R 图形的文本属性、尺寸、标题和自定义坐标轴| 学习笔记

简介: 快速学习 R 图形的文本属性、尺寸、标题和自定义坐标轴

开发者学堂课程【大数据之 R 语言速成与实战R 图形的文本属性、尺寸、标题和自定义坐标轴】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/363/detail/4330


R图形的文本属性、尺寸、标题和自定义坐标轴

 

内容简介:

一、文本属性

二、图形、边界尺寸

三、添加标题

四、自定义坐标轴

 

一、文本属性

(一)用于指定文本大小的参数

cex        表示相对于默认大小缩放倍数的数值。默认大小为1.1.5表示放大为默认值的1.5 倍,0.5表示缩小为默认值的50%,等等

cex.axis    坐标轴刻度文字的缩放倍数。类似于 cex

cex.lab     坐标轴标签(名称)的缩放倍数。类似于 cex

cex.main   标题的缩放倍数。类似于 cex

cex.sub     副标题的缩放倍数。类似于 cex

(二)用于指定字体族、字号、字样的参数

font        整数。用于指定绘图使用的字体样式。1=常规,2=粗体,3=斜体,4=粗斜体,5=符号字体(以Adob符号编码表示)

font.axis   坐标轴刻度文字的字体样式

font.lab    坐标轴标签(名称)的字体样式

font.main   标题的字体样式

font.sub    副标题的字体样式

ps          字体磅值(1磅约为1/72英寸)。文本的最终大

ps*cex

family      绘制文本时使用的字体族。标准的取值为serif(衬线)、sans(无衬线)和mono(等宽)

(三)用于控制图形尺寸和边界大小的参数

Pin     以英寸表示的图形尺寸(宽和高)

mai    以数值向量表示的边界大小,顺序为"下、左、上、右",单位为英寸

mar    以数值向量表示的边界大小,顺序为"下、左、上、右",单位为英分"

(四)axis()坐标函数参数选项

side     一个整数,表示在图形的哪边绘制坐标轴(1=下,2=左,3=上,4=右)

at       一个数值型向量,表示需要绘制刻度线的位置

labels   一个字符型向量,表示置于刻度线旁边的文字标签(如果为NULL,将直接使用at中的值)

pos     坐标轴线绘制位置的坐标(即与另一条坐标轴相交位置  

值)

lty      线条类型

col      线条和刻度线颜色

las     标签是否平行于(=0)或垂直于(=2)坐标轴

tck     刻度线的长度,以相对于绘图区域大小的分数表示(负值

示在图形外侧,正值表示在图形内侧,0 表示禁用刻度,

1表示绘制网格线);默认值为-0.01

(...)  其他图形参数

 

二、图形、边界尺寸

dose <- c(20.30,40.45.60)

> drugA <- c(16,20,27,40,60

> druqB <- c(15,18,25,31,40)

>1s()

[1]  "dose" "drugA""drugB"

>opar <- par (no.readonly=TRUE)

>par(pin=c(2,3))

par(1wd=2,cex=1.5)

> par(cex.axis=0.75,font.axis=3)

>plot(dose,drugA,type="b",pch=19,lty=2,col="red")

>plot(dose,drugB,type="b",pch=23,1ty=6,col="blue",bg="green"

 

三、添加标题

>plotdosedrugAtype="b"co1="red"lty=2pch=2lwd=2main="药物A的反应曲线"sub="这是一个则试数据"xlab="剂重"ylab="病人的反应"xlim=c060),

ylim=c(0,70))

>title(main="My title",co1.main="red",)

> title(sub="My sub-title",co1.sub="green")

>axis()


四、自定义坐标轴

>x<-c(1:10)

>y<-x

>z<-10/x

>opar <- par(no. readonly=TRUE)

>par(mar=c(5,4,4,8)+ 0.1)

>plot(x,y,type="b",pch=21,col="red",yaxt="n",lty=3,ann=FALSE)

>axis(2,at=y,labels=x,col.axis="blue",las=2)

>lines(x,z, type="b",pch=22,col="qreen",lty=2)

>axis(4,at=z,labe1s=round(z,digits=2),col.axis="black",las=2,

cex.axis=.7)

>titlemain"坐标轴的例子"xlab="x"ylab="y"


相关文章
|
人工智能 自然语言处理 关系型数据库
阿里云云原生数据仓库 AnalyticDB PostgreSQL 版已完成和开源LLMOps平台Dify官方集成
近日,阿里云云原生数据仓库 AnalyticDB PostgreSQL 版已完成和开源LLMOps平台Dify官方集成。
|
6月前
|
安全 算法 定位技术
医院智能导航系统:人员定位管理解决方案示例
智慧医疗面临患者迷路、人员监管难、传统定位成本高等痛点。通过蓝牙信标、电子围栏与轨迹回溯技术,构建精准定位与安全管理体系,提升医院管理效率保障患者安全。
254 0
|
机器学习/深度学习 资源调度 自然语言处理
长短时记忆网络(LSTM)完整实战:从理论到PyTorch实战演示
长短时记忆网络(LSTM)完整实战:从理论到PyTorch实战演示
18532 0
|
Java 测试技术 开发者
Java零基础-indexOf(String str)详解!
【10月更文挑战第13天】Java零基础教学篇,手把手实践教学!
369 1
|
Kubernetes Cloud Native 云计算
云原生入门:Kubernetes 和容器化基础
在这篇文章中,我们将一起揭开云原生技术的神秘面纱。通过简单易懂的语言,我们将探索如何利用Kubernetes和容器化技术简化应用的部署和管理。无论你是初学者还是有一定经验的开发者,本文都将为你提供一条清晰的道路,帮助你理解和运用这些强大的工具。让我们从基础开始,逐步深入了解,最终能够自信地使用这些技术来优化我们的工作流程。
|
机器学习/深度学习 存储 数据可视化
MambaOut:状态空间模型并不适合图像的分类任务
该论文研究了Mamba架构(含状态空间模型SSM)在视觉任务(图像分类、目标检测、语义分割)中的必要性。实验表明,Mamba在这些任务中效果不如传统卷积和注意力模型。论文提出,SSM更适合长序列和自回归任务,而非视觉任务。MambaOut(不带SSM的门控CNN块)在图像分类上优于视觉Mamba,但在检测和分割任务中略逊一筹,暗示SSM在这类任务中可能仍有价值。研究还探讨了Mamba在处理长序列任务时的效率和局部信息整合能力。尽管整体表现一般,但论文为优化不同视觉任务的模型架构提供了新视角。
348 2
|
编解码
视频分辨率和帧率
视频分辨率和帧率
2199 1
|
SQL 关系型数据库 数据库
利用geopandas与PostGIS进行交互
利用geopandas与PostGIS进行交互
251 1
|
资源调度 分布式计算 Hadoop
Hadoop YARN 的作用
【8月更文挑战第12天】
596 4
|
数据采集 机器学习/深度学习 数据可视化
使用R语言进行统计分析:入门与实践
【8月更文挑战第10天】通过本文,我们介绍了使用R语言进行统计分析的基本流程,包括数据加载、数据清洗、描述性统计、假设检验以及数据可视化等关键步骤。R语言以其强大的功能和丰富的包资源,为数据分析师和科学家提供了强大的工具。随着你对R语言的