在R、Python和Julia中常用的数据可视化技术( 二 ) _数据可视化

> install.packages("rattle")然后，运行以下代码启动它：
> library(rattle)> rattle()单击回车键后，可以看到图4.4中的结果。

文章插图

图4.4　Rattle包启动界面
首先，我们需要导入某些数据集。我们从7种可能的格式中选择数据源，如文件、 ARFF、ODBC、R数据集和RData文件，并且可以从此处加载数据。
最简单的方法是使用Library选项，它将列出rattle包中所有内嵌的数据集。单击Library后，我们可以看到内嵌数据集的列表。假设单击左上角的Execute后我们选择了acme:boot:Monthly Excess Returns ，那么我们将看到图4.5中的界面。

文章插图

图4.5　导入数据集界面
现在，我们就可以研究数据集的属性了。点击Explore后，我们可以使用各种图形来查看数据集。假设我们选择Distribution ，并勾选Benford复选框，那么我们就可以参考图4.6来了解更多细节。

文章插图

图4.6　查看数据集属性信息
单击Execute之后，将弹出图4.7所示内容。图4.7上方的红线显示了根据本福特定律（Benford Law）算出的1～9每个数字的频率，而底部的蓝线则展示了数据集的属性。请注意，如果你的计算机系统中还没有安装reshape包，则此命令要么无法运行，要么会请求许可将该包安装到你的计算机上。

文章插图

图4.7　数据集的Benford定律符合情况
在图4.7中，两条线之间的巨大差异表明我们的数据不符合本福特定律建议的分布规律。在现实世界中，我们知道很多人、事件和经济活动是相互关联的，使用各种图形来展示这样一个多节点、相互连接的图像是一个很好的办法。如果没有预装qgraph包，那么用户必须运行以下程序来安装它：
> install.packages("qgraph")下一个程序展示了从a到b、a到c等节点之间的连接：

library(qgraph)stocks<-c("IBM","MSFT","WMT")x<-rep(stocks, each = 3)y<-rep(stocks, 3)correlation<-c(0,10,3,10,0,3,3,3,0)data <- as.matrix(data.frame(from =x, to =y, width =correlation))qgraph(data, mode = "direct", edge.color = rainbow(9))

如果将数据展示出来，该程序的意义就会更加清晰。相关性展示出这些股票之间联系的紧密程度。注意，所有这些值都是随机选择的，并没有现实意义。

> datafromtowidth[1,] "IBM"　"IBM"" 0"[2,] "IBM"　"MSFT"　"10"[3,] "IBM"　"WMT"" 3"[4,] "MSFT" "IBM""10"[5,] "MSFT" "MSFT"　" 0"[6,] "MSFT" "WMT"" 3"[7,] "WMT"　"IBM"" 3"[8,] "WMT"　"MSFT"　" 3"[9,] "WMT"　"WMT"" 0"

第3个变量的值越大表明前面两个变量的相关性越强。例如， IBM与MSFT的相关性更强（值为10），大于IBM与WMT的相关性（值为3）。图4.8展示了这3只股票的相关性强弱程度。

文章插图

图4.8　IBM、MSFT和WMT股票的相关性强弱程度
以下程序展示了5个因素之间的关系或相互联系：

library(qgraph)data(big5)data(big5Groups)title("Correlations among 5 factors",line = 2.5)qgraph(cor(big5),minimum = 0.25,cut = 0.4,vsize = 1.5,groups = big5groups,legend = TRUE, borders = FALSE,theme = 'gray')