基础介绍——数据类型及其简单用法

本文中涉及的全部代码有：

data() #得到R语言内置数据集
class(rivers) #查看向量rivers的数据类型
plot(rivers) #画向量rivers的散点图
hist(rivers) #画向量rivers的直方图
class(state.abb) #查看向量state.abb的数据类型
pie(table(state.region)) #用table函数统计一下state.region这个向量，得到一个饼图
yanse <- c("red","green","blue","yellow") #定义yanse变量
pie(table(state.region),col = yanse) #把yanse这个向量传递给pie函数中的col选项
labs <- c("NC","S","N","W") #设置只一个labs字符向量
pie(table(state.region),col = yanse,labels = labs)  #将其传给pie函数中的labels选项
class(state.division)  #查看向量state.division的数据类型
plot(mtcars$cyl,mtcars$disp) #取mtcars数据集中的cyl和disp这两列来绘散点图
plot(as.factor(mtcars$cyl),mtcars$disp) #把其中的cyl使用as.factor函数转化成因子
class(state.x77) #查看向量state.x77的数据类型
heatmap(state.x77) #将矩阵向量state.x77画成热图
heatmap(as.data.frame(state.x77)) #将矩阵转化成数据框
fit <- lm(weight ~ height,data = women) #简单的线性回归的案例：fit等于lm函数，weight变量~height变量，data等于数据集women。
#lm（Linear Models）是用来适应线性模型的。它可用于进行回归、单层分析方差分析和协方差分析。
plot(fit)

正文：

在R console中输入

data

函数，就可以得到R语言内置数据集。

data()

然后就可以看到按字母顺序的内置的数据集：

我们在学习R语言绘图的时候要时刻知道

输入数据的结构和类型

。可以使用

class

函数来查看。例如：

数值向量可以直接用来画点图，饼图，条形图，直方图等。

在R console中敲

class(rivers)

结果返回：numeric，表明这是数值类型的向量。

数值向量可以直接用来画点图，饼图，条形图，直方图等。

例如，在R console中敲

plot

(rivers)，绘制散点图

plot(rivers)

即可出现：

例如，在R console中敲

hist

(rivers)，绘制直方图

hist(rivers)

即可出现：

字符串类向量数据主要用在画图中的label标签部分或用于设置不同颜色等

接下来，在R console中敲

class

(state.abb)

class(state.abb)

返回的结果是：character，即字符串类向量。

字符串类向量数据主要用在画图中的label标签部分或用于设置不同颜色等
比如每条染色体的名字等。

例如，在R console中敲

pie

函数，

pie(table(state.region))

用

table

函数统计一下state.region这个向量，就可以得到一个饼图：

但是感觉颜色不好看。那么我们就可以设置一个字符向量，里面包含我们需要的颜色。
例如，定义一个变量:

yanse <- c("red","green","blue","yellow")

接下来，我们把这个向量传递给

pie

函数中的col选项

pie(table(state.region),col = yanse)

就可以得到：

这个颜色其实也不好看，之后会介绍如何在R中设置好看的颜色。

我们还可以再设置只一个labs字符向量

labs <- c("NC","S","N","W")

然后将其传给

pie

函数中的labels选项：

pie(table(state.region),col = yanse,labels = labs)

就可以得到：

因子是用来分组的向量

在R console中敲

class

(state.division)

class(state.division)

返回的结果是：factor，即因子，因子是一类特殊的向量。

因子是用来分组的向量。

比如，处理组与对照组，或不同样品之间来进行比较，例如不同染色体长度分布的条形图等，这些地方都会用到factor向量

例如：我们取mtcars数据集中的cyl和disp这两列来绘图

plot(mtcars$cyl,mtcars$disp)

cyl和disp表示不同发动机汽缸数目与发动机排量之间的关系。这两个数据集都是向量，这样画出来的是一个散点图：

如果我们把 其中的cyl使用

as.factor

函数转化成因子

plot(as.factor(mtcars$cyl),mtcars$disp)

所以，以后看见这种分组展示数据的图，就该知道，x轴应该是“因子”的数据类型。

接下来是矩阵，矩阵在R中特别适合绘制热图。用基因表达的数据，经常用到热图。

在R console中敲

class

(state.x77)

class(state.x77)

返回的结果是：matrix，即矩阵，矩阵在R中特别适合绘制热图。用基因表达的数据，经常用到热图。

heatmap(state.x77)

如果将矩阵转化成数据框

heatmap(as.data.frame(state.x77))

就会提示错误：x必须为数值矩阵（才能够画热图）。

此外，R中还经常包括对各种测定结果进行绘图，例如线性回归等

例如一个简单的线性回归的案例：fit等于

lm

函数，weight变量~height变量，data等于数据集women。

fit <- lm(weight ~ height,data = women)

这个结果中，fit是lm类型的函数。

lm（Linear Models）是用来适应线性模型的。它可用于进行回归、单层分析方差分析和协方差分析。

直接使用plot函数来绘制

plot(fit)

这样就会出现四张图：




这是对特定数据类型有特定的绘图函数。
总之，对于用R语言作图，了解数据结构非常重要，在使用每个绘图函数的时候，首先需要知道，输入的数据结果才能绘出正确的图。

• 点赞
• 收藏
• 分享
• 文章举报

Lincoln_redwine 发布了10 篇原创文章 · 获赞 1 · 访问量 954 私信 关注