답변:
Frank Harrell의 Hmisc 패키지에는 주석 옵션이 포함 된 몇 가지 기본 그래픽이 있습니다 . summary.formula()
관련 plot
랩 기능을 확인하십시오 . 나는 또한 그 describe()
기능을 좋아한다 .
자세한 내용 은 Hmisc 라이브러리 또는 S-Plus 소개 및 Hmisc 및 디자인 라이브러리를 참조하십시오 .
다음은 온라인 도움말에서 가져온 일부 사진 (있다 bpplt
, describe
그리고 plot(summary(...))
) :
많은 다른 예는 온 - 라인에서 찾아 볼 수있는 매뉴얼 R 그래픽 참조 Hmisc을 (그리고 놓치지 마세요 RMS를 ).
PerformanceAnalytics 패키지 의 함수 차트. 상관 을 적극 권장합니다 . 각 변수에 대한 커널 밀도 도표 및 히스토그램, 각 변수 쌍에 대한 산점도, 로우 스 평 활기 및 상관 관계 등 놀라운 정보를 단일 차트에 담았습니다. 내가 좋아하는 그래픽 데이터 요약 함수 중 하나입니다.
library(PerformanceAnalytics)
chart.Correlation(iris[,1:4],col=iris$Species)
이 기능이 도움이되었다는 것을 알게되었습니다 . 원저자의 핸들은 respiratoryclub 입니다.
f_summary <- function(data_to_plot)
{
## univariate data summary
require(nortest)
#data <- as.numeric(scan ("data.txt")) #commenting out by mike
data <- na.omit(as.numeric(as.character(data_to_plot))) #added by mike
dataFull <- as.numeric(as.character(data_to_plot))
# first job is to save the graphics parameters currently used
def.par <- par(no.readonly = TRUE)
par("plt" = c(.2,.95,.2,.8))
layout( matrix(c(1,1,2,2,1,1,2,2,4,5,8,8,6,7,9,10,3,3,9,10), 5, 4, byrow = TRUE))
#histogram on the top left
h <- hist(data, breaks = "Sturges", plot = FALSE)
xfit<-seq(min(data),max(data),length=100)
yfit<-yfit<-dnorm(xfit,mean=mean(data),sd=sd(data))
yfit <- yfit*diff(h$mids[1:2])*length(data)
plot (h, axes = TRUE, main = paste(deparse(substitute(data_to_plot))), cex.main=2, xlab=NA)
lines(xfit, yfit, col="blue", lwd=2)
leg1 <- paste("mean = ", round(mean(data), digits = 4))
leg2 <- paste("sd = ", round(sd(data),digits = 4))
count <- paste("count = ", sum(!is.na(dataFull)))
missing <- paste("missing = ", sum(is.na(dataFull)))
legend(x = "topright", c(leg1,leg2,count,missing), bty = "n")
## normal qq plot
qqnorm(data, bty = "n", pch = 20)
qqline(data)
p <- ad.test(data)
leg <- paste("Anderson-Darling p = ", round(as.numeric(p[2]), digits = 4))
legend(x = "topleft", leg, bty = "n")
## boxplot (bottom left)
boxplot(data, horizontal = TRUE)
leg1 <- paste("median = ", round(median(data), digits = 4))
lq <- quantile(data, 0.25)
leg2 <- paste("25th percentile = ", round(lq,digits = 4))
uq <- quantile(data, 0.75)
leg3 <- paste("75th percentile = ", round(uq,digits = 4))
legend(x = "top", leg1, bty = "n")
legend(x = "bottom", paste(leg2, leg3, sep = "; "), bty = "n")
## the various histograms with different bins
h2 <- hist(data, breaks = (0:20 * (max(data) - min (data))/20)+min(data), plot = FALSE)
plot (h2, axes = TRUE, main = "20 bins")
h3 <- hist(data, breaks = (0:10 * (max(data) - min (data))/10)+min(data), plot = FALSE)
plot (h3, axes = TRUE, main = "10 bins")
h4 <- hist(data, breaks = (0:8 * (max(data) - min (data))/8)+min(data), plot = FALSE)
plot (h4, axes = TRUE, main = "8 bins")
h5 <- hist(data, breaks = (0:6 * (max(data) - min (data))/6)+min(data), plot = FALSE)
plot (h5, axes = TRUE,main = "6 bins")
## the time series, ACF and PACF
plot (data, main = "Time series", pch = 20, ylab = paste(deparse(substitute(data_to_plot))))
acf(data, lag.max = 20)
pacf(data, lag.max = 20)
## reset the graphics display to default
par(def.par)
#original code for f_summary by respiratoryclub
}
이것이 당신이 생각한 것인지 확실하지 않지만 fitdistrplus 패키지 를 확인하고 싶을 수도 있습니다 . 여기에는 분포에 대한 유용한 요약 정보를 자동으로 생성하고 해당 정보 중 일부를 플롯하는 유용한 기능이 많이 있습니다. 비네팅의 몇 가지 예는 다음과 같습니다 .
