读取
Data-read.csv("你的文件路径"，header=T) #注意：header=T表示在数据中
的第一行是列名。如果没有列名，使用header=f。
Step3.绘图所需package的安装、调用
Install.package ("ggplot2") #注：ggplot2是一个强绘制的安装包。
库(ggplot2) #注意：使用前需要调用包。
Step4.绘图
data $ dose-as . factor(data $ dose)#注意：在这里，dose可以用你的变量名代替，$表示从数据集中取一个元素。
P-GG图(data，AES (x=dose，y=len)) #注：“x=”，“y=”表示x轴和y轴代表的变量值，p表示图像对象。
P geom_violin() #注：画violinlot的函数。
Step5.美化
P geom_violin(aes(fill=dose)) #注：按组填充不同颜色。
*如果要手动改变颜色，可以用这句话。
p geom _ violin(AES(fill=" dose "))scale _ fill _ manual(values=c(' # 56b4e 9 '))
#注：“#56B4E9”可以用其他色标代替。
以上个人经历，希望能给大家一个参考，也希望大家多多支持我们。如有错误或不足之处，请不吝赐教。
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。