大家好，今天来为大家解答掌握R语言基础绘图：全面学习R作图技巧这个问题的一些问题点，包括也一样很多人还不知道，因此呢，今天就来为大家分析分析，现在让我们一起来看看吧！如果解决了您的问题，还望您关注下本站哦，谢谢~

4.1.1　函数plot( )

函数plot()是一个通用函数，可以针对不同类型的数据绘制不同的图形。例如，对于数值数据，可以绘制散点图；对于分类数据，可以绘制箱线图；对于一些统计模型，它可以绘制相应的图形，例如对于生存分析，它可以绘制生存曲线。因此，plot()函数的使用非常频繁。建议读者打开其帮助文档查看其各种常用参数的使用方法。

下面是一个样本数据，用于表示患有某种疾病的患者对2 种药物（药物A 和药物B）和5 个剂量水平的反应。

剂量- c(20, 30, 40, 45, 60)drugA- c(16, 20, 27, 40, 60)drugB- c(15, 18, 25, 31, 40) 使用上面的数据绘制药物A 的图剂量和反应关系图：

plot(dose, drugA)plot(dose, drugA, type='b') 上面的命令创建两个图形。函数plot()中的参数类型默认为“p”（代表点），因此得到的图4 -1(a)是散点图。在第二行命令中，参数类型更改为“b”（代表点和线），因此得到的图4-1（b）是点线图。

(a) (b) 图4-1 药物A的剂量反应关系散点图(a)和点线图(b)

函数plot() 用于创建一个新图表。我们还可以使用低级绘图函数，例如lines()、legend()等，向现有图形添加新的图形元素。例如：

绘图（剂量，药物A，类型='b'，+ xlab='剂量'，ylab='响应'，+ lty=1，pch=15）线（剂量，药物B，类型='b'，lty=2， pch=17)legend('topleft', title='药物类型',+ legend=c('A', 'B'), + lty=c(1, 2), + pch=c(15, 17)) 如图4-2所示，为了比较两种药物在不同剂量下的反应，我们在一张图上显示两个点线图，并使用不同类型的线（lty）和具有不同特征的点（pch）被区分。为了增强可读性，还添加了图例。需要注意的是，函数legend()中点和线的属性必须与前面函数plot()和lines()中设置的属性一致。

图4-2 药物A和药物B的剂量和反应关系比较

4.1.2　直方图和密度曲线图

直方图是显示连续变量分布的最常用工具。它本质上是密度函数的估计。直方图和密度图通常用于探索分布，很少用于报告结果。函数hist() 可用于绘制直方图。

厌食症数据集位于MASS 包中，来自一项关于年轻女性厌食症患者体重变化的研究。该数据集包含72 个观察对象和3 个变量。变量Treat（处理方法）是一个包含3个水平的因子。变量Prewt 和Postwt 都是数值，代表治疗前后的体重（单位：磅）。以下是变量Prewt 的直方图。代码如下：

数据（厌食症，包='MASS'）str（厌食症）'data.frame': 72 obs。 3 个变量： $ Treat : 因子w/3 个水平'CBT','Cont','FT': 2 2 2 2 2 2 2 2 2 2 . $ Prewt : num 80.7 89.4 91.8 74 78.1 88.3 87.3 75.1 80.6 78.4 . $ Postwt: num 80.2 80.1 86.4 86.3 76.1 78.1 75.1 86.7 73.5 84.6 .attach(anorexia)hist(Prewt) 图4-3(a) 显示了变量Prewt 的频率分布。由于函数hist()中没有设置参数，因此图中使用默认的组距离和轴标签。需要注意的是，直方图的形状受组间隔的影响。有时我们需要尝试不同的参数break值以获得合适的图表。函数hist()的输出结果包含一些计算返回值，可以用于进一步绘图或分析，例如区间的划分端点、频率（或密度）、区间中点等。

