2、然后选中标题。

3、接着点击工具菜单栏的开始。

4、之后可以在段落这边找到找到居中的选项。

5、随后点击标题就会居中。

vector：向量

numeric：数值型向量

logical：逻辑型向量

character；字符型向量

list：列表

data.frame：数据框

c：连接为向量或列表

length：求长度

subset：求子集

seq，from:to，sequence：等差序列

rep：重复

NA：缺失值

NULL：空对象

sort，order，unique，rev：排序

unlist：展平列表

attr，attributes：对象属性

mode，class，typeof：对象存储模式与类型

names：对象的名字属性

字符型向量 nchar：字符数

substr：取子串 format，formatC：把对象用格式转换为字符串

paste()、paste0()不仅可以连接多个字符串，还可以将对象自动转换为字符串再相连，另外还能处理向量。

strsplit：连接或拆分

charmatch，pmatch：字符串匹配

grep，sub，gsub：模式匹配与替换

complex，Re，Im，Mod，Arg，Conj：复数函数

factor：因子 codes：因子的编码 levels：因子的各水平的名字 nlevels：因子的水平个数 cut：把数值型对象分区间转换为因子

table：交叉频数表 split：按因子分组 aggregate：计算各数据子集的概括统计量 tapply：对“不规则”数组应用函数

dev.new() 新建画板

plot()绘制点线图,条形图,散点图.

barplot( ) 绘制条形图

dotchart( ) 绘制点图

pie( )绘制饼图.

pair( )绘制散点图阵

boxplot( )绘制箱线图

hist( )绘制直方图

scatterplot3D( )绘制3D散点图.

par()可以添加很多参数来修改图形

title( )　添加标题

axis( )　调整刻度

rug( )　添加轴密度

grid( )　添加网格线

abline( )　添加直线

lines( )　添加曲线

text( )　添加标签

legend(）　添加图例

+, -, *, /, ^, %%, %/%：四则运算 ceiling，floor，round，signif

1、round() #四舍五入

例：x <- c(3.1416, 15.377, 269.7)

round(x, 0) #保留整数位

round(x, 2) #保留两位小数

round(x, -1) #保留到十位

2、signif() #取有效数字(跟学过的有效数字不是一个意思)

例：略

3、trunc() #取整

floor() #向下取整

ceiling() #向上取整

例：xx <- c(3.60, 12.47, -3.60, -12.47)

trunc(xx)

floor(xx)

ceiling(xx)

max，min，pmax，pmin：最大最小值

range：最大值和最小值 sum，prod：向量元素和，积 cumsum，cumprod，cummax，cummin：累加、累乘 sort：排序 approx和approx fun：插值 diff：差分 sign：符号函数

abs，sqrt：绝对值，平方根

log, exp, log10, log2：对数与指数函数

sin，cos，tan，asin，acos，atan，atan2：三角函数

sinh，cosh，tanh，asinh，acosh，atanh：双曲函数

beta，lbeta，gamma，lgamma，digamma，trigamma，tetragamma，pentagamma，choose ，lchoose：与贝塔函数、伽玛函数、组合数有关的特殊函数

