R语言绘制二维散点与统计分布组合图

2023-10-18 06:50
文章标签 语言 分布 统计 组合 绘制 二维 散点

本文主要是介绍R语言绘制二维散点与统计分布组合图，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！ 

library(ggplot2)
library(RColorBrewer)#-------------------------------------------Method 1: ggpubr包的ggscatterhist()函数------------------------------
library(ggpubr)N<-300
x1 <- rnorm(mean=1.5, N)
y1 <- rnorm(mean=1.6, N)
x2 <- rnorm(mean=2.5, N)
y2 <- rnorm(mean=2.2, N)data1 <- data.frame(x=c(x1,x2),y=c(y1,y2))#(a) 二维散点与统计直方图
ggscatterhist(data1, x ='x', y = 'y', shape=21,fill="#00AFBB",color = "black",size = 3, alpha = 1,#palette = c("#00AFBB", "#E7B800", "#FC4E07"),margin.params = list( fill="#00AFBB",color = "black", size = 0.2,alpha=1),margin.plot =  "histogram",legend = c(0.8,0.8),ggtheme = theme_minimal())

在这里插入图片描述

N<-200
x1 <- rnorm(mean=1.5, sd=0.5,N)
y1 <- rnorm(mean=2,sd=0.2, N)
x2 <- rnorm(mean=2.5,sd=0.5, N)
y2 <- rnorm(mean=2.5,sd=0.5, N)
x3 <- rnorm(mean=1, sd=0.3,N)
y3 <- rnorm(mean=1.5,sd=0.2, N)data2 <- data.frame(x=c(x1,x2,x3),y=c(y1,y2,y3),class=rep(c("A","B","C"),each=200))#(b) 二维散点与核密度估计图
ggscatterhist(data2,  x ='x', y = 'y',  #irisshape=21,color ="black",fill= "class", size =3, alpha = 0.8,palette = c("#00AFBB", "#E7B800", "#FC4E07"),margin.plot =  "density",margin.params = list(fill = "class", color = "black", size = 0.2),legend = c(0.9,0.15),ggtheme = theme_minimal())

在这里插入图片描述

#-----------------------------------Method 2: ggExtra包的ggMarginal()函数------------------------------------library(ggExtra)#(a) 二维散点与统计直方图
scatter <- ggplot(data=data1,aes(x=x,y=y)) + geom_point(shape=21,fill="#00AFBB",color="black",size=3)+theme_minimal()+theme(#text=element_text(size=15,face="plain",color="black"),axis.title=element_text(size=15,face="plain",color="black"),axis.text = element_text(size=13,face="plain",color="black"),legend.text= element_text(size=13,face="plain",color="black"),legend.title=element_text(size=12,face="plain",color="black"),legend.background=element_blank()#legend.position = c(0.12,0.88))ggMarginal(scatter,type="histogram",color="black",fill="#00AFBB")

在这里插入图片描述

#(b) 二维散点与核密度估计图
scatter <- ggplot(data=data2,aes(x=x,y=y,colour=class,fill=class)) + geom_point(aes(fill=class),shape=21,size=3)+#,colour="black")+scale_fill_manual(values= c("#00AFBB", "#E7B800", "#FC4E07"))+scale_colour_manual(values=c("#00AFBB", "#E7B800", "#FC4E07"))+theme_minimal()+theme(#text=element_text(size=15,face="plain",color="black"),axis.title=element_text(size=15,face="plain",color="black"),axis.text = element_text(size=13,face="plain",color="black"),legend.text= element_text(size=13,face="plain",color="black"),legend.title=element_text(size=12,face="plain",color="black"),legend.background=element_blank(),legend.position = c(0.9,0.15))ggMarginal(scatter,type="density",color="black",groupColour = FALSE,groupFill = TRUE)

在这里插入图片描述

#-----------------------------------method 3:grid.arrange()函数------------------------------
library(gridExtra)
#(a) 二维散点与统计直方图# 绘制主图散点图，并将图例去除，这里point层和path层使用了不同的数据集
scatter <- ggplot() + geom_point(data=data1,aes(x=x,y=y),shape=21,color="black",size=3)+theme_minimal()
# 绘制上边的直方图，并将各种标注去除
hist_top <- ggplot()+geom_histogram(aes(data1$x),colour='black',fill='#00AFBB',binwidth = 0.3)+theme_minimal()+theme(panel.background=element_blank(),axis.title.x=element_blank(), axis.title.y=element_blank(),axis.text.x=element_blank(),axis.text.y=element_blank(),axis.ticks=element_blank())
# 同样绘制右边的直方图
hist_right <- ggplot()+geom_histogram(aes(data1$y),colour='black',fill='#00AFBB',binwidth = 0.3)+theme_minimal()+theme(panel.background=element_blank(),axis.title.x=element_blank(), axis.title.y=element_blank(),#axis.text.x=element_blank(),axis.text.y=element_blank(),axis.ticks=element_blank())+coord_flip()empty <- ggplot() +theme(panel.background=element_blank(),axis.title.x=element_blank(), axis.title.y=element_blank(),axis.text.x=element_blank(),axis.text.y=element_blank(),axis.ticks=element_blank())
# 要由四个图形组合而成，可以用空白图作为右上角的图形也可以，但为了好玩加上了R的logo，这是一种在ggplot中增加jpeg位图的方法
# logo <-  read.jpeg("d:\\Rlogo.jpg")
# empty <- ggplot(data.frame(x=1:10,y=1:10),aes(x,y))+
#   annotation_raster(logo,-Inf, Inf, -Inf, Inf)+
#   opts(axis.title.x=theme_blank(), 
#        axis.title.y=theme_blank(),
#        axis.text.x=theme_blank(),
#        axis.text.y=theme_blank(),
#        axis.ticks=theme_blank())
# 最终的组合
grid.arrange(hist_top, empty, scatter, hist_right, ncol=2, nrow=2, widths=c(4,1), heights=c(1,4))#(b) 二维散点与核密度估计图# 绘制主图散点图，并将图例去除，这里point层和path层使用了不同的数据集
scatter <- ggplot() + geom_point(data=data2,aes(x=x,y=y,fill=class),shape=21,color="black",size=3)+scale_fill_manual(values= c("#00AFBB", "#E7B800", "#FC4E07"))+theme_minimal()+theme(legend.position=c(0.9,0.2))

