散点图和散点图矩阵展示的都是二元变量关系，如果我们想一次性对三个定量变量的交互关系进行可视化，可以使用scatterplot3d()函数绘制三维散点图，格式如下：
scatterplot3d(x,y,z)
其中，x被绘制在水平轴上，y被绘制在竖直轴上，z被绘制在透视轴上。
例子：我们对汽车英里数、车重和排量间的关系感兴趣，可使用如下代码：
> library(scatterplot3d)
2024年09月12日
散点图和散点图矩阵展示的都是二元变量关系，如果我们想一次性对三个定量变量的交互关系进行可视化，可以使用scatterplot3d()函数绘制三维散点图，格式如下：
scatterplot3d(x,y,z)
其中，x被绘制在水平轴上，y被绘制在竖直轴上，z被绘制在透视轴上。
例子：我们对汽车英里数、车重和排量间的关系感兴趣，可使用如下代码：
> library(scatterplot3d)
2024年09月12日
Functions break large computing tasks into smaller ones, and enable people to build on what others have done instead of starting over from scratch. Appropriate functions hide details of operation from parts of the program that don't need to know about them, thus clarifying the whole, and easing the pain of making changes.
2024年09月12日
【个数可变的位置参数】
1）自定义函数时，可能无法事先确定传递的位置实参的个数时（需要根据实际情况来），
这种情况就需要使用可变的位置参数。
（2）使用 * 定义个数可变的位置形参
3）返回值结果为一个元组2024年09月12日
在每节，先运行以下这几行程序。
library(ggplot2)
library(ggpubr)
library(ggtext) #用于个性化图表
library(dplyr) #用于数据处理
p_base <- ggplot(data = mtcars, aes(x = wt, y = mpg)) + geom_point()2024年09月12日
主要数据预处理扩展函数介绍。
关注二幺幺统计课堂公众号可以加入学术交流，群免费获得各种数据资源。大家好，我们已经学习了数据预处理中的数据清洗，数据规划，除了以上操作的一些函数以外，而还提供了很多其他的一些函数。本小节将扩展介绍一些其他的统计函数，我这里主要列举了五个。
·第一个lm是做线性回归的，它是利用因变量与自变量去建立线性回归模型这样的计算。
2024年09月12日
R是用于统计分析、绘图的语言和操作环境。这里介绍如何使用R语言的ggplot2扩展包生成图形。
我们首先使用R语言的pressure数据集和qlpot()函数来个简单的例子：
> library(ggplot2)
> qplot(temperature,pressure,data = pressure)
再使用qplot()来一个稍微复杂一点的图形
2024年09月12日
饼图显示一个数据系列中各项的大小与各项总和的比例。也就是说我们想直观的看某一样本值在所有样本总值中所占的比例时，可以使用饼图来表示。
在R语言中绘制饼图的函数为pie，其使用格式如下：
pie(x, labels = names(x), edges = 200, radius = 0.8, clockwise = FALSE, init.angle = if(clockwise) 90 else 0, density = NULL, angle = 45, col = NULL, border = NULL, lty = NULL, main = NULL, ...)
2024年09月12日
本函数主要用于计算otu丰度表的a多样性计算
#依赖包
library(vegan)
library(picante)计算函数
alpha_diversity <- function(x, tree = NULL) {
observed_species <- estimateR(x)[1, ]
Chao1 <- estimateR(x)[2, ]
ACE <- estimateR(x)[4, ]
Shannon <- diversity(x, index = 'shannon',base = 2)
Simpson <- diversity(x, index = 'simpson') #注意，这里是Gini-Simpson 指数
goods_Coverage <- 1 - rowSums(x == 1) / rowSums(x)
#保留四位小数
Shannon <- sprintf("%0.4f", Shannon)
Simpson <- sprintf("%0.4f", Simpson)
goods_Coverage <- sprintf("%0.4f", goods_Coverage)
result <- data.frame(observed_species, ACE,Chao1, Shannon, Simpson, goods_Coverage)
if (!is.null(tree)) {
PD_whole_tree <- pd(x, tree, include.root = FALSE)[1]
names(PD_whole_tree) <- 'PD_whole_tree'
result <- cbind(result, PD_whole_tree)
result <- data.frame(observed_species, ACE,Chao1, Shannon, Simpson,
PD_whole_tree ,goods_Coverage)
}
result
}2024年09月12日
在每节，先运行以下这几行程序。
library(ggplot2)
library(ggpubr)
library(ggtext) #用于个性化图表
library(dplyr) #用于数据处理
p_base <- ggplot(data = mtcars, aes(x = wt, y = mpg)) + geom_point()