不同版本的散点图矩阵

散点图矩阵是散点图的高维扩展，它从一定程度上克服了在平面上展示高维数据的困难，在展示多维数据的两两关系时有着不可替代的作用。R 软件就包含了各种不同版本的散点图函数，本文主要介绍散点图矩阵的设计及其在R中的实现方法，并比较它们的长短，从而审时度势，选取自己喜欢的表现方式和相应的函数。
他山之石，可以攻玉。除了辅之以不同的颜色、符号外，散点图中还可以添加其他图形元素，以增强表达力，最常见的添加剂有坐标轴须、直方图、箱线图、平滑曲线、拟合曲线等。
常见的画散点图矩阵的函数有：

• pairs(graphics)

R中，graphics包中的pairs()是画散点图矩阵的长老级函数，它不仅可以绘制最朴素的散点图矩阵，同时也可以通过进一步设置绘图参数进行配置（参见?pairs），达到更高的要求（添加其他图形元素等）。不过进一步设置较为麻烦，幸好后面要介绍的函数已经可以满足我们常见的额外要求。

以鸢尾花数据为例，用以下代码绘制其散点图（图1），不同颜色分别代表不同品种的鸢尾花。

[code lang="R"]
pairs(iris[1:4], main = "Anderson's Iris Data -- 3 species",
pch = 21,
bg = c("red", "green3", "blue")[unclass(iris$Species)])
[/code]

图1 pairs
实际上，图1已经可以给我们很多信息，包括各类鸢尾花的花瓣、花萼长宽的大体分布以及它们两两之间的关系。

• scatterplot.matrix(car)

car包中的scatterplot.matrix()函数（可以简写为spm()）可以直接指定散点图中主对角线上的绘图元素（密度图、箱线图、直方图、QQ图等），还可以在散点图中添加拟合曲线、平滑曲线、相关读椭圆等。

同样利用鸢尾花数据，下面代码画出其散点图矩阵（图2）.

[code lang="R"]
library(car)
spm(~Sepal.Length + Sepal.Width + Petal.Length + Petal.Width |
Species, data = iris)</pre>
[/code]

图2 spm

• gpairs(YaleToolkit)

YaleToolKit包中的gpairs()函数同样可以绘制散点图矩阵，较之spm()函数，它更为复杂一些。下面代码得到图3，更多的例子参见帮助文档。

[code lang="R"]
library(YaleToolkit)
gpairs(iris, upper.pars = list(scatter = 'stats'),
scatter.pars = list(pch = 1:3,
col = as.numeric(iris$Species)),
stat.pars = list(verbose = FALSE))</pre>
[/code]

图3 gpairs

• splom(lattice)

lattice包是基于网格系统的，是S-PLUS里的Trellis图形在R中的实现。Trellis是多元数据可视化的方法，特别适用于发现各变量之间的相互作用关系。Lattice（Trellis）的主要想法是不同条件下的多个图：根据某变量的值的不同对两个变量作不同图。

lattice包中的splom()函数可以按类别绘制散点图矩阵，也可以通过进一步的设置达到更高的要求。下面的代码再次得到鸢尾花数据的散点图矩阵（图4）。

[code lang="R"]
library(lattice)
super.sym <- trellis.par.get("superpose.symbol")
splom(~iris[1:4], groups = Species, data = iris,
panel = panel.superpose,
key = list(title = "Three Varieties of Iris",
columns = 3,
points = list(pch = super.sym$pch[1:3],
col = super.sym$col[1:3]),
text = list(c("Setosa", "Versicolor", "Virginica"))))
[/code]

图4 splom

讨论

散点图直观明了，是一类重要的可视化方法。以上文字仅仅简要介绍了四个绘制散点图矩阵的函数，很是粗糙，具体的细节还需要进一步阅读帮助文档。

本文的首要目的是提醒大家可以让散点图矩阵如虎添翼，主要是与其他图形（触须图、直方图、箱线图、平滑线、拟合线等）的适当搭配；第二目的是希望大家通过上面的介绍，可以选择自己需要的绘图函数，从而省去一些不必要的探索时间。

本文来自：http://cos.name/2009/03/scatterplot-matrix-visualization/