在这里插入图片描述

#-----------------------------------method 3:grid.arrange()函数------------------------------
library(gridExtra)
#(a) 二维散点与统计直方图# 绘制主图散点图，并将图例去除，这里point层和path层使用了不同的数据集
scatter <- ggplot() + geom_point(data=data1,aes(x=x,y=y),shape=21,color="black",size=3)+theme_minimal()
# 绘制上边的直方图，并将各种标注去除
hist_top <- ggplot()+geom_histogram(aes(data1$x),colour='black',fill='#00AFBB',binwidth = 0.3)+theme_minimal()+theme(panel.background=element_blank(),axis.title.x=element_blank(), axis.title.y=element_blank(),axis.text.x=element_blank(),axis.text.y=element_blank(),axis.ticks=element_blank())
# 同样绘制右边的直方图
hist_right <- ggplot()+geom_histogram(aes(data1$y),colour='black',fill='#00AFBB',binwidth = 0.3)+theme_minimal()+theme(panel.background=element_blank(),axis.title.x=element_blank(), axis.title.y=element_blank(),#axis.text.x=element_blank(),axis.text.y=element_blank(),axis.ticks=element_blank())+coord_flip()empty <- ggplot() +theme(panel.background=element_blank(),axis.title.x=element_blank(), axis.title.y=element_blank(),axis.text.x=element_blank(),axis.text.y=element_blank(),axis.ticks=element_blank())
# 要由四个图形组合而成，可以用空白图作为右上角的图形也可以，但为了好玩加上了R的logo，这是一种在ggplot中增加jpeg位图的方法
# logo <-  read.jpeg("d:\\Rlogo.jpg")
# empty <- ggplot(data.frame(x=1:10,y=1:10),aes(x,y))+
#   annotation_raster(logo,-Inf, Inf, -Inf, Inf)+
#   opts(axis.title.x=theme_blank(), 
#        axis.title.y=theme_blank(),
#        axis.text.x=theme_blank(),
#        axis.text.y=theme_blank(),
#        axis.ticks=theme_blank())
# 最终的组合
grid.arrange(hist_top, empty, scatter, hist_right, ncol=2, nrow=2, widths=c(4,1), heights=c(1,4))#(b) 二维散点与核密度估计图# 绘制主图散点图，并将图例去除，这里point层和path层使用了不同的数据集
scatter <- ggplot() + geom_point(data=data2,aes(x=x,y=y,fill=class),shape=21,color="black",size=3)+scale_fill_manual(values= c("#00AFBB", "#E7B800", "#FC4E07"))+theme_minimal()+theme(legend.position=c(0.9,0.2))
# 绘制上边的直方图，并将各种标注去除
hist_top <- ggplot()+geom_density(data=data2,aes(x,fill=class),colour='black',alpha=0.7)+scale_fill_manual(values= c("#00AFBB", "#E7B800", "#FC4E07"))+theme_void()+theme(legend.position="none")
# 同样绘制右边的直方图
hist_right <- ggplot()+geom_density(data=data2,aes(y,fill=class),colour='black',alpha=0.7)+scale_fill_manual(values= c("#00AFBB", "#E7B800", "#FC4E07"))+theme_void()+coord_flip()+theme(legend.position="none")empty <- ggplot() +theme(panel.background=element_blank(),axis.title.x=element_blank(), axis.title.y=element_blank(),axis.text.x=element_blank(),axis.text.y=element_blank(),axis.ticks=element_blank())
# 要由四个图形组合而成，可以用空白图作为右上角的图形也可以，但为了好玩加上了R的logo，这是一种在ggplot中增加jpeg位图的方法
# logo <-  read.jpeg("d:\\Rlogo.jpg")
# empty <- ggplot(data.frame(x=1:10,y=1:10),aes(x,y))+
#   annotation_raster(logo,-Inf, Inf, -Inf, Inf)+
#   opts(axis.title.x=theme_blank(), 
#        axis.title.y=theme_blank(),
#        axis.text.x=theme_blank(),
#        axis.text.y=theme_blank(),
#        axis.ticks=theme_blank())
# 最终的组合
grid.arrange(hist_top, empty, scatter, hist_right, ncol=2, nrow=2, widths=c(4,1), heights=c(1,4))

