R语言ggplot2 绘图，曲线拟合，双坐标轴展示

最新推荐文章于 2024-07-03 06:29:58 发布
最新推荐文章于 2024-07-03 06:29:58 发布
阅读量3.6k 收藏 25
点赞数 3
分类专栏： R笔记 文章标签： r语言 开发语言
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/qq_42940285/article/details/121014965
版权

在进行数据处理时，经常会有一些数据丢失，我们可以使用不同得拟合方法将数据进行拟合，本文以 地表温度、降雨数据为例，用ggplot2进行绘图并进行数据的拟合。用双坐标轴对结果进行展示。

首先是 设置工作空间及数据的导入

rm(list = ls())
setwd("E:/test")
library(ggplot2)
library(dplyr)
library(cowplot)

ls1=read.csv("54511.csv",header = T)
ls2=read.csv("Beijing.csv",header = T)

因为后期需要用到拟合，所以设置一个Π值为3.14，建一个有12个值得数组用于存放每月得气温。

用for循环 依次取出 月这一列数值等于1-12的所有行，进行均值计算，均值取出来存到事先建好的数组里。再把温度数据框中加一个X值 表示1-12个月。


Pi=3.14

E_tem=array(1:12)

for( i in 1:12)
{
  Mdata = ls1[ls1$Mon==i,]
  E_tem[i] = mean(Mdata$TEM)
}

E_tem=data.frame(E_tem) #均气温
E_tem=data.frame(x=c(1:12),y=E_tem$E_tem)

 把地表温度的值取出，然后进行拟合，此次选用正弦+余弦拟合，y=sin(Ωpix)+cos(Ωpix),其中Ω的度数需要根据具体数据进行调整。

e_TEM=ls2$RASTERVALU  #地表温度

e_TEM=data.frame(x=c(1:12),y=e_TEM)

lis1=lm(data=E_tem,formula ='y~(sin(1/6*pi*x)+cos(1/6*Pi*x))')  #气温拟合
lis2=lm(data=e_TEM,formula ='y~(sin(1/6*pi*x)+cos(1/6*Pi*x))')  #地表温度拟合

 拟合完成后也可用summary函数查看其各个拟合值得参数，这里是拼接了一下拟合后得公式

MODEL_Ta=summary(lis1)
names(MODEL_Ta)
coefficients_R2 = MODEL_Ta $r.squared
coefficients_Ta = MODEL_Ta $coef[,"Estimate"]
coefficients_R2
coefficients_Ta
names(coefficients_Ta)
Intercept_Ta = coefficients_Ta[[1]]
print(Intercept_Ta)

Sin_Ta= coefficients_Ta[[2]]
print(Sin_Ta)

Cos_Ta=coefficients_Ta[[3]]
print(Cos_Ta)

formula_Ta=paste("y=",Sin_Ta,"*sin(1/6*pi*x)",Cos_Ta,"*cos(1/6*Pi*x)","+",Intercept_Ta)
print(formula_Ta)

 整理数据 进行绘图，sec.axis 双坐标轴绘制，关于图例须注意的是如果写在括号里，只写能表明循序的值即可，不用标注颜色，在使用scale_color_manual方法时，会根据你标注的ABC顺序设置颜色，顺序的依据为英文字母前后顺序。


df1=data.frame(x=c(1:12),y=lis2$fitted.values-lis1$fitted.values) #这里时取了两个拟合的差值

df=data.frame(x=c(1:12),a=E_tem$y,b=e_TEM$y,c=df1$y)

tiff(file="Surface Temperature and air Temperature.tif",height = 400*8,width = 1000*8,res = 100*8,units = "px",compression = "lzw")                             ##输出格式

f1=ggplot()+
  
  geom_point(size=1.5,data=df,mapping = aes(x=x,y=a,color="A"))+
  geom_line(data=df,mapping = aes(x=x,y=a,color="A"))+
  geom_smooth(data = df,mapping = aes(x=x,y=a),method = "lm",formula ='y~(sin(1/6*pi*x)+cos(1/6*Pi*x))',color="red")+          #画均温及拟合
  