fft，mvfft，convolve：富利叶变换及卷积

polyroot：多项式求根

poly：正交多项式

spline，splinefun：样条差值

besselI，besselK，besselJ，besselY，gammaCody：Bessel函数

deriv：简单表达式的符号微分或算法微分

array：建立数组

matrix：生成矩阵

data.matrix：把数据框转换为数值型矩阵

lower.tri：矩阵的下三角部分

mat.or.vec：生成矩阵或向量

t：矩阵转置

cbind：把列合并为矩阵

rbind：把行合并为矩阵

diag：矩阵对角元素向量或生成对角矩阵

aperm：数组转置

nrow, ncol：计算数组的行数和列数

dim：对象的维向量

dimnames：对象的维名

rownames，colnames：行名或列名

%*%：矩阵乘法

crossprod：矩阵交叉乘积（内积）

outer：数组外积

kronecker：数组的Kronecker积

apply：对数组的某些维应用函数

tapply：对“不规则”数组应用函数

sweep：计算数组的概括统计量

aggregate：计算数据子集的概括统计量

scale：矩阵标准化

matplot：对矩阵各列绘图

cor：相关阵或协差阵

Contrast：对照矩阵

row：矩阵的行下标集

col：求列下标集

solve：解线性方程组或求逆

eigen：矩阵的特征值分解

svd：矩阵的奇异值分解

backsolve：解上三角或下三角方程组

chol：Choleski分解

qr：矩阵的QR分解

chol2inv：由Choleski分解求逆

><，>，<=，>=，==，!=：比较运算符 !，&，&&，|，||，xor()：

逻辑运算符 logical：

生成逻辑向量 all，

any：逻辑向量都为真或存在真

ifelse()：二者择一 match，

%in%：查找

unique：找出互不相同的元素

which：找到真值下标集合

duplicated：找到重复元素

optimize，uniroot，polyroot：一维优化与求根

if，else，

ifelse，

switch：

分支 for，while，repeat，break，next：

循环 apply，lapply，sapply，tapply，sweep：替代循环的函数。

function：函数定义

source：调用文件 ’

call：函数调用 .

C，.Fortran：调用C或者Fortran子程序的动态链接库。

Recall：递归调用

browser，debug，trace，traceback：程序调试

options：指定系统参数

missing：判断虚参是否有对应实参

nargs：参数个数 stop：终止函数执行

on.exit：指定退出时执行 eval，expression：表达式计算

system.time：表达式计算计时

invisible：使变量不显示

menu：选择菜单（字符列表菜单）

其它与函数有关的还有：

delay，

delete.response，

deparse，

do.call，

dput，

environment ，

formals，

format.info，

interactive，

is.finite，

is.function，

is.language，

is.recursive ，

match.arg，

match.call，

match.fun，

model.extract，

name，

parse 函数能将字符串转换为表达式expression

deparse 将表达式expression转换为字符串

eval 函数能对表达式求解

substitute，

sys.parent ，

warning，

machine

cat，print：显示对象

sink：输出转向到指定文件

dump，save，dput，write：输出对象

scan，read.table，readlines, load，dget：读入

ls，objects：显示对象列表

rm, remove：删除对象

q，quit：退出系统

.First，.Last：初始运行函数与退出运行函数。

options：系统选项

?，help，help.start，apropos：帮助功能

data：列出数据集

head()查看数据的头几行

tail()查看数据的最后几行

每一种分布有四个函数：

d―density（密度函数），p―分布函数，q―分位数函数，r―随机数函数。

比如，正态分布的这四个函数为dnorm，pnorm，qnorm，rnorm。下面我们列出各分布后缀，前面加前缀d、p、q或r就构成函数名：

norm：正态，

t：t分布，

f：F分布，

chisq：卡方（包括非中心）

unif：均匀，

exp：指数，

weibull：威布尔，

gamma：伽玛，

beta：贝塔

lnorm：对数正态，

logis：逻辑分布，

cauchy：柯西，

binom：二项分布，

geom：几何分布，

hyper：超几何，

nbinom：负二项，

pois：泊松

signrank：符号秩，

wilcox：秩和，

tukey：学生化极差

sum, mean, var, sd, min, max, range, median, IQR（四分位间距）等为统计量，

sort，order，rank与排序有关，

其它还有ave，fivenum，mad，quantile，stem等。

R中已实现的有chisq.test，prop.test，t.test。

cor，cov.wt，var：协方差阵及相关阵计算

biplot，biplot.princomp：多元数据biplot图

cancor：典则相关

princomp：主成分分析

hclust：谱系聚类

kmeans：k-均值聚类

cmdscale：经典多维标度

其它有dist，mahalanobis，cov.rob。

ts：时间序列对象

diff：计算差分

time：时间序列的采样时间

window：时间窗

lm，glm，aov：线性模型、广义线性模型、方差分析

quo()等价于quote()

