R语言可视化

最新推荐文章于 2023-05-01 00:18:22 发布
最新推荐文章于 2023-05-01 00:18:22 发布
阅读量9.8k 收藏 56
点赞数 14
分类专栏： R
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Domino_b/article/details/79961621
版权

R语言可视化

完整的数据分析流程

1.定义研究问题，定义理想的数据集，确定能够获取什么数据，获取数据，清理数据

2.探索性分析(数据可视化)，统计分析/建模(机器学习)

3.解释/交流结果(数据可视化)，挑战结果(有没有其他可能)，书写报告


数值变量的特征和可视化

数据集中趋势的测量：均值(mean)，中位数(median)，众数(mode)

数据分散趋势的测量：值域(range)，方差(variance)，标准差(standard variance)，四分位距                                                        (interquartile range)

有关函数：方差 var(x)    标准差sd(x)

稳健统计量(受极端值影响小)

是：中位数，四分位差

否：均值，标准差，值域

箱图

一个数值变量可以用：柱状图，点图

两个数值变量可以用：散点图

分类变量的特征和可视化

一个分类变量的可视化：频率表，条形图

两个分类变量的可视化：关联表，相对频率表，分段条形图，相对频率分段条形图，马赛克图


一个分类变量，一个数值变量：分类箱图


R三大绘图系统

  • 基本绘图系统(Base Plotting System)

需要事先计划；直观地实时反映绘图和分析数据的逻辑

图+修饰

适用于绘制2D图

  • Lattice绘图系统(Lattice Plotting System)

一次成图

适用于观测变量间的交互：在变量z的不同水平，变量y如何随变量x变化

  • ggplot2绘图系统(ggplotw Plotting System)

数据映射到几何客体(点/线/条)的(颜色/大小/形状)

相当于 基本绘图系统+Lattice绘图系统

自动处理标题/文字说明/空间等

允许通过添加注释进行修改


基本绘图系统

绘图函数(graphics包)

plot / hist(条形图) / boxplot(箱图) / points / lines / text / title / axis(坐标轴)

plot()

plot(x,y,...)

重要参数：xlab(坐标轴标签) / ylab / lwd(线宽) / lty(线类型) / pch(点类型) / col(颜色)

par()

?par    内容很多

用于设置全局参数

bg(背景颜色) / mar(边距) / las(标签横竖) / mfrow / mfcol(把当前面板分成几行几列，按行/列填充，多个图的意思)

title()

title(main = "Name")         标题名称

lm()

fit <- lm(Temp ~ Wind, airquality)       线性回归线

abline(fit,lwd = 2)                                  往图里加线，宽度为2

legend("topright", pch = 1, col = c("red","blue","black"),legend = c("Sep","May","Other"))

添加注释  右上角      点类型为1               对应关系


Lattice绘图系统

lattice包

  • xyplot / bwplot / histogram / stripplot / dotplot / splom / levelplot / contourplot
  • 格式 xyplot(y~x | f *g ,data)
  • panel函数，用于控制每个面板内的绘图

grid包

  • 实现了独立于base的绘图系统
  • lattice包基于grid包

Lattice与Base的重要区别

Base绘图函数直接在图形设备上绘图

Lattice绘图函数返回trellis类对象，打印函数将其打印出来，执行命令时自动打印。

library(lattice)                         加载包
xyplot(Temp~Ozone,data=airquality)       看Temp和Ozone之间的关系，airquality是R自带的数据集

airquality$Month <- factor(airquality$Month)                 把月份设置成分类变量
xyplot(Temp~Ozone | Month, data=airquality,layout=c(5,1))    看不同月份下两者的关系


粉色是月份，纵坐标是温度，横坐标是臭氧含量。

panel 例子
panel.abline(v=mean(x),h=mean(y), lty=2)   加线，v是水平线，h是竖直线，线类型为2
panel.lmline(x,y,col="red")                加线性回归线，颜色红色


ggplot2绘图系统（主要使用这个）

  • 层
Data（数据）感兴趣的变量(data frame)
Aesthetics（美学属性）x-axis / y-axis / color / fill / size / labels / alpha / shape / linear width / linear type
Geometries（几何客体）point / line / histogram / bar / boxplot 
Facets（面板）columns / rows 
Statistics（统计）binning / smoothing / descriptive / inferential
Coordinates（坐标系）cartesian / fixed / polar / limits
Themes（主题）non-data ink
  • 绘图函数

qplot()

类似于Base系统的plot(),参数包含aesthetics / geom / facet ...

