箱线图显示最小值、第一四分位数、中位数、第三四分位数和最大值。当我们使用 ggplot2 创建箱线图时，它会显示没有最小值和最大值水平线的箱线图，如果我们想创建水平线，我们可以使用 ggplot2 的 ggplot 函数中的 stat_boxplot(geom= 'errorbar')。示例考虑以下数据框 - set.seed(101) 性别

散点图是一个将一个因变量绘制在 Y 轴上，一个自变量绘制在 X 轴上的图。有时，因变量和自变量对会根据某些特征进行分组，因此，我们可能希望根据特征创建具有不同颜色分组的散点图。为此，我们可以在 ggplot 函数中使用 colour 参数。示例考虑以下数据框 - set.seed(123) x

条形图的条形通常是从下到上垂直排列的，但我们也可以反转它们。虽然这不是正常的做法，但如果我们想这样做，我们可以做到。为此，我们将不得不反转 Y 轴上的值，结果条形将被反转。这可以通过使用 scale_y_continuous 来实现。示例考虑以下数据框 - 工资组

列表可以包含许多元素，并且每个元素可以是不同类型，但如果它们是数字，则我们可以对它们执行一些数学运算，例如加法、乘法、减法、除法等。为此，我们可以使用 Reduce 函数，方法是提及数学运算和列表名称作为 Reduce(“Mathematical_Operation”, List_name)。示例 x1

通常，绘图的主标题很短，但我们可能需要为绘图的主标题写很长的一行。例如，简短的版本可能是“散点图”，而较长的版本可能是“X 和 Y 之间的散点图”。因此，在 R 的 plot 函数中，我们可以使用换行符作为主标题，例如“X 和 Y 之间的散点图”。示例 set.seed(123) x

处理缺失值是数据分析的初始步骤之一，它也是最困难的，因为我们没有用适当的方法填充缺失值，那么整个分析的结果可能变得毫无意义。因此，我们必须非常小心地处理缺失值。通常出于学习目的，人们使用平均值来填充缺失值，但可以使用许多其他值，具体取决于我们的数据特征。要使用列的平均值填充缺失值，我们可以使用 zoo 包的 na.aggregate 函数。示例考虑以下数据框 - x1

大多数情况下，自变量和因变量之间的关系不是线性的。因此，我们希望根据我们的经验来转换因变量或自变量。因此，我们还想绘制这些变换以可视化关系，其中一种变换是对因变量取 log10。要绘制因变量的这种变换，我们可以使用 scale_y_continuous(trans='log10')。示例考虑以下数据框 - set.seed(10) x

缺失值由 NA 表示，但如果我们将其读作“NA”，则它成为因子变量的一个水平。如果我们认为一个向量是数字的，并且我们在该向量中有一个“NA”，那么它将不是一个数字向量。另一方面，如果我们有一个带有 NA 的向量，那么它将是一个数字向量。示例 x1

回归线的斜率是回归分析中非常重要的一部分，通过找到斜率，我们可以得到因变量预期增加或减少的值的估计值。但是置信区间提供了我们样本量相同时 95% 的时间所期望的斜率值的范围。要找到回归线斜率的 95% 置信区间，我们可以使用带有回归模型对象的 confint 函数。示例考虑以下数据框 - set.seed(1) x

当我们在 R 中创建矩阵时，它的列名未定义，但我们可以命名它们，或者可能导入可能具有列名的矩阵。如果列名未定义，则我们只需使用列号来提取列，但如果我们有列名，则我们可以按名称以及名称来选择列。示例 1 M1