enquo()等价于substitute(）

第二步：整洁数据做映射操作，确定x,y,color,size,shape,alpha等

第三步：选择合适的几何对象（根据画图的目的、变量的类型和个数）

第四步：坐标系和刻度配置

第五步：标签信息和图例信息

第六步：选择合适的主题

ggplot2的语法包括10个部件。

数据（data）

映射（mapping）

几何对象（geom）

标度（scale）

统计变换（stats）

坐标系（coord）

位置调整（Position adjustments）

分面（facet）

主题（theme）

输出（output）

前3个是必须的，其它部件ggplot2会自动配置，也可以手动配置

ggplot2基本绘图模板：

注意：

1）添加图层的加号（+）只能放在行末尾

2）红色方框里面mapping是全局域，绿色方框里面mapping是局部域，执行先后顺序，先局部域，后全局域

ggplot2画图必要部件-数据，映射和几何对象

2.1 数据

数据（Data）用于画图的整洁数据

library(tidyverse

ggplot()先只提供数据，创建一个空图形。

# ggplot()先提供整洁数据，生成一个空图形

2映射

映射，把数据变量集与图形属性库建立关联。

最常用的映射有：

x：x轴

y：y轴

color：颜色

size：大小

shape：形状

fill：填充

alpha：透明度

以mpg数据集为例，把变量displ和hwy分别映射到x和y，变量drv映射到color，此时图形就有了坐标轴和网格线，color需要在有了几何对象后才能体现出来。

# 映射操作

ggplot(data = mpg, mapping = aes(x = displ,

y = hwy, color = drv))

2.3 几何对象

几何对象是表达数据的视觉对象

不同类型的几何对象是从不同的角度表达数据。

pgglot2提供了50多种“几何对象”，均以geom_xxxx()的方式命名，常用的有：

几何对象很简单，只需要添加图层即可。

例如，以mpg数据集为例，画散点图。

ggplot(data = mpg, mapping = aes(x = displ,

y = hwy,

color = drv)) +

geom_point()层依次叠加，在上图的基础上，再添加一个几何对象：光滑曲线。

#继续增加一个几何对象：光滑曲线

# 写法1

ggplot(data = mpg, mapping = aes(x = displ,

y = hwy,

color = drv)) +

geom_point() +

geom_smooth(se=FALSE)

# 写法2

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) +

geom_point(aes(color = drv)) +

geom_smooth(se=FALSE)

思考题：

1）写法1和写法2的差异？（全局域和局部域的使用差异）

2）写法2若是要实现写法1的功能，怎么编写代码？

03

标度

ggplot2会自动根据输入变量选择最优的坐标刻度方法，若要手动设置或调整，就需要使用标度函数。

标度函数用来控制几何对象中的标度映射（x轴，y轴或者由color，fill，shape，size产生的图例）。

ggplot2提供丰富的标度函数，常用的有：

拓展功能：scales包提供很多设置刻度标签风格的函数，比如百分数、科学计数法法、美元格式等。

3.1 修改坐标轴刻度及标签

连续变量使用scale_*_continuous()函数，参数breaks设置各个刻度的位置，参数labels设置各个刻度对应的标签。

离散变量使用scale_*_discrete()函数，修改离散变量坐标轴的标签。

时间变量使用scale_x_date()函数设置日期刻度，参数date_breaks设置刻度间隔，date_labels设置标签的日期格式

以mpg数据集为例，修改连续变量坐标轴刻度及标签。

# scale_y_continuous函数

# 对比分析和观察

# 图1

ggplot(mpg, aes(displ, hwy)) +

geom_point()

# 图2

ggplot(mpg, aes(displ, hwy)) +

geom_point() +

scale_y_continuous(breaks = seq(15, 40, by = 10))

# 图3

ggplot(mpg, aes(displ, hwy)) +

geom_point() +

scale_y_continuous(breaks = seq(15, 40, by = 10),

labels = c(" 一五 "," 二五 "," 三五 "))

以mpg数据集为例，修改离散变量的标签

# scale_x_discrete函数

# 对比分析和观察

# 图1

ggplot(mpg, aes(x = drv)) +

geom_bar()

# 图2

ggplot(mpg, aes(x = drv)) +

geom_bar() +

scale_x_discrete(labels = c("4" = " 四驱 ", "f" = " 前驱 ",

"r" = " 后驱 "))

以ggplot2自带的economics数据集为例，修改日期变量。

# scale_x_date函数

# 以ggplot2自带的economics为例

economics %>% glimpse()

# 图1

ggplot(tail(economics, 45), aes(date, uempmed / 100)) +

geom_line()

# 图2

ggplot(tail(economics, 45), aes(date, uempmed / 100)) +

geom_line() +

scale_x_date(date_breaks = "6 months", date_labels = "%Y-%b") +

scale_y_continuous(labels = scales::percent)

