散点图矩阵可以非常直观地看到多个变量两两间的相关性，是变量间相关性分析的一把利器。

• pairs( )，绘制基本散点图矩阵

• ~mpg disp drat wt，表示所有需要绘制散点图矩阵的变量

• 在行和列的交叉处为两个变量之间的散点图，上方的图形和下方的图形对称，加入参数upper.panel=NULL可设置只显示下半部分

#查看头几行数据 head(mtcars) pairs(~mpg disp drat wt,data=mtcars,main="基本散点图矩阵")

基本散点图矩阵

• scatterplotMatrix( )，推荐使用，绘制带有拟合曲线的散点图矩阵

• 散点图上添加了线性拟合和平滑拟合线（绿线和红线）

• 对角线上显示了每个变量的核密度估计图和轴须图

• spread=FALSE，表示不添加展示分散度和对称信息的直线

• lty=2，设置线性拟合（绿线）线的形状为type“2”，也就是虚线

library(car) scatterplotMatrix(~mpg disp drat wt,data=mtcars,spread=FALSE,lty=2,main="利用car包绘制散点图矩阵")

scatterplotMatrix(~mpg disp drat wt|cyl,data=mtcars,spread=FALSE,lty=2,diagonal="histogram",main="不同发动机缸数下的散点图矩阵")

不同类别下的散点图拟合矩阵

• cpairs(），画图函数

• cor( )，计算变量的相关系数矩阵

• 变量离主对角线越近相关性越高

• 优点：当变量数目比较多时，利用这个图一眼就能找到与我们所关注的变量最相关的变量

cor(mtcars[,c('mpg','disp','drat','wt')])

相关系数矩阵

library(gclus) data=mtcars[,c(1,3,5,6)] data.cor=abs(cor(data)) colors=dmat.color(data.cor) #生成颜色矩阵 order=order.single(data.cor) #用来排序 cpairs(data,order,panel.colors=colors,gap=0.5,main="带颜色的排序散点图矩阵") #gap=0.5，增加两个图形之间的间距

带颜色的排序散点图矩阵

从图中可以看出，相关性最高的是车重wt和排量disp以及车重wt和每加仑英里数mpg（标了红色，而且离主对角线近）。相关性最低的是后轴比drat和每加仑英里数mpg（标了黄色，且离主对角线较远）。

,