隐藏了绘图实现的细节

qplot(Wind, Temp, data=airquality, color=Month)          可以自己比对这几种的不同之处

airquality$Month <- factor(airquality$Month)             把月份设置成分类变量
qplot(Wind, Temp, data=airquality, color=Month)          不同月份就变成了不同颜色，之
                                                         前是渐变色

qplot(Wind, Temp, data=airquality, color=I("red"))        统一红色

qplot(Wind, Temp, data=airquality, shape=Month)                  或者size=Month   

qplot(Wind, Temp, data=airquality, color=I("red")，xlab="Wind(mph)", ylab="Temperature",
main="Wind vs. Temp")                                            可以给坐标轴加标签，给图加标题

qplot(Wind, Temp, data=airquality, color=Month,
      geom = c("point","smooth"))                                几何客体，smooth是回归分析(图1)

qplot(Wind, Temp, data=airquality, facets = .~Month)             ~左右可以互换，行和列会互换，面
                                                                 板中显示多个图，按照月份分开

qplot(Wind, data = airquality)                                   自动选择柱状图
qplot(y=Wind, data = airquality)                                 生成散点图，横坐标是按Wind数据 
                                                                 的顺序

qplot(Wind, data = airquality, fill = Month)                     （图2）

qplot(Wind, data = airquality, geom = "density",color=Month)      density频率分布的轮廓线(图3)
                                                                  也可以改成dotplot等


图一


图二


图三


ggplot()

核心，可以实现qplot()无法实现的功能

调用ggplot()本身并不能实现绘图，要在其基础上添加层(如geom_point() )才可以

ggplot(airquality,aes(Wind,Temp)) +                        数据层，美学属性层  + 
  geom_point(aes(color=factor(Month)),alpha=0.4,size=5)    几何客体层(颜色以月份分类，透
                                                           明度为0.4，大小为5) *图一

ggplot(airquality,aes(Wind,Temp)) + 
  geom_point() +                                           这一层去掉的话就不显示点
  stat_smooth()                                            回归分析 *图二


ggplot(airquality,aes(Wind,Temp)) + 
  stat_smooth(method="lm",se=FALSE,aes(col=factor(Month)))  线性回归，按月份分开，se是
                                                            置信区间(上图阴影区域)*图三

ggplot(airquality,aes(Wind,Temp,col=factor(Month))) +
  geom_point() +
  stat_smooth(method="lm",se=FALSE,aes(group=1,col="all")) +  对所有数据做一条回归线
  stat_smooth(method="lm",se=FALSE)                           *图四

library(RColorBrewer)                      
myColors <- c(brewer.pal(5,"Dark2"),"black")                 自己来控制颜色 
display.brewer.pal(5,"Dark2")                                显示某类颜色
display.brewer.all()                                         显示所有调色板的颜色 

ggplot(airquality,aes(Wind,Temp,col=factor(Month))) +
  geom_point() +
  stat_smooth(method="lm",se=FALSE,aes(group=1,col="ALL")) +
  stat_smooth(method="lm",se=FALSE) +
  scale_color_manual("Month",values = myColors)              这样就能自己控制颜色 *图五


ggplot(airquality,aes(Wind,Temp,col=factor(Month))) +        
  geom_point() +
  stat_smooth(method="lm",se=FALSE) +
  facet_grid(.~Month)                                        面板按月份分开 *图六
 
 + theme_classic()                                           加这层改变主题


图一


图二


图三


图四


图五


图六


R color

pal <- colorRamp(c("red","blue"))                    以红，蓝为端点
pal(0)                                               0 是红色
pal(1)                                               1 是蓝色
pal(seq(0,1,len=10))                                 从中间等距取10个数，颜色渐变

pal <- colorRampPalette(C("red","yellow"))           以红，黄为端点
pal(1)                                               取一个颜色，红色
pal(10)                                              取十个颜色，红到黄渐变

library(RColorBrewer)
brewer.pal.info                                      查看这个调色板的信息
display.brewer.all()                                 这个可以直接看调色板所有颜色

cols <- brewer.pal(3,"Greens")                       从Greens这个组里取3个颜色
pal <- colorRampPalette(cols)                        以这3个颜色为端点
image(volcano,col = pal(20))                         取20个渐变颜色，数据集为volcano，
                                                     画图像
​

