install.packages('ggplot2')
library(ggplot2)
ggplot(a)+geom_bar(aes(x1,y,fill/col=x1/x2),position='dodge',stat='summary',fun='sum'/'mean')条形图+theme(text = element_text(family='Kai'))
ggplot(a)+geom_boxplot(aes(x1,y,col=x1/x2))箱线图
ggplot(a)+geom_point(aes(x1,y,col=x1/x2),position=position_jitter(width=0.04))散点图
1+geom_point(aes(x1,y,col=x1/x2),stat='summary',fun='sum'/'mean')+散点
2+geom_line(aes(x1,y,group=1/x2,col=x1/x2),stat='summary',fun='sum'/'mean')+折线
3+geom_errorbar(aes(x=x1,ymin=y-se,ymax=y+se,col=x1/x2),position=position_dodge(0.9),width=0.2)+误差棒
4+geom_text(aes(x1,y,label=marker,col=x1/x2),position=position_dodge(0.9)vjust=2或y+2)+显著字母
ggplot(a,aes(x1,y,fill/col=x1/x2))+geom_bar(position='dodge',stat='summary',fun='sum'/'mean')+geom_errorbar(aes(ymin=y-se,ymax=y+se),position=position_dodge(0.9),width=0.2)+geom_text(aes(label=marker),position=position_dodge(0.9),vjust=-2)条形图+误差棒+显著字母（坐标写一次即可）
ggplot(a,aes(x1,y,col=x1/x2))+geom_point(position=position_jitter(width=0.04),stat='summary',fun='sum'/'mean')+geom_line(aes(group=1/x2),stat='summary',fun='sum'/'mean')+geom_errorbar(aes(ymin=y-se,ymax=y+se),position=position_dodge(0.9),width=0.2)+geom_text(aes(label=marker),position=position_dodge(0.9),vjust=-2)散点图+折线+误差棒+显著字母（坐标写一次即可）
+geom_density(aes(y=liqi))密度图(1个数值型)
+geom_area(aes(x=tan,y=liqi))区域图(2个数值型)
+geom_smooth(aes(x=tan,y=liqi,group/col=chong),formula=y~x,method='lm',se=F)拟合图，分组/线条颜色(2个数值型)
+facet_wrap(~riqi,ncol/nrow=2,labeller='label_both/value')分面图，每行或每列分面数，分面标题
+xlab('自变量1（单位）')+ylab('因变量（单位）')+scale_fill_discrete(name='自变量2')更改轴和图例名称+coord_cartesian(ylim= c(0,80))限定轴范围
(fill=x1/x2,有此即可变色)+scale_fill_manual(values = c('grey70', 'grey50', 'grey30'))改变条形填充颜色(颜色数量=分组数量)
(col=x1/x2,有此即可变色)+scale_color_manual(values = c('red', 'orange', 'yellow'))改变颜色（颜色数量=分组数量）
首先，下载并安装好R软件。打开R软件，可以看到R软件主窗口。2
为了方便编辑代码，一般不在主窗口直接输入程序。我们可以点击“文件——新建程序脚本”，出现R编辑器。我们将在此输入需要运行的命令。
3
使用因子格式输入数据。这里输入两组数据，以便后面说明详细使用方法。
4
输入命令plot(x)，表示绘制序列x的散点图。选中程序，右键，点击“运行当前行或选中代码”，运行程序。按F5键或者Ctrl+R键也可以实现。在图标显示框出现散点图了。
5
输入命令plot(x,y)，其中x表示自变量，y是因变量,生成y关于x的散点图。运行命令，即出现散点图。
6
再增加一组数据，用coplot函数绘制多变量的散点图。coplot(x~m|y)表示在不同的y值下，x关于m的散点图。
7
举个例子：
一般人在身高相等的情况下，血压收缩压Y与体重X1和年龄X2有关，抽取13组成年人数据（如下图），构建Y与X1、X2的线性回归关系。
1.先创建一个数据框blood：
blood<-data.frame(
X1=c(76,91.5,85.5,82.5,79,80.5,74.5,79,85,76.5,82,95,92.5),
X2=c(50,20,20,30,30,50,60,50,40,55,40,40,20),
Y=c(120,141,124,126,117,125,123,125,132,123,132,155,147)
)
2.拟合线性回归：
lm.sol<-lm(Y~X1+X2,data=blood)
提取模型计算结果
summary(lm.sol)
这里说一下含义：
1、在计算结果的第一部分（call）列出了相应的回归模型公式；
2、第二部分（Residuals）列出了残差的最小值点、1/4分位点、3/4分位点、最大值点；
3、第三方部分（Coefficients）Estimate表示回归方程参数的估计，std.Error表示回归参数的标准差，t value 为t值，Pr（>|t|）表示p值
说明一下：***表示极为显著，**表示高度显著，*表示显著，.表示不太显著，没有记号表示不显著
4、第四部分（Residual standard error）表示残差的标准差，（F-statistic）表示F的统计量
通过上面的结果可以看出回归模型：Y=2.13656X1+0.40022X2-62.96336
我们根据得出的回归模型进行预测
例如：预测体重X1=100，年龄X2=40的血压值Y
newdata<-data.frame(X1=100,X2=40)
pre<-predict(lm.sol,newdata,interval="prediction",level=0.95)
pre
从结果可以预测值Y166.7011和预测值Y的区间[157.2417,176,1605]
