PCA (主成分分析)

{ggfortify} 使 {ggplot2} 知道怎么诠释PCA对象. 加载好 {ggfortify}包之后, 你可以对stats::prcomp 和 stats::princomp对象使用 ggplot2::autoplot。

library(ggfortify)
df <- iris[c(1, 2, 3, 4)]
autoplot(prcomp(df))

转载于：http://terrytangyuan.github.io/2015/11/24/ggfortify-intro/

你还可以选择数据中的一列来给画出的点按类别自动分颜色。输入help(autoplot.prcomp) 可以了解到更多的其他选择。

autoplot(prcomp(df), data = iris, colour = ‘Species‘)

比如说给定label = TRUE 可以给每个点加上标识(以rownames为标准)，也可以调整标识的大小。

autoplot(prcomp(df), data = iris, colour = ‘Species‘, label = TRUE, label.size = 3)

给定 shape = FALSE 可以让所有的点消失，只留下标识，这样可以让图更清晰，辨识度更大。

autoplot(prcomp(df), data = iris, colour = ‘Species‘, shape = FALSE, label.size = 3)

给定 loadings = TRUE 可以很快的画出特征向量。

autoplot(prcomp(df), data = iris, colour = ‘Species‘, loadings = TRUE)

同样的，你也可以显示特征向量的标识以及调整他们的大小，更多选择请参考帮助文件。

autoplot(prcomp(df), data = iris, colour = ‘Species‘,
         loadings = TRUE, loadings.colour = ‘blue‘,
         loadings.label = TRUE, loadings.label.size = 3)

因素分析

和PCA类似，ggfortify 也支持 stats::factanal 对象。可调的选择也很广泛。以下给出了简单的例子：

注意 当你使用 factanal 来计算分数的话，你必须给定 scores的值。

d.factanal <- factanal(state.x77, factors = 3, scores = ‘regression‘)
autoplot(d.factanal, data = state.x77, colour = ‘Income‘)

autoplot(d.factanal, label = TRUE, label.size = 3,
         loadings = TRUE, loadings.label = TRUE, loadings.label.size  = 3)

K-均值

autoplot(kmeans(USArrests, 3), data = USArrests)

autoplot(kmeans(USArrests, 3), data = USArrests, label = TRUE, label.size = 3)

cluster(集群)

{ggfortify} 也支持 cluster::clara, cluster::fanny, cluster::pam。

library(cluster)
autoplot(clara(iris[-5], 3))

给定 frame = TRUE，可以把stats::kmeans 和 cluster::* 的每个集群圈出来。

autoplot(fanny(iris[-5], 3), frame = TRUE)

你也可以通过 frame.type 来选择圈的类型。更多选择请参照ggplot2::stat_ellipse里面的frame.type的type关键词。

autoplot(pam(iris[-5], 3), frame = TRUE, frame.type = ‘norm‘)

lfda(Fisher局部判别分析)

{lfda}包支持一系列的Fisher局部判别分析方法，包括半监督lfda，非线性lfda。你也可以使用{ggfortify}来对他们的结果进行可视化。

library(lfda)

# Fisher局部判别分析 (LFDA)
model <- lfda(iris[-5], iris[, 5], 4, metric="plain")
autoplot(model, data = iris, frame = TRUE, frame.colour = ‘Species‘)

# 半监督Fisher局部判别分析 (SELF)
model <- self(iris[-5], iris[, 5], beta = 0.1, r = 3, metric="plain")
autoplot(model, data = iris, frame = TRUE, frame.colour = ‘Species‘)

更多关于集群方面的可视化请参考Github上的Vignette或者Rpubs上的例子。

时间序列的可视化

用 {ggfortify} 使时间序列的可视化变得及其简单。接下来我将给出一些简单的例子。

ts对象

library(ggfortify)
autoplot(AirPassengers)

可以使用 ts.colour 和 ts.linetype来改变线的颜色和形状。更多的选择请参考 help(autoplot.ts)。

autoplot(AirPassengers, ts.colour = ‘red‘, ts.linetype = ‘dashed‘)

多变量时间序列

library(vars)
data(Canada)
autoplot(Canada)