  geom_point(size=1.5,data=df,mapping = aes(x=x,y=b,color="B"))+
  geom_line(data=df,mapping = aes(x=x,y=b,color="B"))+
  geom_smooth(data = df,mapping = aes(x=x,y=b),method = "lm",formula ='y~(sin(1/6*pi*x)+cos(1/6*Pi*x))',color="orange")+       #地表温度及拟合
  
  geom_line(data=df,mapping = aes(x=x,y=c,color="C"))+                                                                         #ΔTs-a
  
  scale_x_continuous(name='Month',breaks = c(1:12),labels=c("1","2","3","4","5","6","7","8","9","10","11","12"))+
  scale_y_continuous(
    name='Temperature（℃）',
    sec.axis = sec_axis(~.*1,breaks = seq(0,30,10),
                        name = "ΔTs-a（℃）",
                        labels=c("0","1","2","3"))      
  )+                                                                                                                            #双坐标轴
  
  geom_hline(yintercept = 0,color="gray")+                                                                                      #垂线
  labs(title="Beijing")+                                                                                                        #图名
  scale_color_manual(name="",values = c("green","blue","yellow"),labels=c("Ta","Ts","ΔTs-a"))+                                  #图例
  theme_bw()

print(f1)
dev.off()

完整代码展示：对于拼接，我选择的是cowplot包 比较实用一句代码就能搞定 ，拼接在文末

rm(list = ls())
setwd("E:/test")
library(ggplot2)
library(dplyr)
library(cowplot)

ls1=read.csv("54511.csv",header = T)
ls2=read.csv("Beijing.csv",header = T)


Pi=3.14

E_tem=array(1:12)

for( i in 1:12)
{
  Mdata = ls1[ls1$Mon==i,]
  E_tem[i] = mean(Mdata$TEM)
}

E_tem=data.frame(E_tem) #均气温
E_tem=data.frame(x=c(1:12),y=E_tem$E_tem)

e_TEM=ls2$RASTERVALU  #地表温度

e_TEM=data.frame(x=c(1:12),y=e_TEM)

lis1=lm(data=E_tem,formula ='y~(sin(1/6*pi*x)+cos(1/6*Pi*x))')  #气温拟合
lis2=lm(data=e_TEM,formula ='y~(sin(1/6*pi*x)+cos(1/6*Pi*x))')  #地表温度拟合

#公式拼接

MODEL_Ta=summary(lis1)
names(MODEL_Ta)
coefficients_R2 = MODEL_Ta $r.squared
coefficients_Ta = MODEL_Ta $coef[,"Estimate"]
coefficients_R2
coefficients_Ta
names(coefficients_Ta)
Intercept_Ta = coefficients_Ta[[1]]
print(Intercept_Ta)

Sin_Ta= coefficients_Ta[[2]]
print(Sin_Ta)

Cos_Ta=coefficients_Ta[[3]]
print(Cos_Ta)

formula_Ta=paste("y=",Sin_Ta,"*sin(1/6*pi*x)",Cos_Ta,"*cos(1/6*Pi*x)","+",Intercept_Ta)
print(formula_Ta)
maxPoint_Ta=(4*Sin_Ta*sin(1/6*pi)*Intercept_Ta-(Cos_Ta*cos(1/6*pi))*Cos_Ta*cos(1/6*pi))/4*Sin_Ta*sin(1/6*pi)
print(maxPoint_Ta)

MODEL_Ts=summary(lis2)
names(MODEL_Ts)
coefficients_R2 = MODEL_Ts $r.squared
coefficients_Ts = MODEL_Ts $coef[,"Estimate"]
coefficients_R2
coefficients_Ts
names(coefficients_Ts)
Intercept_Ts = coefficients_Ts[[1]]
print(Intercept_Ts)

Sin_Ts= coefficients_Ts[[2]]
print(Sin_Ts)

Cos_Ts=coefficients_Ts[[3]]
print(Cos_Ts)

formula_Ts=paste("y=",Sin_Ts,"*sin(1/6*pi*x)",Cos_Ts,"*cos(1/6*Pi*x)","+",Intercept_Ts)
print(formula_Ts)

df1=data.frame(x=c(1:12),y=lis2$fitted.values-lis1$fitted.values)

df=data.frame(x=c(1:12),a=E_tem$y,b=e_TEM$y,c=df1$y)

