异常教程

R 绘图 – 散点图（建议收藏）

更新时间:

💡一则或许对你有用的小广告

欢迎加入小哈的星球 ，你将获得：专属的项目实战 / 1v1 提问 / Java 学习路线 / 学习打卡 / 每月赠书 / 社群讨论

  • 新项目:《从零手撸：仿小红书（微服务架构）》 正在持续爆肝中，基于 Spring Cloud Alibaba + Spring Boot 3.x + JDK 17...，点击查看项目介绍 ;
  • 《从零手撸：前后端分离博客项目（全栈开发）》 2 期已完结，演示链接： http://116.62.199.48/ ;

截止目前， 星球 内专栏累计输出 82w+ 字，讲解图 3441+ 张，还在持续爆肝中.. 后续还会上新更多项目，目标是将 Java 领域典型的项目都整一波，如秒杀系统, 在线商城, IM 即时通讯，权限管理，Spring Cloud Alibaba 微服务等等，已有 2900+ 小伙伴加入学习 ，欢迎点击围观

在数据分析与可视化领域，散点图（Scatter Plot）是最基础且功能强大的工具之一。它通过二维坐标系中的点阵分布，直观展示两个变量之间的关系，帮助用户快速发现数据中的趋势、异常值或潜在模式。对于编程初学者和中级开发者来说，掌握在 R 绘图 – 散点图 的绘制技巧，不仅能提升数据探索效率，还能为后续学习复杂图表（如热力图、三维图）打下坚实基础。本文将从基础语法到高级定制，结合实际案例，手把手教你如何用 R 语言绘制出专业级的散点图。

二级标题：散点图的核心概念与应用场景

什么是散点图？

散点图的核心是通过点的坐标位置（x, y）反映两个变量的数值关系。例如：

  • 变量间的关系：分析身高与体重的关系，观察是否随身高增加体重也增加。
  • 异常值检测：在金融交易数据中，发现偏离正常范围的异常交易点。
  • 分组对比：用不同颜色区分不同组别（如男性、女性），比较两组变量的分布差异。

R 中的散点图工具

R 语言提供了多种绘图包，其中最常用的是 base R 和 ggplot2。

  • Base R：内置绘图函数（如 plot()），适合快速生成简单图表。
  • ggplot2：基于“语法式绘图”理念，支持高度定制化，适合复杂图表设计。

比喻：
Base R 好比“速写本”，适合快速勾勒草图；而 ggplot2 好比“专业画布”，允许逐层添加细节，最终呈现精细作品。

二级标题：基础散点图绘制（Base R）

步骤 1：准备数据

假设我们有两组数据：

x_values <- rnorm(50, mean = 50, sd = 10)  
y_values <- x_values + rnorm(50, mean = 0, sd = 5)  

data <- data.frame(X = x_values, Y = y_values)

步骤 2：绘制基础散点图

使用 plot() 函数，参数详解：

plot(data$X, data$Y,  
     main = "基础散点图示例",  
     xlab = "X 轴变量",  
     ylab = "Y 轴变量",  
     pch = 16,  # 点形状（16 表示实心圆）  
     col = "blue"  # 点颜色  
)

关键参数说明：
| 参数 | 作用描述 | 常用值示例 |
|--------|---------------------------|---------------------|
| pch | 控制点形状 | 1（空心圆）、16（实心圆）、21-25（带边框的形状） |
| col | 控制颜色 | "red"、"green"、十六进制值（如 "#FF0000"） |
| main | 图表标题 | 字符串 |

二级标题：进阶：用 ggplot2 定制散点图

安装与加载 ggplot2

install.packages("ggplot2")  
library(ggplot2)

步骤 1：构建基础框架

ggplot(data, aes(x = X, y = Y)) +  
  geom_point()
  • ggplot()：初始化绘图对象，指定数据源和坐标轴变量。
  • geom_point()：添加散点图图层。

步骤 2：添加标题与坐标轴标签

ggplot(data, aes(X, Y)) +  
  geom_point() +  
  labs(  
    title = "ggplot2 散点图示例",  
    x = "X 轴变量",  
    y = "Y 轴变量"  
  )

步骤 3：自定义点的视觉属性

颜色与形状

ggplot(data, aes(X, Y, color = "蓝色", shape = "圆形")) +  
  geom_point(size = 3) +  
  scale_color_manual(values = "#1f77b4")  # 自定义颜色

按分组着色

若数据包含分组变量（如 Group），可直接映射到颜色：

data$Group <- sample(c("A", "B"), 50, replace = TRUE)  

ggplot(data, aes(X, Y, color = Group)) +  
  geom_point() +  
  scale_color_manual(values = c("red", "green"))

二级标题：高级技巧：趋势线与分面

添加趋势线（线性回归）

ggplot(data, aes(X, Y)) +  
  geom_point() +  
  geom_smooth(method = "lm", se = FALSE)  # lm 表示线性回归，se 控制是否显示置信区间

按分组分面（Faceting）

将数据按某个变量拆分为多个小图：

ggplot(data, aes(X, Y)) +  
  geom_point() +  
  facet_grid(. ~ Group)  # 水平分面，按 Group 列分列

二级标题：实战案例：分析汽车数据（mtcars 数据集）

案例目标

分析汽车的 马力（hp） 与 油耗（mpg） 之间的关系。

步骤 1：加载数据并预览

data(mtcars)  
head(mtcars[, c("hp", "mpg")])

步骤 2：绘制基础散点图

ggplot(mtcars, aes(hp, mpg)) +  
  geom_point() +  
  labs(  
    title = "汽车马力与油耗关系分析",  
    x = "马力（hp）",  
    y = "每加仑英里数（mpg）"  
  )

步骤 3：添加回归线与分组

按汽车类型（如“自动变速器” vs “手动变速器”）着色：

ggplot(mtcars, aes(hp, mpg, color = factor(am))) +  
  geom_point(size = 3) +  
  geom_smooth(method = "lm", se = FALSE) +  
  labs(  
    color = "变速器类型",  
    title = "不同变速器类型汽车的油耗与马力关系"  
  ) +  
  scale_color_discrete(labels = c("自动", "手动"))

分析结论：

  • 散点图显示马力越高，油耗（mpg）越低，符合预期。
  • 手动变速器（红色）的油耗普遍高于自动变速器（蓝色），可能与样本数据中手动车型的高马力分布有关。

二级标题：常见问题与解决方案

问题 1：点重叠导致信息丢失

解决方案：

  • 调整透明度：geom_point(alpha = 0.5)
  • 使用大小变量：aes(size = 另一个变量)
  • 使用 hex 密度图：geom_hex()

问题 2：坐标轴范围不合适

解决方案：

coord_cartesian(xlim = c(0, 300), ylim = c(10, 40))  # 手动设置坐标范围

二级标题：结论

本文通过 R 绘图 – 散点图 的基础语法、ggplot2 定制技巧和实际案例，系统讲解了如何从数据到图表的全流程。掌握这些技能后，你不仅能快速探索变量间的关联，还能通过可视化传达清晰的洞察。建议读者尝试以下练习：

  1. 将案例中的 mtcars 数据替换为自己的数据集；
  2. 探索 ggplot2 的 theme() 函数，自定义图表背景与字体；
  3. 尝试添加第三维度（如点的大小表示重量）。

数据可视化是沟通的桥梁，而 散点图 正是这座桥梁中最稳固的一块基石。通过持续练习，你将能用 R 语言绘制出更复杂、更具表现力的图表。

最新发布

查看更多文章