完整的数据分析流程

1.定义研究问题，定义理想的数据集，确定能够获取什么数据，获取数据，清理数据2.探索性分析(数据可视化)，统计分析/建模(机器学习)3.解释/交流结果(数据可视化)，挑战结果(有没有其他可能)，书写报告数值变量的特征和可视化数据集中趋势的测量：均值(mean)，中位数(median)，众数(mode)数据分散趋势的测量：值域(range)，方差(variance)，标准差(standard variance)，四分位距                                                        (interquartile range)有关函数：方差 var(x)    标准差sd(x)稳健统计量(受极端值影响小)是：中位数，四分位差否：均值，标准差，值域箱图一个数值变量可以用：柱状图，点图两个数值变量可以用：散点图分类变量的特征和可视化一个分类变量的可视化：频率表，条形图两个分类变量的可视化：关联表，相对频率表，分段条形图，相对频率分段条形图，马赛克图一个分类变量，一个数值变量：分类箱图

R三大绘图系统

  • 基本绘图系统(Base Plotting System)
需要事先计划；直观地实时反映绘图和分析数据的逻辑图+修饰适用于绘制2D图
  • Lattice绘图系统(Lattice Plotting System)
一次成图适用于观测变量间的交互：在变量z的不同水平，变量y如何随变量x变化
  • ggplot2绘图系统(ggplotw Plotting System)
数据映射到几何客体(点/线/条)的(颜色/大小/形状)相当于 基本绘图系统+Lattice绘图系统自动处理标题/文字说明/空间等允许通过添加注释进行修改

基本绘图系统

绘图函数(graphics包)plot / hist(条形图) / boxplot(箱图) / points / lines / text / title / axis(坐标轴)plot()plot(x,y,...)重要参数：xlab(坐标轴标签) / ylab / lwd(线宽) / lty(线类型) / pch(点类型) / col(颜色)par()?par    内容很多用于设置全局参数bg(背景颜色) / mar(边距) / las(标签横竖) / mfrow / mfcol(把当前面板分成几行几列，按行/列填充，多个图的意思)title()title(main = "Name")         标题名称lm()fit <- lm(Temp ~ Wind, airquality)       线性回归线abline(fit,lwd = 2)                                  往图里加线，宽度为2legend("topright", pch = 1, col = c("red","blue","black"),legend = c("Sep","May","Other"))添加注释  右上角      点类型为1               对应关系

Lattice绘图系统

lattice包
  • xyplot / bwplot / histogram / stripplot / dotplot / splom / levelplot / contourplot
  • 格式 xyplot(y~x | f *g ,data)
  • panel函数，用于控制每个面板内的绘图
grid包
  • 实现了独立于base的绘图系统
  • lattice包基于grid包
Lattice与Base的重要区别Base绘图函数直接在图形设备上绘图Lattice绘图函数返回trellis类对象，打印函数将其打印出来，执行命令时自动打印。
library(lattice)                         加载包
xyplot(Temp~Ozone,data=airquality)       看Temp和Ozone之间的关系，airquality是R自带的数据集

airquality$Month <- factor(airquality$Month)                 把月份设置成分类变量
xyplot(Temp~Ozone | Month, data=airquality,layout=c(5,1))    看不同月份下两者的关系
粉色是月份，纵坐标是温度，横坐标是臭氧含量。
panel 例子
panel.abline(v=mean(x),h=mean(y), lty=2)   加线，v是水平线，h是竖直线，线类型为2
panel.lmline(x,y,col="red")                加线性回归线，颜色红色
 

ggplot2绘图系统（主要使用这个）

  • 层
Data（数据）感兴趣的变量(data frame)
Aesthetics（美学属性）x-axis / y-axis / color / fill / size / labels / alpha / shape / linear width / linear type
Geometries（几何客体）point / line / histogram / bar / boxplot 
Facets（面板）columns / rows 
Statistics（统计）binning / smoothing / descriptive / inferential
Coordinates（坐标系）cartesian / fixed / polar / limits
Themes（主题）non-data ink
  • 绘图函数
qplot()类似于Base系统的plot(),参数包含aesthetics / geom / facet ...隐藏了绘图实现的细节
qplot(Wind, Temp, data=airquality, color=Month)          可以自己比对这几种的不同之处

