下载掌阅APP，畅读海量书库
立即打开
矩阵图分析相关性主要通过pairs()函数对mtcars数据集绘制散点图矩阵，分析两两变量之间的关系，实现过程如下（源码位置：资源包\Code\02\pairs_data.R）。
（1）在项目文件夹下新建一个R脚本文件，命名为pairs_data.R。
（2）加载程序包，使用data()函数导入mtcars数据集，代码如下：
library(datasets) # 加载程序包 data(mtcars) # 导入 mtcars 数据集
（3）使用pairs()函数绘制散点图矩阵，代码如下：
pairs(mtcars)
运行程序，结果如图2.15所示。
图2.15 散点图矩阵
从运行结果得知：虽然散点图矩阵中的散点图非常多，但大致可以看出mpg（里程数）与cyl（气缸数）、disp（排量）、hp（总马力）和wt（重量）存在一定的线性关系。
（4）使用第三方R包psych中的pairs.panels()函数绘制更加详尽的矩阵图，代码如下：
library(psych) # 加载程序包 pairs.panels(mtcars,cex.cor = 0.8) # pairs.panels()函数绘制矩阵图
运行程序，结果如图2.16所示。
图2.16 矩阵图
从运行结果得知：对角线上方为相关系数矩阵，mpg（里程数）与气缸数（cyl）、排量（disp）、总马力（hp）和重量（wt）有较强的负相关性，也就是说气缸数、排量、总马力和重量越大，汽车里程数越少，即每加仑油英里数越少，表示汽车越耗油；对角线为每个变量数值分布的直方图；对角线下方为散点图，每个散点图中的椭圆表示两个变量的相关性，椭圆越扁，变量之间的相关性越强；每个散点图中的曲线都为局部回归曲线；每个散点图中位于椭圆中心的点都为两个变量均值所确定的点。
相关系数的优点是可以通过数字对变量的关系进行度量，并且带有方向性，1表示正相关，-1表示负相关，越靠近0相关性越弱。缺点是无法利用这种关系对数据进行预测。下面使用cor()函数计算相关系数，实现过程如下（源码位置：资源包\Code\02\cor_data.R）。
（1）在项目文件夹下新建一个R脚本文件，命名为cor_data.R。
（2）加载程序包，使用data()函数导入mtcars数据集，代码如下：
library(datasets) # 加载程序包 data(mtcars) # 导入 mtcars 数据集
（3）使用cor()函数计算相关系数，代码如下：
cor(mtcars)
运行程序，结果如图2.17所示。
图2.17 相关系数
从运行结果得知：mpg（里程数）与mpg（里程数）自身的相关性是1，与cyl（气缸数）、disp（排量）、hp（总马力）和wt（重量）存在着负相关性，并且相关性较强。
汽车气缸数分为4缸、6缸和8缸。下面使用boxplot()函数绘制箱形图分析mtcars数据集中不同气缸数的平均里程数，实现过程如下（源码位置：资源包\Code\02\cyl_mpg_data.R）。
（1）在项目文件夹下新建一个R脚本文件，命名为cyl_mpg_data.R。
（2）加载程序包，使用data()函数导入mtcars数据集，代码如下：
library(datasets) # 加载程序包 data(mtcars) # 导入 mtcars 数据集
（3）使用boxplot()函数绘制箱形图分析气缸数与里程数，代码如下：
boxplot(mpg ~ cyl, data = mtcars, xlab = "气缸数",
ylab = "里程数", main = "气缸数与里程数分析图")
（4）使用points()函数在箱形图中添加平均里程数标记，代码如下：
points(1:3,mpg_mean,pch=24,bg=2)
运行程序，结果如图2.18所示。
图2.18 箱形图分析气缸数与里程数
从运行结果得知：不同气缸数的平均里程数不同，气缸数越少平均里程数越高，说明汽车越省油。
汽车变速器分为自动挡和手动挡。下面使用boxplot()函数绘制箱形图并分析mtcars数据集中自动挡和手动挡的平均里程数，通过这一分析可以判断是否自动挡的汽车更费油，实现过程如下（源码位置：资源包\Code\02\am_mpg_data.R）。
（1）在项目文件夹下新建一个R脚本文件，命名为am_mpg_data.R。
（2）加载程序包，使用data()函数导入mtcars数据集，代码如下：