library(fitdistrplus)
data(groundbeef)
windows() # or quartz() for mac
plotdist(groundbeef$serving)
windows()
> descdist(groundbeef$serving, boot=1000)
summary statistics
------
min: 10 max: 200
median: 79
mean: 73.64567
estimated sd: 35.88487
estimated skewness: 0.7352745
estimated kurtosis: 3.551384
fw = fitdist(groundbeef$serving, "weibull")
>summary(fw)
Fitting of the distribution ' weibull ' by maximum likelihood
Parameters :
estimate Std. Error
shape 2.185885 0.1045755
scale 83.347679 2.5268626
Loglikelihood: -1255.225 AIC: 2514.449 BIC: 2521.524
Correlation matrix:
shape scale
shape 1.000000 0.321821
scale 0.321821 1.000000
fg = fitdist(groundbeef$serving, "gamma")
fln = fitdist(groundbeef$serving, "lnorm")
windows()
plot(fw)
windows()
cdfcomp(list(fw,fln,fg), legendtext=c("Weibull","logNormal","gamma"), lwd=2,
xlab="serving sizes (g)")
>gofstat(fw)
Kolmogorov-Smirnov statistic: 0.1396646
Cramer-von Mises statistic: 0.6840994
Anderson-Darling statistic: 3.573646
데이터 세트를 탐색하려면 정말 마음에 듭니다 rattle
. 패키지를 설치하고 바로 전화하십시오 rattle()
. 인터페이스는 매우 자기 설명 적입니다.
어쩌면 당신은 사물을 예쁘게 꾸밀 수있는 ggplot2 라이브러리를 찾고있을 것입니다. 또는 R 그래픽 유틸리티가 많은 것으로 보이는이 웹 사이트를 확인할 수 있습니다 http://addictedtor.free.fr/graphiques/
아마 당신이 찾고있는 것이 아니지만 R의 psych 패키지의 pairs.panels () 함수가 유용 할 수 있습니다. 상단 대각선, 황토 선 및 하단 대각선의 점에 상관 관계 값을 제공하고 각 변수의 점수에 대한 히스토그램을 행렬의 대각선에 표시합니다. 나는 개인적으로 그것의 최고의 그래픽 요약 중 하나라고 생각합니다.
내가 가장 좋아하는 것은 DescTools
library(DescTools)
data("iris")
Desc(iris, plotit = T)
다음과 같은 일련의 플롯을 생성합니다.
일련의 설명 값 (평균, 평균 SE, 중앙값, 백분위 수, 범위, sd, IQR, 왜도 및 첨도 포함)을 표시합니다.
또는 tabplot 은 그래픽 개요에도 매우 좋습니다.
그것은 멋진 플롯을 생성합니다 tableplot(iris, sortCol=Species)
의 D3 버전도있다 tabplot
, 즉 tabplotd3는 .