使用 facets = FALSE 可以把所有变量画在一条轴上。

autoplot(Canada, facets = FALSE)

autoplot 也可以理解其他的时间序列类别。可支持的R包有：

• zoo::zooreg
• xts::xts
• timeSeries::timSeries
• tseries::irts

一些例子：

library(xts)
autoplot(as.xts(AirPassengers), ts.colour = ‘green‘)

library(timeSeries)
autoplot(as.timeSeries(AirPassengers), ts.colour = (‘dodgerblue3‘))

你也可以通过 ts.geom 来改变几何形状，目前支持的有 line, bar and point.

autoplot(AirPassengers, ts.geom = ‘bar‘, fill = ‘blue‘)

autoplot(AirPassengers, ts.geom = ‘point‘, shape = 3)

forecast包

library(forecast)
d.arima <- auto.arima(AirPassengers)
d.forecast <- forecast(d.arima, level = c(95), h = 50)
autoplot(d.forecast)

有很多设置可供调整：

autoplot(d.forecast, ts.colour = ‘firebrick1‘, predict.colour = ‘red‘,
         predict.linetype = ‘dashed‘, conf.int = FALSE)

vars包

library(vars)
d.vselect <- VARselect(Canada, lag.max = 5, type = ‘const‘)$selection[1]
d.var <- VAR(Canada, p = d.vselect, type = ‘const‘)

更多可设置可供调整：

autoplot(predict(d.var, n.ahead = 50), ts.colour = ‘dodgerblue4‘,
         predict.colour = ‘blue‘, predict.linetype = ‘dashed‘)

changepoint包

library(changepoint)
autoplot(cpt.meanvar(AirPassengers))

autoplot(cpt.meanvar(AirPassengers), cpt.colour = ‘blue‘, cpt.linetype = ‘solid‘)

strucchange包

library(strucchange)
autoplot(breakpoints(Nile ~ 1), ts.colour = ‘blue‘, ts.linetype = ‘dashed‘,
         cpt.colour = ‘dodgerblue3‘, cpt.linetype = ‘solid‘)

dlm包

library(dlm)
form <- function(theta){
  dlmModPoly(order = 1, dV = exp(theta[1]), dW = exp(theta[2]))
}

model <- form(dlmMLE(Nile, parm = c(1, 1), form)$par)
filtered <- dlmFilter(Nile, model)

autoplot(filtered)

autoplot(filtered, ts.linetype = ‘dashed‘, fitted.colour = ‘blue‘)

smoothed <- dlmSmooth(filtered)
class(smoothed)

## [1] "list"

autoplot(smoothed)

p <- autoplot(filtered)
autoplot(smoothed, ts.colour = ‘blue‘, p = p)

KFAS包

library(KFAS)
model <- SSModel(
  Nile ~ SSMtrend(degree=1, Q=matrix(NA)), H=matrix(NA)
)
 
fit <- fitSSM(model=model, inits=c(log(var(Nile)),log(var(Nile))), method="BFGS")
smoothed <- KFS(fit$model)
autoplot(smoothed)

使用 smoothing=‘none‘ 可以画出过滤后的结果。

filtered <- KFS(fit$model, filtering="mean", smoothing=‘none‘)
autoplot(filtered)

trend <- signal(smoothed, states="trend")
class(trend)

## [1] "list"

p <- autoplot(filtered)
autoplot(trend, ts.colour = ‘blue‘, p = p)

stats包

可支持的stats包里的对象有：

• stl, decomposed.ts
• acf, pacf, ccf
• spec.ar, spec.pgram
• cpgram

autoplot(stl(AirPassengers, s.window = ‘periodic‘), ts.colour = ‘blue‘)

autoplot(acf(AirPassengers, plot = FALSE))

autoplot(acf(AirPassengers, plot = FALSE), conf.int.fill = ‘#0000FF‘, conf.int.value = 0.8, conf.int.type = ‘ma‘)

autoplot(spec.ar(AirPassengers, plot = FALSE))

ggcpgram(arima.sim(list(ar = c(0.7, -0.5)), n = 50))

library(forecast)
ggtsdiag(auto.arima(AirPassengers))

gglagplot(AirPassengers, lags = 4)