3.2 修改坐标轴标签、图例名及图例位置

用labs()函数参数x，y或者xlab()，ylab()，设置x轴，y轴标签。

若用参数color生成了图例，可以在labs()函数用参数color修改图例名。

用theme图层的参数legend.position设置图例的位置。

以mpg数据为例。

# 修改坐标轴标签，图例名和图例位置

mpg

# 图1

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

labs(x = " 引擎大小 (L)", y = " 高速燃油率 (mpg)",

color = " 驱动类型 ") +

theme(legend.position = "top")

# 图2

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

xlab(" 引擎大小 (L)") +

ylab(" 高速燃油率 (mpg)") +

labs(color = " 驱动类型 ") +

theme(legend.position = "top")

# 图3 不需要图例

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

xlab(" 引擎大小 (L)") +

ylab(" 高速燃油率 (mpg)") +

theme(legend.position = "none")

3.3 设置坐标轴的范围

用coord_cartesian()函数参数xlim和ylim，或者用xlim()，ylim()设置x轴和y轴的范围。

以mpg数据集为例。

# 修改坐标轴的范围

# 图1 coord_cartesian()的参数xlim和ylim

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

coord_cartesian(xlim = c(5, 7), ylim = c(10, 30))

# 图2 xlim()和ylim()函数

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

xlim(5, 7) +

ylim(10, 30)

3.4 变换坐标轴

用scale_x_log10()函数变换坐标系，可以保持原始数据的坐标刻度。

# 修改坐标轴的范围

# 图1 coord_cartesian()的参数xlim和ylim

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

coord_cartesian(xlim = c(5, 7), ylim = c(10, 30))

# 图2 xlim()和ylim()函数

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

xlim(5, 7) +

ylim(10, 30)

3.5 设置图形标题

用labs()函数设置图形标题。

参数title 设置正标题

参数subtitle 设置副标题

参数caption 设置脚注标题（默认右下角）

# 设置标题

# mpg数据集为例

p <- ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

geom_smooth(se = FALSE) +

labs(title = " 燃油效率与引擎大小的关系图 ",

subtitle = " 两座车 ( 跑车 ) 因重量小而符合预期 ",

caption = " 数据来自 fueleconomy.gov")

p

标题若要居中，采用theme图层设置。

p + theme(plot.title = element_text(hjust = 0.5),

plot.subtitle = element_text(hjust = 0.5))

3.6 设置color、fill颜色

数据的某个维度信息可以通过颜色来表示。

可以直接使用颜色值，建议使用RColorBrewer（调色板）或者colorspace包。

1）连续变量

- 用scale_color_gradient()设置二色渐变色。

# 连续变量

# 图1 scale_color_gradient()函数

ggplot(mpg, aes(displ, hwy, color = hwy)) +

geom_point() +

scale_color_gradient(low = "green", high = "red")

- 用scale_color_distiller()设置调色板中的颜色

# 图2 scale_color_distiller()函数

ggplot(mpg, aes(displ, hwy, color = hwy)) +

geom_point() +

scale_color_distiller(palette = "Set1")

2）离散变量

- 用scale_color_manual()手动设置颜色，还可以修改图例及其标签信息

# 离散变量

# 图1 scale_color_manual()函数

ggplot(mpg, aes(displ, hwy, color = drv)) +

geom_point() +

scale_color_manual(" 驱动方式 ",

values = c("red", "blue", "green"),

breaks = c("4", "f", "r"))

ggplot(mpg, aes(displ, hwy, color = drv)) +

geom_point() +

scale_color_manual(" 驱动方式 ",

values = c("red", "blue", "green"),

labels = c(" 四驱 ", " 前驱 ", " 后驱 "))

-用scale_fill_brewer()调用调色板中的颜色

# 图2 scale_fill_brewer()函数

ggplot(mpg, aes(x = class, fill = class)) +

geom_bar() +

scale_fill_brewer(palette = "Dark2")

.7 添加文字标注

ggrepel包提供了geom_label_repel()函数或者geom_text_repel()函数，为图形添加文字标注。

操作步骤：

第一步：先准备好标记点的数据

第二步：增加文字标注图层，包括标记点的数据和标注的文字给label参数

# 设置文字标注信息

library(ggrepel)