airquality$Month <- factor(airquality$Month)             把月份设置成分类变量
qplot(Wind, Temp, data=airquality, color=Month)          不同月份就变成了不同颜色，之
                                                         前是渐变色

qplot(Wind, Temp, data=airquality, color=I("red"))        统一红色

qplot(Wind, Temp, data=airquality, shape=Month)                  或者size=Month   

qplot(Wind, Temp, data=airquality, color=I("red")，xlab="Wind(mph)", ylab="Temperature",
main="Wind vs. Temp")                                            可以给坐标轴加标签，给图加标题

qplot(Wind, Temp, data=airquality, color=Month,
      geom = c("point","smooth"))                                几何客体，smooth是回归分析(图1)

qplot(Wind, Temp, data=airquality, facets = .~Month)             ~左右可以互换，行和列会互换，面
                                                                 板中显示多个图，按照月份分开

qplot(Wind, data = airquality)                                   自动选择柱状图
qplot(y=Wind, data = airquality)                                 生成散点图，横坐标是按Wind数据 
                                                                 的顺序

qplot(Wind, data = airquality, fill = Month)                     （图2）

qplot(Wind, data = airquality, geom = "density",color=Month)      density频率分布的轮廓线(图3)
                                                                  也可以改成dotplot等
图一图二图三ggplot()核心，可以实现qplot()无法实现的功能调用ggplot()本身并不能实现绘图，要在其基础上添加层(如geom_point() )才可以
ggplot(airquality,aes(Wind,Temp)) +                        数据层，美学属性层  + 
  geom_point(aes(color=factor(Month)),alpha=0.4,size=5)    几何客体层(颜色以月份分类，透
                                                           明度为0.4，大小为5) *图一

ggplot(airquality,aes(Wind,Temp)) + 
  geom_point() +                                           这一层去掉的话就不显示点
  stat_smooth()                                            回归分析 *图二


ggplot(airquality,aes(Wind,Temp)) + 
  stat_smooth(method="lm",se=FALSE,aes(col=factor(Month)))  线性回归，按月份分开，se是
                                                            置信区间(上图阴影区域)*图三

ggplot(airquality,aes(Wind,Temp,col=factor(Month))) +
  geom_point() +
  stat_smooth(method="lm",se=FALSE,aes(group=1,col="all")) +  对所有数据做一条回归线
  stat_smooth(method="lm",se=FALSE)                           *图四

library(RColorBrewer)                      
myColors <- c(brewer.pal(5,"Dark2"),"black")                 自己来控制颜色 
display.brewer.pal(5,"Dark2")                                显示某类颜色
display.brewer.all()                                         显示所有调色板的颜色 

ggplot(airquality,aes(Wind,Temp,col=factor(Month))) +
  geom_point() +
  stat_smooth(method="lm",se=FALSE,aes(group=1,col="ALL")) +
  stat_smooth(method="lm",se=FALSE) +
  scale_color_manual("Month",values = myColors)              这样就能自己控制颜色 *图五


ggplot(airquality,aes(Wind,Temp,col=factor(Month))) +        
  geom_point() +
  stat_smooth(method="lm",se=FALSE) +
  facet_grid(.~Month)                                        面板按月份分开 *图六
 
 + theme_classic()                                           加这层改变主题
图一图二图三图四图五图六

R color

pal <- colorRamp(c("red","blue"))                    以红，蓝为端点
pal(0)                                               0 是红色
pal(1)                                               1 是蓝色
pal(seq(0,1,len=10))                                 从中间等距取10个数，颜色渐变

pal <- colorRampPalette(C("red","yellow"))           以红，黄为端点
pal(1)                                               取一个颜色，红色
pal(10)                                              取十个颜色，红到黄渐变

library(RColorBrewer)
brewer.pal.info                                      查看这个调色板的信息
display.brewer.all()                                 这个可以直接看调色板所有颜色