密度曲线提供了对数据分布的更平滑的描述。绘制密度曲线的方法是：

从图4-3(b) 可以看出，变量Prewt 的分布是单峰的，并且基本对称。我们还可以向直方图添加密度曲线、轴和须线。这时需要将函数hist()中的参数freq设置为FALSE，即用频率代替纵坐标，否则密度曲线几乎看不到。参数las设置为1以水平显示垂直轴的刻度标签。

hist(Prewt, freq=FALSE, col='红色',+ xlab='体重(磅)', + main='治疗前体重分布直方图',+ las=1)lines(密度(Prewt), col='blue', lwd=2) rug (Prewt) detach (anorexia) 图4-3 (c) 用红色填充条形，添加更多信息性的轴标签和标题，以及设置垂直轴刻度标签，通过设置参数las为1改为水平显示。然后使用函数lines()在直方图上叠加一条默认线宽两倍的蓝色密度曲线。最后，使用函数rug()在横轴上添加轴须图，以显示数据分布的密集趋势。

(a) (b) (c) 图4-3 直方图示例

4.1.3　条形图

条形图经常用于医学科学论文中。它们通过垂直或水平矩形显示分类变量的频率分布。函数barplot() 可用于绘制条形图。下面以vcd包中的Arthritis数据集为例，介绍函数barplot()的用法。该数据集来自一项类风湿关节炎新疗法的分组对照、双盲临床试验研究。响应变量Improved记录了每个接受药物治疗（Treated，41例）或安慰剂（Placebo，43例）的患者的治疗效果，分为3个级别（None、Some、Marked）。

library(vcd)data(Arthritis)attach(Arthritis)counts- table(Improved)countsImproved None Some Marked 42 14 28 函数table() 用于生成分类变量的频率统计表。从上面的输出中，我们可以看到28名患者有明显改善，14名患者部分改善，42名患者没有改善。可以使用条形图来显示该频率分布，如图4-4(a) 所示。

barplot(counts, xlab='Improvement', ylab='Freqency', las=1) 函数barplot() 还可用于显示二维列联表中的数据。图4-4(b)绘制了分组条形图并添加了颜色和图例。代码如下：

计数-表（改进，治疗）条形图（计数，+ col=c（'红色'，'黄色'，'绿色'），+ xlab='改进'，ylab='频率'，+旁边=TRUE，las=1) legend('top', legend=rownames(counts), + fill=c('red', 'yellow', 'green')) (a) (b) 图4-4 条形图示例

条形图有时可用于显示不同类别下的均值、中位数、标准差、置信区间等。该功能可以使用基础包中的函数来实现，但需要的步骤较多。 epiDisplay包中的函数aggregate.plot()可以简化这个过程。下面的代码以厌食症数据集为例，绘制不同治疗方法下治疗后平均体重的条形图。结果如图4-5所示。

库(epiDisplay)aggregate.plot(anorexia$Postwt, by=list(anorexia$Treat), + error='sd', legend=FALSE, + bar.col=c('红色', '黄色', '绿色' ),+ ylim=c(0,100), las=1,+ main='') 图4-5 平均标准差条形图示例

上面的误差条代表标准偏差。我们可以通过更改函数aggregate.plot()中的误差参数设置来显示标准误差或置信区间。

4.1.4　饼图

饼图可用于显示分类数据的比例。例如，通过以下代码绘制的饼图（图4-6）显示了一周内医院急诊入院的疾病类型分布情况。

%- c(5.8, 27.0, 0.5, 20.8, 12.8, 33.1)disease- c('尚飞', '中风', '外伤', '晕倒', '食物中毒', '其他')lbs-paste0( 疾病，%,'%')pie(percent,labels=lbs,col=rainbow(6)) 图4-6某医院一周内急诊患者入院诊断分布

大多数统计学家不建议使用饼图，更喜欢使用条形图或点图而不是饼图，因为人们判断长度比面积更准确。因此，基础包的函数pie()用于绘制饼图的选项有限。然而，一些捐赠的软件包扩展了R 绘制饼图的功能，例如plotrix 软件包。该包提供的函数pie3D()可以绘制三维饼图，另一个函数fan.plot()可以绘制扇形图，功能与饼图类似。有兴趣的读者可以安装这个包并查看其帮助文档。

