Diagramme erstellen

Wollschläger, Daniel

doi:10.1007/978-3-642-25800-8_11

Diagramme erstellen

Daniel Wollschläger^nAff1

Chapter
First Online: 01 January 2012

6784 Accesses

Part of the book series: Statistik und ihre Anwendungen ((STATIST))

Zusammenfassung

Daten lassen sich in R mithilfe einer Vielzahl von Diagrammtypen grafisch darstellen, wobei hier nur auf eine Auswahl der verfügbaren Typen eingegangen werden kann. In R werden zwei Arten von Grafikfunktionen unterschieden: Sogenannte High-Level-Funktionen erstellen eigenständig ein komplettes Diagramm inkl. Achsen, während sog. Low-Level-Funktionen lediglich ein bestimmtes Element einem bestehenden Diagramm hinzufügen. Einen kurzen Überblick über die Gestaltungsmöglichkeiten vermittelt demo(graphics).

This is a preview of subscription content, log in via an institution.

Chapter: USD 29.95; Price excludes VAT (USA)

eBook: USD 29.99; Price excludes VAT (USA)

Tax calculation will be finalised at checkout

Purchases are for personal use only

Learn about institutional subscriptions

Notes

1.
Zudem soll fast ausschließlich das grafische Basissystem, nicht aber fortgeschrittene Alternativen behandelt werden, wie sie etwa durch die Pakete lattice (122; vgl. Abschn. 11.8.3) oder ggplot2 140, 145 realisiert werden. Ebenso bleiben Funktionen weitgehend ausgespart, die einen interaktiven Umgang mit Grafiken erlauben (vgl. Abschn. 11.8.2). Für eine umfassende Dokumentation der Möglichkeiten vgl. 100 und für Beispiele die R Graph Gallery 47.
2.
Dagegen erzeugt plot(<<Faktor>>, ...) ein Säulendiagramm der Häufigkeiten jeder Faktorstufe (vgl. Abschn. 11.4), da plot() eine generische Funktion ist (vgl. Abschn. 12.2.5).
3.
Hat die Modellformel die Form <<y-Koord.>> <<Faktor>>, werden in einem Diagramm getrennt für die von <<Faktor>> definierten Gruppen boxplots dargestellt (vgl. Abschn. 11.6.3).
4.
Als Alternative zu diesem Vorgehen kommt die Funktion sunflowerplot() in Betracht.
5.
Ein vierter Wert zwischen \(0\) und \(1\) kann den Grad des sog. alpha-Blendings für simulierte Transparenz definieren. Niedrige Werte stehen für sehr durchlässige, hohe Werte für opaque Farben (Abb. 10.2). Diese Art von Transparenz wird nur von manchen devices unterstützt, etwa von pdf() oder png().
6.
Für weitere Funktionen zur Verwendung verschiedener Farbräume vgl. das Paket colorspace 73.
7.
Für grafisch aufwendiger gestaltete Säulendiagramme vgl. die barp() Funktion aus dem Paket plotrix 81.
8.
Für weitere Varianten vgl. cdplot() und mosaicplot() .
9.
Das Aussehen von Linienenden sowie das Verhalten von sich treffenden Endpunkten bestimmen die Argumente lend und ljoin von par().
10.
Mit polypath() lassen sich auch Polygone mit sich selbst überschneidenden Kanten zeichnen.
11.
Unterbrochene Achsen können mit der axis.break() Funktion aus dem plotrix Paket eingezeichnet werden.
12.
Für Konfidenzellipsen als Maß für die Variabilität zweidimensionaler Daten vgl. die confidenceEllipse() Funktion aus dem car Paket und Abschn. 11.6.8.
13.
Als Grafikdatei vorhandene Bitmap-Bilder können mit Funktionen aus den Paketen adimpro 109 oder EBImage 125 eingelesen werden.
14.
Für den Vergleich der Verteilungen einer Variable in zwei Bedingungen zeigt die histbackback() Funktion aus dem Hmisc Paket die zugehörigen Histogramme Rücken-an-Rücken angeordnet simultan in einem Diagramm.
15.
Wird die Anzahl der Klassengrenzen genannt, behandelt R diesen Wert nur als Vorschlag, nicht als zwingend. Der in der Voreinstellung verwendete Algorithmus erzeugt häufig nur wenige Intervalle. Durch breaks="FD" wird ein anderer Algorithmus verwendet, der meist zu einer etwas größeren Anzahl führt.
16.
Zweidimensionale Dichten werden von smoothScatter() geschätzt und dargestellt.
17.
Liegen geradzahlig viele Werte vor, wird das Rechteck nach oben und unten nicht exakt durch die Quartile begrenzt, vgl. ?boxplot.stats.
18.
Für eine grafisch aufwendigere Darstellung von Kreisdiagrammen vgl. pie3D() aus dem plotrix Paket.
19.
Für die Darstellung von sehr vielen Wertepaaren vgl. insbesondere S. .
20.
Für Konfidenzellipsen im inferenzstatistischen Sinn vgl. die confidenceEllipse() Funktion aus dem car Paket.
21.
Für Möglichkeiten zum Anpassen verschiedener Funktionsfamilien vgl. die Funktion fitdistr() aus dem MASS Paket.
22.
Weitere Glätter lassen sich mit supsmu() und smooth() anwenden.
23.
Für weitere Spline-Typen vgl. help(package="splines").
24.
Ein Ansatz, höherdimensionale Daten durch Sequenzen von Projektionen auf niedrigdimensionale Räume zu visualisieren, ist im Paket tourr 143 umgesetzt.
25.
Für ähnliche Funktionen vgl. stars() und sunflowerplot().
26.
Auch die Pakete iplots 132, rggobi 128 und playwith 6 stellen Funktionen bereit, die Grafiken interaktiv in Echtzeit verändern, sie etwa an geänderte Ursprungsdaten anpassen.
27.
lattice setzt wie das eine vergleichbare Funktionalität bietende Paket ggplot2 nicht auf dem grafischen Basissystem von R auf, sondern nutzt das in der Standardinstallation von R bereits enthaltene grid Paket. Damit ergeben sich bzgl. der Feinkontrolle von Grafiken einige Abweichungen zu den Darstellungen in Abschn. 11.3 und 11.5.

Author information

Daniel Wollschläger
Present address: Institut für Psychologie, Christian-Albrechts-Universität zu Kiel, Olshausenstr. 62, 24098, Kiel, Deutschland

Authors and Affiliations

Authors

Daniel Wollschläger
View author publications
You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Daniel Wollschläger .

Rights and permissions

Reprints and permissions

Copyright information

About this chapter

Cite this chapter

Wollschläger, D. (2012). Diagramme erstellen. In: Grundlagen der Datenanalyse mit R. Statistik und ihre Anwendungen. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-25800-8_11

Download citation

DOI: https://doi.org/10.1007/978-3-642-25800-8_11
Published: 03 April 2012
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-642-25799-5
Online ISBN: 978-3-642-25800-8
eBook Packages: Life Science and Basic Disciplines (German Language)

Publish with us

Policies and ethics