cols <- brewer.pal(3,"Greens")                       从Greens这个组里取3个颜色
pal <- colorRampPalette(cols)                        以这3个颜色为端点
image(volcano,col = pal(20))                         取20个渐变颜色，数据集为volcano，
                                                     画图像
​
Soul_wwb
关注
  • 14
    点赞
  • 踩
  • 56
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
R语言之数据可视化
weixin_43595036的博客
08-28 8248
数据可视化 ggplot2包介绍 ggplot2包由Hadley Wickham编写，提供了一种基于Wilkinson所述图形语法的图形系统。ggplot2包的目标是提供一个全面的、基于语法的、连贯一致的图形生成系统，允许用户创建新颖的、有创新性的数据可视化图形。 总的来说有以下几点： ggplot2的核心理念是将绘图与数据分离，数据相关的绘图与数据无关的绘图分离 ggplot2保有命令式作图的调整函数，使其更具灵活性 ggplot2将常见的统计变换融入到了绘图中。 ggplot2是按图层作图 ggpl
R语言在数据可视化中的应用教程
最新发布
BennettMarne的博客
04-12 868
通过学习和实践本文介绍的内容，你将能够掌握R语言在数据可视化方面的核心技能，并能够将你的数据以直观、美观的方式呈现出来。R语言在数据可视化方面具有强大的功能，无论是基本图形的绘制，还是通过高级绘图包创建更复杂的图形，都可以轻松实现。通过学习和实践R语言的数据可视化功能，我们可以更好地理解和展示数据，发现数据中的模式和规律，为决策提供支持。ggplot2包提供了一个强大且灵活的绘图系统，基于数据驱动的绘图理念，可以让用户轻松地创建出各种复杂的图形。来自：www.jxhcwhyp.com。
R语言常用的数据可视化包总结
daitulin的博客
04-08 9524
本文中的内容来自书籍《R语言数据可视化实战 （微视频全解版） ——大数据图表从入门到精通》。书中有更多的R语言数据可视化分析使用案例，可学习更多的关于R语言数据可视化的内容。 数据可视化，是关于数据视觉表现形式的科学技术研究，它旨在借助图形化手段，清晰有效地传达与沟通信息，是科学可视化与信息可视化的统一。当前，数据可视化在教学、科学研究等方面极为活跃，已成为人工智能和大数据分析的基础内容之一。R语言（简称R）是一款开源的数据分析和可视化软件，主要用于统计分析、图形绘制、数 目录 1: R基础可视化包g
R语言 | 数据可视化
suzu2401的博客
05-01 947
【代码】R语言 | 数据可视化。
R语言绘制带聚类树的堆叠柱形图
刘永鑫的博客——宏基因组公众号
04-02 1万+
R语言绘制带聚类树的堆叠柱形图聚类树与柱形图结合，即可反映样本或分组间的相似性，又能展示样本内的元素组成信息。例如下图是一个在扩增子测序微生物群落分析中常见的统计图类型，在测序公司给的报...
专注R语言可视化&商务图表实战视频教程
10-11
给大家分享一套课程——专注R语言可视化&商务图表实战视频教程，大家自行下载学习。
专注R语言可视化&商务图表实战课程
10-08
专注R语言可视化&商务图表实战课程，完整版视频教程，附源码、课件。 主要内容： 本套课程涵盖五大模块：分别为： 先修篇——可视化基础三要素以及R语言数据结构与数据处理基础； 入门篇——围绕ggplot2核心语法...
R语言可视化手册
05-05
R语言可视化手册，详细的绘图讲解，以及代码演示，包括各类图形。
R语言可视化手册pdf
09-26
R语言可视化手册【美】Winston Chang著 肖楠 邓一硕等译
利用R语言进行交互数据可视化
11-15
rCharts包 说起R语言的交互包,第一个想到的应该就是rCharts包。该包直接在R中生成基于D3的Web界面。 rCharts函数就像lattice函数一样,通过formula、data指定数据源和绘图方式,并通过type指定图表类 型。 下面通过例子来了解下其工作原理。我们以鸢尾花数据集为例,首先通过name函数对列名进行重新赋 值(去掉单词间的点),然后利用rPlot函数绘制散点图(type=”point”),并利用颜色进行分组 (color=”Species”)。
利用R包ggmap进行空间可视化
热门推荐
Data Story
05-01 1万+
ggmap 是在R环境里调用地图作用可视化的利器。它的语法结构跟ggplot2非常相似，也使R语言的用户可以迅速上手。 ggmap 结合 ggplot 可以方便快速绘制基于地图的可视化图表。下面的文章里，我将用两个例子 （”三藩市的犯罪记录” 和 “Taxi in Porto“） 演示一下它的使用。案例数据均取自kaggle。初步了解ggmap get_map: 是最基本的功能，可以用于从（goog
