聊聊散点图

散点图很简单，但它无疑是探索数值数据之间关系的有力工具。它有直观简便的优点，通过观察散点图，不但可以得到定性的结论，而且可以通过观察并处理异常数据，提高用于估算相关程度的准确性。在R中实现散点图最简单的函数就是plot，我们首先随机生成两个数据，然后用作散点图

y=rnorm(100)
x=rnorm(100)
plot(x,y)

如果希望从简单的散点图中得到更多信息，我们可以使用car包中的scatterplot函数，散点图增加了单变量的箱线图，线性回归线和局部回归线。此外该函数也可以进行条件绘图。

scatterplot(x,y,spread=F)

如果数据过多，例如10000个随机生成的数据来作散点图，你会发现由于数据过于密集，只产生一坨黑色的东东。

a=rnorm(10000)
b=rnorm(10000)
plot(a,b)

这时需要改用smoothScatter函数，它会利用密度估计来生成平滑的图形来表示散点图的密集程度，看起来有点意思吧。

smoothScatter(a,b)

如果你掌握了ggplot2扩展包，散点图就更容易了，在处理大量数据时可以利用alpha透明度设置或jitter参数来降低数据的重叠，还可以直接进行LOESS平滑。下面的图形就是mpg数据集的例子，分别对四种不同的汽缸的汽车绘制散点图并拟合。

library(ggplot2)
p=ggplot(mpg,aes(displ,hwy))
p+geom_point(aes(colour=factor(cyl)),size=3)+geom_smooth(alpha=0.3,aes(fill=factor(cyl)))

上述所谈的都是两个变量之间的散点图，如果涉及到多个变量，可能就需要用到散点矩阵图了，当然你可以用最基本的pairs函数生成，但笔者偏爱的是car包中的scatterplotMatrix函数，不仅有局部回归拟合，还有直方图信息。

z=rnorm(100)
scatterplotMatrix(~x+y+z,spread=F,diagonal="histogram")

除此之外，如果还需要绘制三维散点图，可以使用scatterplot3d函数，你可以参看这个博文。气泡图的话则可以使用symbols函数。