假设有两组栅格数据，一组代表2019年中国每月降雨量，一组代表2019年中国每月植被叶面积指数（LAI）。想要得到中国月降水量与LAI的相关性分布，那么需要对两组栅格数据对应的栅格点进行逐栅格的相关性分析。

将降水数据导入栅格栈中，这个过程可以理解为将降水数据按时间顺序从上到下堆叠。同理，按相同的时间顺序将LAI数据堆叠。值得一提的是，stack（）函数在堆叠栅格数据时是按文件名拼音和数字大小顺序自动堆叠的，具体规则可以亲自尝试。最后，将这两个栅格栈合并成一个。

对相关性分析函数稍作改变。

以上方法是可以推广的，线性回归函数lm（）和相关性分析函数cor（）的输入都可以是向量，因此只要函数支持向量输入，理论上讲都可以类比上述过程实现。但是如果函数只支持数据框输入，如gbm包中的函数gbm（），那就只能另辟蹊径了。

rm(list=ls())##清除之前数据

library(rms)  ###加载rms包#

library(foreign)

library(survival)

library(rmda)

##install.packages("DynNom")

library(DynNom)

setwd("C://Users//zhanglingyu//Desktop//测试")  #设置工作目录

rt<- read.table('测试.txt',header=T,sep="\t")

head(rt)  #查看前5行的数据

str(rt)

##接着对所有变量数据进行打包

ddist <- datadist(rt)  #将数据打包

options(datadist='ddist')

model1<- lrm(rt$fustat ~ Age+Gender+Tau+EMPG+Glu+HCY+VB12+ALB, data =  rt)

summary(model1)

par(mgp=c(1.6,0.6,0),mar=c(2,2,2,2))  ##设置画布

nomogram <- nomogram(model1,fun=function(x)1/(1+exp(-x)), ##逻辑回归计算公式

                    fun.at = c(0.001,0.01,0.05,seq(0.1,0.9,by=0.1),0.95,0.99,0.999),#风险轴刻度

                    funlabel = "Risk of Alzheimer Disease", #风险轴便签

                    lp=T,  ##是否显示系数轴

                    conf.int = F, ##每个得分的置信度区间，用横线表示,横线越长置信度越

                    abbrev = F#是否用简称代表因子变量

)

plot(nomogram,

    #1.变量与图形的占比

    xfrac=.35,

    #2.变量字体加粗

    cex.var=1,

    #3.数轴：字体的大小

    cex.axis=0.8,

    #4.数轴：刻度的长度

    tcl=-0.5,

    #5.数轴：文字与刻度的距离

    lmgp=0.3,

    #6.数轴：刻度下的文字，1=连续显示，2=隔一个显示一个

    label.every=1,

    #7.1个页面有几个数轴(这个可以压缩行间距)

    naxes=13,

    #8.垂直线的颜色.

    col.grid=gray(c(0.8, 0.95)),

    #9.线性预测轴名字

    lplabel="Linear Predictorlp",

    #10变量分数名字

    points.label='Points',

    #11总分名字

    total.points.label='Total Points',

    force.label=F#没啥用TRUE强制标记的每个刻度线都绘制标签，我也没研究明白

)

#运行以展示Nomogram每个变量的分数

model1

##生成改良诺模图

plot(nomogram,col.grid = c("Tomato2","DodgerBlue"))

R语言高质量绘图的10条tips

在这篇文章开始之前我想你一定学习了大量如何用R绘制精美的统计图的方法，现在是时候向大家展示你的图形了。你可能会将你的统计图形打印出来，或者是插入到文档中去，或者把它发布到网上，只要你保证最后让大家看到的图别丑到天际就行。这里要跟大家分享10条如何让你的统计图看起来完美无缺的建议。

1. 从脚本中调用正确的设备驱动程序

用软件生成图片后直接点“另存为”某种格式的图片保存方法看起来6得飞起。然而这种快捷方法不能进行图形设置，甚至有些情况下文件格式都是默认的。如果在图形创建完成后再去手动调整图形尺寸的话，你可能会得到一些不期望看到结果（比如说你画出的圆形看起来像是椭圆）。同样的原因，也尽量避免使用 dev.copy 这样的命令，尽管这要节省不少事。

最好的方法是创建一个脚本文件然后用命令调用设备驱动程序（通常是pdf或者png格式），运行绘图代码，然后用一个dev.off() 结束命令。比如说：

png(file = "mygraphic.png", width = 400, height = 350) plot(x = rnorm(10), y = rnorm(10), main = "example")dev.off( )