R语言可视化作图笔记（1）R语言ggplot2与plotly的基本介绍
wildwind0907的博客
11-03 4862
以包自带的数据mpg为例 library(ggplot2) data0 &amp;amp;amp;amp;lt;- mpg ggplot(data = data0，mapping = aes(x=displ))+ geom_density() # 密度图 ## 另一种形式 # ggplot()+geom_density(data = data0，mapping = aes(x=displ))...
R语言绘图
toypipi
12-14 2542
本文转载自http://jackycode.github.io/blog/categories/datavisualization/，版权归期所有。有些地方自己没看懂，通过检索后添加了一些注释。 点set.seed(1234) x<-sample(1:100,80,replace = FALSE) y<-2*x+20+rnorm(80,0,10) plot(x = x,y = y) plot(x,y
mantelhean.test r语言_R语言函数速查
weixin_39596090的博客
12-20 679
在学习R语言的过程中，经常会遇到前面学习过的函数但到后面再次看到忘记了用法，在kaggle实践中也会遇到，我以前的做法是打开书本，评印象查找，但是效率极低，现在，我通过有道云笔记 将《R语言实战》中的所有函数按照书本出现的顺序编辑成一篇文章，然后通过检索一键定位。具体做法如下：1、复制下面的函数。2、粘贴到有道云笔记或印象笔记中，word文档也可以达到此效果。3、在检索区域输入函数。前三章函数ma...
R语言—数据可视化分析
ysugarr
12-19 6845
嘤 不想记笔记qaq 但是书只有纸质版的。 为了学shiny框架做毕设qaq GITHUB地址： github-rstudio/shiny-examples SHINY官方教程： shiny.rstudio-tutorial-lesson1 书的数据下载： csv数据 画图不显示：控制台运行 dev.off() / dev.new() 第1章 R语言入门 1.2 创建R...
R_ggplot2地理信息可视化_史上最全（一）
R语言中文社区
01-18 1万+
作者：李誉辉  四川大学在读研究生1.简介此次教程是关于使用ggplot2包进行地理信息可视化的，笔者将从头到尾，条分缕析的梳理ggplot2地图可视化的知识点。让读者对...
R语言地理空间分析、可视化及模型预测
WangYan2022的博客
07-12 2256
结合经典的例子了解R语言在空间数据处理、管理以及可视化的操作，从空间数据计量、空间数据插值、空间数据建模、机器学习、数据可视化、空间协变量提取等方面让你全方位进行GIS操作和制图，从此摆脱ArcGIS的复杂操作，实现空间数据的自动化、快速批量操作、建模及其可视化。...
利用vcf文件如何进行pca分析及用r语言可视化
05-04
PCA（主成分分析）是一种常用的数据降维方法，可以用于探索数据之间的相关性和结构。在生物信息学中，我们可以利用VCF（Variant Call Format）文件中的单核苷酸多态性（SNP）数据进行PCA分析，以探索基因组间的遗传关系。 以下是利用R语言进行PCA分析和可视化的步骤： 1. 读取VCF文件并提取SNP数据 ``` library(vcfR) vcf <- read.vcfR("example.vcf") geno <- extract.gt(vcf) ``` 2. 对SNP数据进行PCA分析 ``` pca <- prcomp(geno, scale = TRUE) ``` 3. 可视化PCA结果 ``` library(ggplot2) library(ggrepel) pca_df <- data.frame(pca$x[,1:2], group = vcf$INFO$SAMPLE) ggplot(pca_df, aes(x = PC1, y = PC2, color = group)) + geom_point(size = 2) + geom_text_repel(aes(label = group), size = 3) + xlab(paste0("PC1 (", round(summary(pca)$importance[2,1]*100, 1), "%)")) + ylab(paste0("PC2 (", round(summary(pca)$importance[2,2]*100, 1), "%)")) ``` 这样就可以得到一个基于PCA分析的散点图，其中每个样本根据其遗传差异在二维空间中的位置进行了可视化。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值