在这里插入图片描述
开发工具:RStudio与微信快捷截屏工具Alt+A

这篇关于R语言绘制二维散点与统计分布组合图的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/230903。

相关文章

Go语言中泄漏缓冲区的问题解决

Go语言中泄漏缓冲区的问题解决

《Go语言中泄漏缓冲区的问题解决》缓冲区是一种常见的数据结构,常被用于在不同的并发单元之间传递数据,然而,若缓冲区使用不当,就可能引发泄漏缓冲区问题,本文就来介绍一下问题的解决,感兴趣的可以了解一下... 目录引言泄漏缓冲区的基本概念代码示例：泄漏缓冲区的产生项目场景：Web 服务器中的请求缓冲场景描述代码
阅读更多...
Go语言如何判断两张图片的相似度

Go语言如何判断两张图片的相似度

《Go语言如何判断两张图片的相似度》这篇文章主要为大家详细介绍了Go语言如何中实现判断两张图片的相似度的两种方法,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 在介绍技术细节前，我们先来看看图片对比在哪些场景下可以用得到：图片去重：自动删除重复图片，为存储空间"瘦身"。想象你是一个
阅读更多...
Go语言中Recover机制的使用

Go语言中Recover机制的使用

《Go语言中Recover机制的使用》Go语言的recover机制通过defer函数捕获panic,实现异常恢复与程序稳定性,具有一定的参考价值,感兴趣的可以了解一下... 目录引言Recover 的基本概念基本代码示例简单的 Recover 示例嵌套函数中的 Recover项目场景中的应用Web 服务器中
阅读更多...
详解如何使用Python从零开始构建文本统计模型

详解如何使用Python从零开始构建文本统计模型

《详解如何使用Python从零开始构建文本统计模型》在自然语言处理领域,词汇表构建是文本预处理的关键环节,本文通过Python代码实践,演示如何从原始文本中提取多尺度特征,并通过动态调整机制构建更精确... 目录一、项目背景与核心思想二、核心代码解析1. 数据加载与预处理2. 多尺度字符统计3. 统计结果可
阅读更多...
Go语言中使用JWT进行身份验证的几种方式

Go语言中使用JWT进行身份验证的几种方式

《Go语言中使用JWT进行身份验证的几种方式》本文主要介绍了Go语言中使用JWT进行身份验证的几种方式,包括dgrijalva/jwt-go、golang-jwt/jwt、lestrrat-go/jw... 目录简介1. github.com/dgrijalva/jwt-go安装：使用示例：解释：2. gi
阅读更多...
Go 语言中的 Struct Tag 的用法详解

Go 语言中的 Struct Tag 的用法详解

《Go语言中的StructTag的用法详解》在Go语言中,结构体字段标签（StructTag）是一种用于给字段添加元信息（metadata）的机制,常用于序列化（如JSON、XML）、ORM映... 目录一、结构体标签的基本语法二、json:"token"的具体含义三、常见的标签格式变体四、使用示例五、使用
阅读更多...
Go语言使用slices包轻松实现排序功能

Go语言使用slices包轻松实现排序功能

《Go语言使用slices包轻松实现排序功能》在Go语言开发中,对数据进行排序是常见的需求,Go1.18版本引入的slices包提供了简洁高效的排序解决方案,支持内置类型和用户自定义类型的排序操作,本... 目录一、内置类型排序：字符串与整数的应用1. 字符串切片排序2. 整数切片排序二、检查切片排序状态：
阅读更多...
QT6中绘制UI的两种方法详解与示例代码

QT6中绘制UI的两种方法详解与示例代码

《QT6中绘制UI的两种方法详解与示例代码》Qt6提供了两种主要的UI绘制技术：​​QML(QtMeta-ObjectLanguage)​​和​​C++Widgets​​,这两种技术各有优势,适用于不... 目录一、QML 技术详解1.1 QML 简介1.2 QML 的核心概念1.3 QML 示例：简单按钮
阅读更多...
基于Go语言实现Base62编码的三种方式以及对比分析

基于Go语言实现Base62编码的三种方式以及对比分析

《基于Go语言实现Base62编码的三种方式以及对比分析》Base62编码是一种在字符编码中使用62个字符的编码方式,在计算机科学中,,Go语言是一种静态类型、编译型语言,它由Google开发并开源,... 目录一、标准库现状与解决方案1. 标准库对比表2. 解决方案完整实现代码（含边界处理）二、关键实现细
阅读更多...
如何合理管控Java语言的异常

如何合理管控Java语言的异常

《如何合理管控Java语言的异常》：本文主要介绍如何合理管控Java语言的异常问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1、介绍2、Thorwable类3、Error4、Exception类4.1、检查异常4.2、运行时异常5、处理方式5.1. 捕获异常
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2