这样做的好处是不仅能够画出更好的统计图，并且当你忘记如何手动操作绘图时，你会有办法在接下来的时间里重新创建一样的图形。

2. 打印图形请用PDF格式

如果你打算打印图形，则需要使用基于向量的格式。这意味着图形是一个独立的尺度格式表示的，它可以在任何尺寸或大或小的创建不产生锯齿线或像素化文本。这样的图形你在打印机上打印时，即使打印机的图形被放大或缩小，不管打印机的每一点（每英寸点数）高低，线条都会显得平滑，文字也会清晰无比。

PDF（通过pdf()命令）是最好的选择：无处不在的PDF阅读器让你轻松地在Windows、MacOS以及Linux上面浏览你的图片。另外高质量的PDF图形也几乎可以在任何打印机上打印出来。无论对方是否有高质量的图片要求，用PDF图形格式发送邮件都是最好的选择。

3. 网页显示请用PNG格式

PDF格式不大方便嵌入到网页中去，作为替代你需要使用基于像素的格式。GIF是一直以来广受欢迎的格式，但也有一些局限性（尤其是在使用多种颜色的图形，像图像图在GIF中看起来就不大正确）。这种情形下最好的选择是PNG格式，可以由png()命令生成，大多数浏览器都可以较好地支持PNG图形显示。

使用png()时你需要做的选择是像素图形的尺寸（具体包括指定宽度和高度的参数）。x维度的选择是最重要的：理想的情况是，你希望整个图形立刻在屏幕上全部出现，而不是需要观众拖动水平滚动条来看到整个图形。

现在几乎每个显示器都超过800像素，所以宽度=800对于全屏图形是一个不错的选择。如果你的图表需要适合一个栏目（比如一个博客条目），你可能想把它缩减到400像素。选择基于你所需的纵横比Y维（见# 6，下同），在大多数情况下我发现选择一个较小的y （约85-90% x）效果很好。

如果你不能提前确定网页上的图形有多大，一个简单的诀窍是提高分辨率（任一方向超过1200像素），并使用height 或者 width = options（无需同时指定，以保存宽高比）为HTML中的img标签缩小尺寸。 这会使你的页面加载速度变慢，但是大多数浏览器在调整图像大小时都能保持图像质量。（生成高分辨率PNG文件时，请参阅＃5中的一些注意事项。）

记住：尽管显示分辨率变低使得最终图形中所含细节信息越少，但一些情况我们只需要大尺寸下的效果。

4. 对于文档或者细节，请提高图形分辨率

如果你在Word或PowerPoint之类的文档中插入图形，那么像PDF这样的向量格式图片在理论上是最好的，因为它与尺寸无关。然而，在实践中微软的产品大多不能可靠地处理嵌入式矢量图形：尽管在经过一些努力后，图片在打印时看起来正常，但是编辑或检查包含矢量图形的文档可能会很麻烦（开源的LaTeX处理起来更好，内嵌的PostScript是最好的选择）。

在这种情况下，折衷的办法是使用PNG作为Web示例，但要需要高得多的分辨率。在Word中，你可以调整图形尺寸，高分辨率会使得你在调整尺寸时获得充分的灵活性。我建议在标准打印机的最长边上至少要有1200个像素。如果你的图片正在专业印刷（例如在一本书或海报上），请向你的印刷店咨询他们的建议（他们可能需要一个PostScript或一个非常高分辨率的TIFF文件）。

5. 认真选择尺寸

R一直都有一个以英寸为单位的图形真实尺寸的概念，独立于用于渲染PNG的像素数或实际大小，PDF可以在打印时放大或缩小。当你在图形上使用文本时，维度的选择将会非常重要。

R使用X和Y轴上的图形英寸数来确定页面上所添加的文本的实际宽度和高度。一般而言，随着英寸的图形尺寸变大，文本相对于图形的大小变小；相反，对于较小的图形，文本相对于图形元素变得更大。你可以正确使用cex选项来执行文字绘图命令，但总感觉略微繁琐。

PDF图形是最容易处理的，你可以方便地设置图形宽度和高度。即使你计划在巨幅海报上展示你的图表，最好还是保持7-10英寸的图形尺寸。这是一个适合A4（公制）纸的尺寸。由于PDF是可伸缩的，你可以放缩你的图形，但无论你怎样操作，请保证最后的图片是一个相对舒适的尺寸。

