R语言中qplot()函数的用法说明

ggplot2()函数

ggplot2是一个强大的作图工具，它可以让你不受现有图形类型的限制，创造出任何有助于解决你所遇到问题的图形。

qplot()

qplot()属于ggplot2(),可以理解成是它的简化版本。

qplot 即“快速作图”（quick plot），顾名思义，能快速对数据进行可视化分析。它的用法和R base包的plot函数很相似。

qplot()

参数

qplot(x, y = NULL, ..., data, facets = NULL,
  margins = FALSE, geom = "auto", stat = list(NULL),
  position = list(NULL), xlim = c(NA, NA),
  ylim = c(NA, NA), log = "", main = NULL,
  xlab = deparse(substitute(x)),
  ylab = deparse(substitute(y)), asp = NA)

各项参数详解

1.x, y：变量名

2.data： 为数据框（data.frame）类型；如果有这个参数，那么x，y的名称必需对应数据框中某列变量的名称

3.facets： 图形/数据的分面。这是ggplot2作图比较特殊的一个概念，它把数据按某种规则进行分类，每一类数据做一个图形，所以最终效果就是一页多图

4.margins： 是否显示边界

5.geom： 图形的几何类型（geometry），这又是ggplot2的作图概念。ggplot2用几何类型表示图形类别，比如point表示散点图、line表示曲线图、bar表示柱形图等。

6.stat： 统计类型（statistics），这个更加特殊。直接将数据统计和图形结合，这是ggplot2强大和受欢迎的原因之一。

7.position： 图形或者数据的位置调整，这不算太特殊，但对于图形但外观很重要

8.xlim, ylim, 设置轴的上下限

9.xlab, ylab, 在x,y轴上增加标签

10.asp： 图形纵横比

qplot做散点图

使用向量数据

plot函数一样，如果不指定图形的类型，qplot默认做出散点图。对于给定的x和y向量做散点图，qplot用法也和plot函数差不多

> library(ggplot2)
> x <- 1:1000
> y <- rnorm(1000)
> plot(x, y, main="Scatter plot by plot()")
> qplot(x,y, main="Scatter plot by qplot()")

使用数据框数据

虽然可以直接使用向量数据，但ggplot2更倾向于使用数据框类型的数据作图。使用数据框有几个好处：数据框可以用来存储数值、字符串、因子等不同类型等数据；把数据放在同一个R数据框对象中可以避免使用过程中数据关系的混乱；数据外观的整理和转换方便。ggplot2中使用数据框作图的最直接的一个效果就是：你可以直接用数据的分类特性（数据框中的列变量）来决定图形元素的外观，这个过程在ggplot2中称为映射（mapping），是自动的。

在演示使用数据框作图的好处之前我们先了解以下ggplot2提供的一组有关钻石的示范数据 diamonds:

> str(diamonds)
Classes ‘tbl_df', ‘tbl' and 'data.frame': 53940 obs. of 10 variables:
 $ carat : num 0.23 0.21 0.23 0.29 0.31 0.24 0.24 0.26 0.22 0.23 ...
 $ cut : Ord.factor w/ 5 levels "Fair"<"Good"<..: 5 4 2 4 2 3 3 3 1 3 ...
 $ color : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 2 2 2 6 7 7 6 5 2 5 ...
 $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 2 3 5 4 2 6 7 3 4 5 ...
 $ depth : num 61.5 59.8 56.9 62.4 63.3 62.8 62.3 61.9 65.1 59.4 ...
 $ table : num 55 61 65 58 58 57 57 55 61 61 ...
 $ price : int 326 326 327 334 335 336 336 337 337 338 ...
 $ x  : num 3.95 3.89 4.05 4.2 4.34 3.94 3.95 4.07 3.87 4 ...
 $ y  : num 3.98 3.84 4.07 4.23 4.35 3.96 3.98 4.11 3.78 4.05 ...
 $ z  : num 2.43 2.31 2.31 2.63 2.75 2.48 2.47 2.53 2.49 2.39 ...

可以看到这是数据框（data.frame）类型，有10个变量（列），每个变量有53940个测量值（行）。

第一列为钻石的克拉数（carat），为数字型数据；第二列为钻石的切工好坏（cut），为因子类型数据，有5个水平；第三列为钻石颜色（color），为7水平的因子；后面还有其他数据。

由于数据太多，我们只取前7列的100个随机观测值。数据基本就是我们平时记录原始数据的样式：

> set.seed(1000) # 设置随机种子，使随机取样具有可重复性
> datax<- diamonds[ seq(1,7)]
> head(datax, 4)
##  carat cut color clarity depth table price
## 17686 1.23 Ideal  H  VS2 62.2 55 7130
## 40932 0.30 Ideal  E  SI1 61.7 58 499
## 6146 0.90 Good  H  VS2 61.9 58 3989
## 37258 0.31 Ideal  G VVS1 62.8 57 977

如果要做钻石克拉和价格关系的曲线图，用plot和qplot函数都差不多：

plot(x=datax$carat, y=datax$price, xlab="Carat", ylab="Price", main="plot function")
qplot(x=carat, y=price, data=datax, xlab="Carat", ylab="Price", main="qplot function")

但如果要按切工进行分类作图，plot函数的处理就复杂了，你首先得将数据进行分类提取，然后再一个个作图。虽然可以用循环完成，但作图后图标的添加还得非常小心，你得自己保证数据和图形外观之间的对应关系：

plot(x=datax$carat, y=datax$price, xlab="Carat", ylab="Price", main="plot function", type='n')
cut.levels <- levels(datax$cut)
cut.n <- length(cut.levels)
for(i in seq(1,cut.n)){
 subdatax <- datax[datax$cut==cut.levels[i], ]
 points(x=subdatax$carat, y=subdatax$price, col=i, pch=i)
}
legend("topleft", legend=cut.levels, col=seq(1,cut.n), pch=seq(1,cut.n), box.col="transparent", cex=0.8)

但用ggplot2作图你需要考虑数据分类和图形元素方面的问题就很少，你只要告诉它用做分类的数据就可以了：

qplot(x=carat, y=price, data=datax, color=cut, shape=cut, main="qplot function")

qplot做曲线图

和plot函数一样，qplot也可以通过设置合适的参数产生曲线图，这个参数就是geom（几何类型）。图形的组合非常直接，组合表示几何类型的向量即可：

qplot(x=carat, y=price, data=datax, color=cut, geom="line", main="geom=\"line\"")
qplot(x=carat, y=price, data=datax, color=cut, geom=c("line", "point"), main="geom=c(\"line\", \"point\")")

以上为个人经验，希望能给大家一个参考，也希望大家多多支持我们。如有错误或未考虑完全的地方，望不吝赐教。