#Example _1

install.packages("lattice")
library(lattice)
attach(mtcars)

#create factors with value labels
gear.f<-factor(gear,levels=c(3,4,5),
   labels=c("3gears","4gears","5gears"))
cyl.f <-factor(cyl,levels=c(4,6,8),
   labels=c("4cyl","6cyl","8cyl"))

# kernel density plot
densityplot(~mpg,
   main="Density Plot",
   xlab="Miles per Gallon")

@R_Experts

densityplot(~mpg,
main="Density Plot",
xlab="Miles per Gallon")

@R_Experts

#Example_2

# 3d scatterplot by factor level
cloud(mpg~wt*qsec|cyl.f,
   main="3D Scatterplot by Cylinders")

@R_Experts

#Example_3

# dotplot for each combination of two factors

dotplot(cyl.f~mpg|gear.f,
   main="Dotplot Plot by Number of Gears and Cylinders",
   xlab="Miles Per Gallon")

# scatterplot matrix

``splom(mtcars[c(1,3,4,5,6)],

   main="MTCARS Data")

@R_Experts

Diagnostics
@R_Experts

Mr.Haddley.Wickham

هدلی ویکهام:

دانشمند آماری از نیوزلند او لیسانس خود را در زمینه زیست انسان شناسی و همچنین کارشناسی و ارشد آمار

را از دانشگاه اوکلند در طی سالهای 1999 تا 2004 دریافت کرد و موفق به کسب مدرک دکترای خود در سال 2008 از دانشگاه

آیووا شد.

در سال 2006 موفق به کسب جایزه جان.نش ، به دلیل تغییر نوین در انجام محاسبات و تجسم داده ها شد ،

و عضو برجسته و فعال جامعه کاربران R است و چندین بسته او قابل توجه و به طور گسترده ای استفاده می شود ،از جمله ،


plyr، dplyr و ggplot2،reshape2

توسعه داده شده است.

بسته های تجزیه و تحلیل داده ویکهام برای R در مجموع به عنوان "tidyverse شناخته شده است.

بسته نوشتن ویکهام را برای دفاع از یک رویکرد "مرتب به واردات داده ها، تجزیه و تحلیل و مدل سازی روش شناخته شده است. با توجه به رویکرد مرتب ویکهام، هر متغیر باید یک ستون باشد، هر مشاهده باید یک ردیف باشد، و هر نوع واحد مشاهده باید یک جدول باشد.

او توسط انجمن آمار آمریکا در سال 2015 برای "کمک های محوری به عمل آماری از طریق تحقیقات نوآورانه و پیشرو در گرافیک های آماری و محاسبات" معرفی شد،

برترین نویسنده ی در حال حاضر بسته های R ، و رئیس RStudio ، و از نوابغ بی نظیر محاسبات آماری دنیاست .

https://telegram.me/R_Experts

Mr.Haddley.Wickham

@R_Experts

#stem()

#نمودار_ساقه_و_برگ

همانطور که می دانیم نمودار ها در شناسایی اولیه داده ها و تصویر داده ها به ما کمک فراوانی میکنند

این نمودار نیز یکی از نمودار های پر کاربرد می باشد که تفاسیری چون هیستو گرام دارد و در تخیص موارد زیر به ما کمک میکند

1- بزرگترین و کوچکترین مشاهده

2 - شکل توزیع (با دوران 90 درجه ای)

3 - محل تراکم داده ها

و ...
@R_Experts

#dotchart

نمودار نقطه ای نیز نمودار پر کاربردی می باشد وتفاسیری مانند نمودار #ساقه_و_برگ دارد علاوه بر آن فراوانی هر مشاهده را به ما میدهد

@R_Experts

#dotchart

dotchart(speed,col="purple",pch=19,main="@R_Experts")


@R_Experts

#abline()

برای رسم یک خط با شیب و عرض از مبدا دلخواه روی یک نمودار از این تابع استفاده میشود . هم چینسن برای رسم خط عمود بر محور های مختصات کافی است برای عمود بر محور

X

در داخل تابع ارگومان

v=a

و برای عمود بر محور

Y

h=b

را اضافه کنیم

@R_Experts

plot(cars,dist,main="@R_Experts")
abline(20,2,col="red",lty=1)

@R_Experts

plot(cars,dist,main="@R_Experts")
abline(v=seq(5,25,2),col="red",main="@R_Experts")
abline(h=seq(2,120,10),col="purple",main="@R_Experts")


@R_Experts

#pairs()

از این تابع برای رسم ستون های یک ماتریس عددی در برابر ستون های دیگر استفاده می شود

@R_Experts

x <- c(rnorm(101),rgamma(100,2,3))
M <- matrix(x,nc=3)
pairs(M,main="@R_Experts")

@R_Experts