# 选取每种车型 hwy 值最大的样本

best_in_class <- mpg %>%

group_by(class) %>%

slice_max(hwy, n = 1)

best_in_class %>% select(class, model, hwy)

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = class)) +

geom_label_repel(data = best_in_class,

aes(label = model))

04

计变换、坐标系和位置调整

.1 统计变换

统计变换是构建新的统计量而画图。

例如，条形图或直方图，是对数据分组的频数做画图；平滑曲线是对数据拟合模型的预测值画图。

gplot2可以把统计变换直接融入画图中，不必先在对数据做统计变换后再画图。

gplot2提供30多种统计，均以stats_xxx()的方式命名。

1）可在几何对象中直接使用的统计变换，直接使用几何对象就可以了。

能在几何对象创建的，而需要单独使用。

mpg数据集为例。

stat_summary()做统计绘图并汇总。

# 图1 stat_summary()做统计绘图并汇总

p <- ggplot(mpg, aes(x = class, y = hwy)) +

geom_violin(trim = FALSE, alpha = 0.5, color = "green")

p

p + stat_summary(fun = mean,

fun.min = function (x) {mean(x) - sd(x)},

fun.max = function (x) {mean(x) + sd(x)},

geom = "pointrange",

color = "red")

tat_smooth()添加光滑曲线，与geom_smooth()相同。

参数method设置平滑曲线的拟合方法，如lm线性回归、glm广义线性回归、loess多项式回归、gam广义加法模型(mgcv包)、rlm稳健回归(MASS包)等。

参数formula指定平滑曲线方程，如y ~ x, y ~ poly(x, 2)， y ~ log(x)等。

参数se设置是否绘制置信区间。

# 图2 stat_smooth()添加平滑曲线

ggplot(mpg, aes(displ, hwy)) +

geom_point() +

stat_smooth(method = "lm",

formula = y ~ splines::bs(x, 3),

se = FALSE)

ggplot(mpg, aes(displ, hwy)) +

geom_point() +

geom_smooth(method = "lm",

formula = y ~ splines::bs(x, 3),

se = FALSE)

4.2 坐标系

ggplot2默认是直角坐标系。

- coord_cartesian()

常用的其它坐标系：

以mpg数据集为例，坐标轴翻转。

# 图1 坐标轴翻转coord_flip()

p <- ggplot(mpg, aes(class, hwy)) +

geom_boxplot()

p

p + coord_flip()

直角坐标下条形图转换为极坐标下玫瑰图。

# 图2 直角坐标条形图-->极坐标玫瑰图

p <- ggplot(mpg, aes(class, fill = drv)) +

geom_bar()

p

p + coord_polar()

4.3 位置调整

条形图的位置调整

# 图1：条形图条形位置调整

ggplot(mpg, aes(class, fill = drv)) +

geom_bar()

ggplot(mpg, aes(class, fill = drv)) +

geom_bar(position = "dodge")

ggplot(mpg, aes(class, fill = drv)) +

geom_bar(position = position_dodge(preserve = "single"))

散点图的散点位置调整

# 图1：散点图的散点位置调整

ggplot(mpg, aes(displ, hwy)) +

geom_point()

ggplot(mpg, aes(displ, hwy)) +

geom_point(position = "jitter")

用patchwork包排布多个图形

library(patchwork)

p1 <- ggplot(mpg, aes(displ, hwy)) +

geom_point()

p2 <- ggplot(mpg, aes(drv, displ)) +

geom_boxplot()

p3 <- ggplot(mpg, aes(drv)) +

geom_bar()

p1 | (p2 / p3)

p1 | p2 | p3

p1 / p2 / p3

p1 / (p2 | p3)

05

分面

利用分类变量把图形分成若干“子图”（面），实际上就是对数据分组后再画图，属于数据分析里面细分和下钻的思想。

5.1 用facet_wrap()函数

封装分面，先生成一维的面板系列，再封装到二维中。

语法形式：~ 分类变量 或者 ~ 分类变量1 + 分类变量2

参数scales设置是否共用坐标刻度，fixed 默认 共用， free 不共用，还可以额通过free_x，free_y单独设置。