4.1.5　箱线图和小提琴图

箱线图，又称箱须图，常用于显示数据的一般分布特征，也用于探索异常值和异常值。函数boxplot() 可用于绘制箱线图。下面用箱线图展示了厌食数据集前后体重变化的分布情况。

anorexia$wt.change- anorexia$Postwt - anorexia$Prewtboxplot(anorexia$wt.change, ylab='体重变化(lbs)', las=1) 为了让读者更好地理解箱线图各部分的含义，作者在图4-7中添加了手动注释。如果数据是对称分布的，中位数（Median）应该位于上四分位数（Upper quartile）和下四分位数（Lower quartile）的中间，即箱线图的方框关于中位线对称。上铰链和下铰链之外的值通常被认为是异常值。

图4-7：添加标签的箱线图示例

平行箱线图可用于比较分类变量的每个类别下指标的分布。例如，要比较不同处理下的体重变化，可以使用以下命令：

boxplot(wt.change ~ Treat, data=anorexia,+ ylab='体重变化(lbs)', las=1) 函数boxplot() 的第一个参数是一个公式。 R中的公式一般使用符号“~”来连接变量。 “~”左边可以视为因变量，“~”右边可以视为自变量。从图4-8（a）可以看出，“FT”（家庭治疗）组的体重变化高于其他两组。然而，差异的显着性需要进一步的显着性检验来确定，我们将在第5 章中详细讨论。

小提琴图可以被视为箱线图和密度图的组合。 vioplot 包中的函数vioplot() 可用于绘制小提琴图。使用前请先安装并加载该包。例如，图4-8(a)可以显示为小提琴图，如图4-8(b)所示。

library(vioplot)vioplot(wt.change ~ Treat, data=anorexia, + ylab='体重变化(lbs)',+ col='gold', las=1) (a) (b) 图4-8 不同处理该模式下权重变化的箱线图（a）和小提琴图（b）

4.1.6　克利夫兰点图

克利夫兰点图本质上是散点图。它通过点的位置显示数据的大小。它是一种在简单的水平尺度上绘制大量标记值的方法。其功能与条形图相同。数字相似，但强调数据的顺序以及数据之间的差距。函数dotchart() 可用于绘制克利夫兰点图。数据集包中的数据集VADeaths是1940年美国弗吉尼亚州城乡不同年龄段人群的死亡率（以表示）。克利夫兰点图（图4-9）可以更好地展示这一数据。代码如下：

dotchart(VADeaths)dotchart(t(VADeaths), pch=19) 从图4-9可以看出，死亡率随着年龄的增长而增加；同一年龄组中，农村地区死亡率高于城市地区；在同一年龄段、同一地区，男性死亡率高于女性。

图4-9：克利夫兰点图示例

4.1.7　导出图形

《医学统计学概论》，华中科技大学同济医学院于松林教授作序。本书强调实用性和应用性，突出问题的本质和整体结构，并包含大量的R程序示例和图形，让你对数据分析有更深入的理解。本书以医疗数据为例，讲解了如何使用R进行数据分析，并结合大量精选实例和对常用分析方法的深入介绍，帮助读者解决医疗数据分析中的实际问题。

本书共分为14章。第1章至第3章介绍R语言的基本用法；第4章介绍数据可视化；第5章介绍基本的统计分析方法；第6章至第8章介绍医学研究中最常用的三种回归模型；第9章介绍生存分析的基本方法；第10章至第12章介绍了几种常用的多元统计分析方法；第13章介绍了临床诊断检验的统计评价指标和计算方法；第14章介绍医学研究实践中常用的荟萃分析方法。

本书适用于临床医学、公共卫生等医学相关专业本科生和研究生。也可作为其他专业学生和研究人员学习数据分析的参考书。阅读本书后，读者不仅可以掌握如何使用R及相关包快速解决实际问题，还可以对数据分析有更深入的了解。