#y= -7.1359 * sin(1/6 * pi * x) -14.2869 * cos(1/6 * Pi * x)  + 13.6185 

tiff(file="Surface Temperature and air Temperature.tif",height = 400*8,width = 1000*8,res = 100*8,units = "px",compression = "lzw")                             ##输出格式

f1=ggplot()+
  
  geom_point(size=1.5,data=df,mapping = aes(x=x,y=a,color="A"))+
  geom_line(data=df,mapping = aes(x=x,y=a,color="A"))+
  geom_smooth(data = df,mapping = aes(x=x,y=a),method = "lm",formula ='y~(sin(1/6*pi*x)+cos(1/6*Pi*x))',color="red")+          #画均温及拟合
  
  geom_point(size=1.5,data=df,mapping = aes(x=x,y=b,color="B"))+
  geom_line(data=df,mapping = aes(x=x,y=b,color="B"))+
  geom_smooth(data = df,mapping = aes(x=x,y=b),method = "lm",formula ='y~(sin(1/6*pi*x)+cos(1/6*Pi*x))',color="orange")+       #地表温度及拟合
  
  geom_line(data=df,mapping = aes(x=x,y=c,color="C"))+                                                                         #ΔTs-a
  
  scale_x_continuous(name='Month',breaks = c(1:12),labels=c("1","2","3","4","5","6","7","8","9","10","11","12"))+
  scale_y_continuous(
    name='Temperature（℃）',
    sec.axis = sec_axis(~.*1,breaks = seq(0,30,10),
                        name = "ΔTs-a（℃）",
                        labels=c("0","1","2","3"))      
  )+                                                                                                                            #双坐标轴
  
  geom_hline(yintercept = 0,color="gray")+                                                                                      #垂线
  labs(title="Beijing")+                                                                                                        #图名
  scale_color_manual(name="",values = c("green","blue","yellow"),labels=c("Ta","Ts","ΔTs-a"))+                                  #图例
  theme_bw()

print(f1)
dev.off()

#以下是绘制日均温代码

tiff(file="Daily mean temperature and Precipitation.tif",height = 400*8,width = 1000*8,res = 100*8,units = "px",compression = "lzw") 

day=array(data =c(31,28,31,30,31,30,31,31,30,31,30,31))
z=0
m_tem=array(1:365)
m_rain=array(1:365)
for (i in 1:12)
{
  df2=ls1[ls1$Mon==i,]
  q=day[i]
  for (j in 1:q) 
  {
    
    df3=df2[df2$Day==j,]
    z=z+1
    
    m_tem[z]=mean(df3$TEM)
    
  }
  
}

c=0

for (a in 1:12)
{
  d1=ls1[ls1$Mon==a,]
  p=day[a]
  for (b in 1:p) 
  {
    
    d2=d1[d1$Day==b,]
    c=c+1
    m_rain[c]=mean(d2$PRE_1h)
    
  }
  
}



m_tem=data.frame(x=c(1:365),y=m_tem)
m_rain=data.frame(x=1:365,y=m_rain)

#fft_rain=fourierFit(m_rain,3)  #傅里叶变化，没有成功

f2=ggplot()+
  
  geom_point(data = m_tem,mapping = aes(x=x,y=y,color="A"))+
  geom_line(data = m_tem,mapping = aes(x=x,y=y,color="A"))+
  
  
  geom_point(data = m_rain,mapping = aes(x=x,y=y*10,color="B"))+
  geom_line(data = m_rain,mapping = aes(x=x,y=y*10,color="B"))+
  
  
  scale_x_continuous(name="day")+
  scale_y_continuous(name='Temperature(℃)',sec.axis = sec_axis(~.*1,breaks = seq(0,30,10),
                                                               name = "pre(mm)",
                                                               labels=c("0","1","2","3")))+#双坐标轴
  scale_color_manual(name="",values = c("green","blue","yellow"),labels=c("Ta","Precipitation"))+ 
  labs(title="Beijing")+     
  
  theme_bw()
print(f2)
dev.off()


tiff(file="Beijing.tif",height = 400*8,width = 1000*8,res = 100*8,units = "px",compression = "lzw")
p5 <- cowplot::plot_grid(f1,f2,nrow = 1, labels = LETTERS[1:2])                            #将p1-p4四幅图组合成一幅图，按照两行两列排列，
print(p5)                                                                           #标签分别为A、B、C、D。（LETTERS[1:4] 意为提取26个大写英文字母的前四个:A、B、C、D）

dev.off()