library(datasets) # 加载程序包 data(mtcars) # 导入 mtcars 数据集
（3）使用boxplot()函数绘制箱形图，代码如下：
boxplot(mpg ~ am, data = mtcars, xlab = "变速器",
ylab = "里程数", main = "变速器与里程数分析图")
图2.19 箱形图分析变速器与里程数
运行程序，结果如图2.19所示。（4）在箱形图中添加一条回归线进一步分析是否自动挡更费油，使用abline()函数实现，代码如下：
abline(lm(mpg~am,data=mtcars),col="red",lwd=3)
运行程序，结果如图2.20所示。
图2.20 添加回归线的箱形图
从运行结果得知：随着变速器的增加（0～1即从自动挡到手动挡），每加仑汽油行驶的英里数也在增加，说明自动挡更费油。
下面使用第三方R包ggplot2中的geom_point()函数和geom_smooth()函数绘制线性拟合散点图，分析mtcars数据集中重量与里程数的相关性，实现过程如下（源码位置：资源包\Code\02\wt_mpg_data.R）。
（1）在项目文件夹下新建一个R脚本文件，命名为wt_mpg_data.R。
（2）加载程序包，使用data()函数导入mtcars数据集，代码如下：
# 加载程序包 library(datasets) # 导入 mtcars 数据集 data(mtcars)
（3）加载第三方R包ggplot2，然后使用ggplot()函数绘制线性拟合散点图，代码如下：
# 加载程序包 library(ggplot2) df <- mtcars # 绘制线性拟合散点图 ggplot(df, aes(wt, mpg))+ geom_point(shape=21,size=4)+ geom_smooth(method = lm,formula = y ~ x)+ # 设置标题和子标题 labs(title = "重量与里程数分析图")
运行程序，结果如图2.21所示。
图2.21 散点图分析重量与里程数
从运行结果得知：重量与里程数存在一定的线性关系，并且重量越小里程数越多，说明汽车越省油。
下面使用第三方R包graphics中的coplot()函数绘制条件图。首先根据不同气缸数对mtcars数据集进行分组，并在不同分组条件下绘制里程数和排量散点图，实现过程如下（源码位置：资源包\Code\02\cyl_mpg_disp_data.R）。
（1）在项目文件夹下新建一个R脚本文件，命名为cyl_mpg_disp_data.R。
（2）加载程序包，使用coplot()函数绘制条件图，代码如下：
# 加载程序包
require(graphics)
# 设置画布背景颜色
par(bg="cornsilk")
# coplot()函数绘制气缸数、里程数和排量的关系图
coplot(mpg ~ disp | as.factor(cyl),data = mtcars,
pch = 21, bg = "green3",rows = 1)
# 图形设备参数恢复默认值
opar <- par(no.readonly = T)
par(opar)
运行程序，结果如图2.22所示。
图2.22 气缸数、里程数和排量的关系图
从运行结果得知：气缸数默认分成3组，4缸汽车较其他气缸数的汽车排量小并且里程数多。
通过气泡图分析里程数、总马力和重量之间的关系，主要使用第三方R包ggplot2中的geom_point()函数绘制气泡图，实现过程如下（源码位置：资源包\Code\02\mpg_hp_wt_data.R）。
（1）在项目文件夹下新建一个R脚本文件，命名为mpg_hp_wt_data.R。
（2）加载程序包，使用geom_point()函数绘制气泡图分析里程数、总马力和重量之间的关系，代码如下：
# 加载程序包 library(ggplot2) df <- mtcars # 绘制气泡图 ggplot(df, aes(x=hp, y=mpg, size=wt)) + geom_point(shape=16, color="blue", alpha=0.5)
运行程序，结果如图2.23所示。
图2.23 气泡图分析里程数、总马力和重量之间的关系
从运行结果得知：重量较轻、总马力较小的汽车里程数越多，说明汽车越省油。