PNG格式就有点恶搞了。R默认每英寸像素大小为72，当你增加图形像素的时候图形尺寸也在增加。这是一个400x350像素默认设置的图形实例：

png(file = "animals72.png", width = 400, height = 350, res = 72)plot(Animals, log="xy", type="n", main = "Animal brain/body size")text(Animals, lab=row.names(Animals))dev.off()

R假设图的面积是5.55英寸，所以默认的文本大小相对于图本身来说是稍大一点的。你可以将此参数与PNG参数进行更正，PNG指定每英寸像素数。像素越小，以英寸为单位的面积越大，相对于图形的文本越小。让我们看看把这个降到45英寸时会发生什么：

png(file = "animals45.png", width = 400, height = 350, res = 45)plot(Animals, log="xy", type="n", main= "Animal brain/body size")text(Animals, lab=row.names(Animals))dev.off()

注意图标题和文本标签都变得很小，图形看起来也不那么拥挤了。我喜欢选择一个在8-10英寸范围内给出x尺寸的分辨率（这里是400/45＝8.33英寸）。

6. 考虑图形宽高比

R的PDF图形驱动程序默认情形下会生成一个7x7英寸的方框，所以对于PNG图形而言选择相同X和Y轴的像素分辨率极具吸引力。但有些图形的宽度看起来要比上面的大得多（比如说时间序列图）。

选择PDF或者PNG图形像素时要考虑图形的宽高比，并且选择跟数据相适宜的X和Y轴比率。但不管你怎么操作，都不要把默认值当回事，要及时根据图形大小调整宽高比，不然的话你的图形元素可能会丑到变形。

另外还需要记住，在PDF或PNG调用中设置的图形维度包括图本身周围的所有外部边距，默认情况下，它们在所有方面都不是相同的尺寸。你需要相应地调整图形大小，或者重新设置边距，如下一个tips所言。

7. 图形外部边距不用的尽量删除

R在标题图形的顶部、轴标签的底部和左侧会预留空间。如果你的图形不包含任何这样的标签，那么使用这个空间来绘制一些图形元素是一个不错的主意。这使得你的图形更容易嵌入到一个网页或文档中而不必乱用裁剪。如果你以后需要在更小的尺寸上复制你的图，这就会变得容易很多，其中预留给标签的空间可以占据绘图区域的很大一部分。且看如下例子：

png(file = "notitle.png", width = 400, height = 350)par(mar = c(5, 3, 2, 2) + 0.1) hist(rnorm(100), ylab = NULL, main = NULL)dev.off( )

Mar参数中的4个数据分别表示图形下左中右与各自边线的距离，比如顶部边距默认为4.1，我这里把减小到了2.1，生成的柱状图与原图相比就要更紧凑一点了。

8. 图形保真

当计算机屏幕上显示对角线时，屏幕上的点与矩形网格会出现不完全对齐的现象。这会使线条看起来像锯齿形的，而不是平滑地上升。图形保真可以避免出现这样的情况，采用自动使用灰色像素线不完全填充屏幕上的像素，可以减少这种锯齿效应使得线条在屏幕上看起来更加平滑。

当你的图形时PDF格式就不用担心这种情况了，PDF会自动处理这一问题。但如果是PNG那就要需要对图形保真处理一下了。下图分别是没有经过保真处理和经过处理之后的图形对比。显而易见的是处理后的图形文本更加清晰并且曲线也很平滑。

9. 永远不要使用JPEG格式

你可能会尝试在Web上使用JPEG（又名JPG）图形格式，但这是一个馊主意。JPEG适用于类似照片的图像，但在典型的R图形中引入了围绕线条和字母的模糊处理过程，这使得另存为JPEG格式的R统计图模糊不堪。将PNG格式转换为JPEG格式或许能为你节省那么几KB的内存，但得牺牲图片质量这样的代价。

10. 要具有创造性

当然，做一张让人称赞的统计图的最重要的建议是：做一个漂亮的图形！定量数据的图形显示在某种程度上比数学推导更具艺术性，但作为一个一般规则，要想让你的数据用图形讲述故事，这需要一段时间和精力的投入。幸运的是，R为你提供了所有的工具，图形所需的任何元素都可以在R中实现完美的搭配。当然了，长时间的尝试与摸索是不可或缺的。

---