 下面展示几张结果图

 

这张图中可以明显看出九月份数据是缺失的，但是通过拟合自动补全了。

 

 

这是对点数据的拟合。

 

cowplot拼接图 

 

 

奇丶迹
关注
  • 3
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
R ggplot绘制双纵坐标轴
gavin_cdc的博客
06-08 2863
p1 <- ggplot(data = DNA_result, mapping = aes( x= num, y = nd)) + geom_point(colour = "red") + xlab( "样本序号") + ylab("浓度")+ theme(plot.caption = element_text(hjust = 0))+ theme_bw() p1 p2 <- ggplot(data = DNA_result, mapping = aes( x= nu..
曲线拟合_使用 ggplot2 进行曲线拟合
weixin_36208265的博客
01-15 8296
有读者询问如何对散点图拟合非线性的曲线。实际上我们通常看到的无论是直线拟合还是各种曲线拟合都属于广义线性模型。这里我们构造一组数据来看看如何使用 ggplot2 来拟合数据。构造的数据因变量大致是自变量 3 次方：set.seed(1234L) x <- 1:100 y <- (c(1:100) + rnorm(100, mean = 20, sd = 5))^3 df <- d...
R语言 将多条生存曲线画到一起（不是拼图） ，一张图绘制多条生存曲线
mountain_D_kyle的博客
12-29 8643
网上找破了头都没找到这个办法，只找到一堆拼图的办法 其实方法很简单，survival包自带这个函数 library(survival) library(survminer) #首先新建一个列表，包含你想要拼合的生存对象，记住一定要命名fit1、fit2等，如下所示 fitlist<-list(fit1 = survfit(Surv(survivaltime,outcome)~variable1, data = yourdata), fit2 = survfit(Surv(
用tidyverse库中ggplot函数绘制拟合曲线
MarkYang1030的博客
04-08 348
在用ggplot绘制散点图的时候，会有overplotting的问题。所谓的overplotting，就是在数据可视化中，当图形中的数据点过多，导致数据点重叠，难以区分和解读的现象。为了解决这个问题，我们可以用geom_smooth来绘制拟合曲线，方便我们分析数据。我们用到的就是geom_smooth函数。
R语言基于ggplot绘制多条ROC曲线(2)
dege857的博客
08-30 6201
ROC曲线主要应用于二分类结局，比如是否死亡，疾病诊断，肿瘤复发等等，可以用于自变量为连续变量的截点判定。既往我们已经介绍了R语言基于ggplot和pROC包绘制多条ROC曲线，但是在我们实际绘制操作中还是有许多对于细节的调整，比如我们在论文中需要对两个预测模型进行比较需要制作出一个类似上图这样的ROC曲线，今天继续聊聊ggplot制作ROC曲线的一些细节操作。这个图有几个问题X轴刻度是1-0，我们需要的是0-1，x轴标题需要改成1-特异度，需要添加对角线，图例需要放进图中，我们一步步来修改。...
ggplot绘制散点图并添加拟合曲线和方程
qq_42756195的博客
06-07 4231
ggplot 绘制散点图并添加拟合曲线
ggplot2.pdf
09-03
`ggplot2`是R语言中的一个非常强大的数据可视化包，它基于Leland Wilkison的《图形的语法》理论，提供了一种声明式的创建图形的方法。`ggplot2`的核心理念是将图形构建分解为一系列基本的组成部分，如数据、几何对象...
R语言绘图.pdfR语言绘图.pdf
05-06
- Origin软件提供了图形绘制、编辑和曲线拟合功能，适合进行数据分析后的图形展示。 9. **基因组可视化**： - Circos是一款强大的基因组可视化工具，尤其适用于绘制基因组的环状图，显示遗传变异和染色体重排。 ...
45分钟搞定R语言之数据库交互及统计绘图
07-05
在本技术文档中，我们将深入探讨如何在R语言中与数据库进行交互以及如何利用R进行统计绘图。R语言作为一款强大的统计分析和图形绘制工具，对于数据科学家和分析师来说，掌握其数据库连接和可视化技能至关重要。以下...
R一张图绘制多个曲线
04-11
R一张图绘制多个曲线，实现一张图绘制多个曲线。双Y轴
JHU-DS-ExploratoryAssignment2:探索性数据绘图作业 2
06-10
3. **统计变换**：理解并应用统计变换，例如`stat_smooth()`用于拟合曲线，`geom_density()`用于绘制密度图，`scale_*()`函数用于调整坐标轴比例和颜色范围。 4. **几何对象**（Geoms）：`ggplot2`的核心在于几何...
plotXtract:从图像、绘图、图形中提取 2D 信息以用于重新绘图
07-04
- **数据提取**：一旦识别出数据点，工具会尝试拟合曲线或直线，根据绘图的限制和坐标轴的比例，将这些点转换为实际的数值。 - **输出格式**：提取的2D信息通常会以CSV或其他结构化数据格式导出，以便于在Excel、...
ggplot散点图+对数曲线拟合
Let's drink together
12-26 726
【代码】ggplot散点图+对数曲线拟合(从0开始或从第一个点开始)
R语言从入门到入土--一文带你解锁ggplot2绘图大法
tinri的博客
04-08 1927
7、注意stat="count"这个参数，什么时候是必须加的，当且仅当你的x坐标是一个factor、character等离散类型的时候，就必须要加这个参数（包括使用weight），反推连续型、num就不需要加这个参数。6、参数weight，上面的geom_bar函数的纵坐标一开始只能是count计数，但是如果我们使用了weight参数，就可以按照x分成几个条状后，计算weight里面的数值的和。)其中，x参数是一个离散型的向量，X是与x等长的一个变量，按照fun（X）对x进行排序即可。
R语言 ggplot2绘制双坐标轴（次坐标轴）
月下醉光遛鸟
07-15 2083
R语言绘制次级坐标轴、双坐标轴
r语言坐标轴不到头_Rggplot2: 双坐标轴的解决方案
weixin_39567169的博客
12-08 956
本来没有打算写这一篇的，因为在一幅图表中使用双坐标轴确实不是一个很好地习惯，无论是信息传递的效率还是数据表达的准确性而言。但是最近有好几个小伙伴儿跟我咨询关于ggplot2的次坐标轴问题，平时的一些业务分析中，有些场景出于数据呈现的需要，或者阅读习惯等，往往需要在一幅图中呈现两个量级不等的坐标。所以我觉得这一篇推送很有必要，确实在最新版的ggplot2(ggplot 2.2.0以上版本)...
jquery把两个数组合成一个concat()
lh155136的博客
09-16 3964
1 代码 var array1 = [{id:1,name:1},{id:2,name:2}]; var array2 = [{id:3,name:3},{id:4,name:4}]; var array3 = array1.concat(array2); console.log(array1); console.log(array2); console.log(array3); 2 结果如下 3 concat()可以将两个数组合并成一个新的数组，而它们之前的数据并不改变， 与MySQL的concat语
R 数据重塑
最新发布
lly202406的博客
07-03 355
在数据分析和数据科学领域，R 是一种广泛使用的编程语言和软件环境。R 的强大之处在于其数据处理能力，尤其是在数据重塑方面。数据重塑是指将数据从一种格式转换为另一种格式，以便于分析或可视化。在 R 中，有许多工具和包可以用于数据重塑，例如tidyrdplyr和reshape2。
复分析——第9章——椭圆函数导论(E.M. Stein & R. Shakarchi)
ComputerInBook的专栏
06-28 835
复分析——椭圆函数导论
R语言ggplot2绘图坐标轴字体大小
07-27
要修改R语言ggplot2绘图的坐标轴字体大小，可以使用theme()函数中的axis.text参数。具体的代码如下： ```R library(ggplot2) # 创建一个示例数据集 data ( x = c(1, 2, 3, 4, 5), y = c(2, 4, 6, 8, 10) ) # ...

“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
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