Với bài viết này, chúng tôi sẽ đưa bạn qua một chuyến tham quan toàn diện về phân tích dữ liệu đồ họa với R. Chúng tôi sẽ khám phá các loại biểu đồ có sẵn trong R và tìm hiểu cách tạo chúng với sự trợ giúp của các hàm và các ví dụ triển khai.
Các bài viết liên quan:
Ngoài ra, chúng ta sẽ xem xét việc lưu đồ họa vào tệp trong R và việc lựa chọn đồ thị thích hợp. Vì vậy, chúng ta hãy bắt đầu khám phá chuyến tham quan.
Phân tích dữ liệu đồ họa với R là gì?
Phần lớn phân tích thống kê dựa trên các kỹ thuật số, chẳng hạn như khoảng tin cậy , kiểm tra giả thuyết, phân tích hồi quy , v.v. Trong nhiều trường hợp, các kỹ thuật này dựa trên các giả định về dữ liệu đang được sử dụng. Một cách để xác định xem dữ liệu có xác nhận với những giả định này hay không là phân tích dữ liệu đồ họa với R, vì biểu đồ có thể cung cấp nhiều thông tin chi tiết về các thuộc tính của tập dữ liệu được vẽ biểu đồ.
Biểu đồ hữu ích cho dữ liệu phi số, chẳng hạn như màu sắc, mùi vị, tên thương hiệu, v.v. Khi các phép đo bằng số khó hoặc không thể tính toán được, đồ thị đóng một vai trò quan trọng.
Tính toán thống kê được thực hiện với mục đích tạo ra đồ họa chất lượng cao.
Các loại biểu đồ khác nhau được vẽ trong lập trình R là:
- Đồ thị với một biến duy nhất – Bạn có thể vẽ biểu đồ cho một biến duy nhất.
- Đồ thị có hai biến – Bạn có thể vẽ biểu đồ có hai biến.
- Lập đồ thị với nhiều biến số – Bạn có thể vẽ một biểu đồ có nhiều biến số.
- Các lô đặc biệt – R có các cơ sở đồ họa cấp thấp và cấp cao.
Trước tiên, bạn phải hoàn thành Hướng dẫn về mô hình đồ họa trước khi tiếp tục
Plots có một biến duy nhất
Bạn có thể cần vẽ biểu đồ cho một biến duy nhất trong phân tích dữ liệu đồ họa với lập trình R. Ví dụ: – Một biểu đồ hiển thị giá trị bán hàng hàng ngày của một sản phẩm cụ thể trong một khoảng thời gian. Bạn cũng có thể lập biểu đồ chuỗi thời gian cho doanh số bán hàng từng tháng.
Việc lựa chọn các ô bị hạn chế hơn khi bạn chỉ có một biến cho ô. Có nhiều hàm vẽ biểu đồ khác nhau cho các biến đơn trong R:
- hist (y) – Biểu đồ để hiển thị phân bố tần suất.
- plot (y) – Chúng ta có thể thu được các giá trị của y trong một dãy với sự trợ giúp của biểu đồ.
- plot.ts (y) – Các âm mưu theo chuỗi thời gian.
- pie (x) – Các biểu đồ thành phần như sơ đồ hình tròn.
Các loại ô có sẵn trong R:
- Histograms – Được sử dụng để hiển thị chế độ, trải rộng và đối xứng của một tập hợp dữ liệu.
- Index Plots – Ở đây, cốt truyện có một đối số duy nhất. Loại âm mưu này đặc biệt hữu ích để kiểm tra lỗi.
- Time Series Plots – Khi hoàn thành một khoảng thời gian, có thể sử dụng biểu đồ chuỗi thời gian để nối các dấu chấm trong một tập hợp các giá trị y có thứ tự.
- Pie Charts – Hữu ích để minh họa tỷ lệ trang điểm của một mẫu trong các bài thuyết trình.
Một sai lầm phổ biến ở những người mới bắt đầu là nhầm lẫn giữa biểu đồ và biểu đồ thanh. Biểu đồ có biến phản hồi trên trục x và trục y hiển thị tần suất của các giá trị khác nhau của phản hồi. Ngược lại, biểu đồ thanh có biến phản hồi trên trục y và biến giải thích phân loại trên trục x.
Histograms
Biểu đồ hiển thị chế độ, mức chênh lệch và tính đối xứng của một tập hợp dữ liệu. Hàm R hist () được sử dụng để vẽ biểu đồ.
Trục x được chia thành các giá trị của biến phản hồi được phân phối và sau đó được đếm. Đây được gọi là thùng. Biểu đồ rất phức tạp vì nó phụ thuộc vào các phán đoán chủ quan về vị trí chính xác để đặt lề bin mà bạn sẽ nhìn vào biểu đồ nào. Các thùng rộng tạo ra một hình ảnh, các thùng hẹp tạo ra một hình ảnh khác và các thùng không bằng nhau tạo ra sự nhầm lẫn.
Các thùng nhỏ tạo ra tính đa phương thức (kết hợp các chế độ âm thanh, văn bản và hình ảnh), trong khi các thùng rộng tạo ra tính đơn phương thức (chứa một chế độ duy nhất). Khi có các chiều rộng thùng khác nhau, mặc định trong R là để chuyển đổi số đếm thành mật độ.
Quy ước được thông qua trong R để hiển thị các ranh giới thùng là sử dụng các dấu ngoặc vuông và tròn, sao cho:
- [a, b) có nghĩa là ‘lớn hơn hoặc bằng a nhưng nhỏ hơn b’ [vuông hơn tròn).
- (a, b] có nghĩa là ‘lớn hơn a nhưng nhỏ hơn hoặc bằng b’ (tròn hơn vuông].
Bạn cần chú ý rằng các thùng có thể chứa cả giá trị tối thiểu và tối đa của bạn.
Hàm cut () nhận một vectơ liên tục và cắt nó thành các thùng để sau đó có thể được sử dụng để đếm.
Hàm hist () trong R không áp dụng lời khuyên của bạn về số lượng thanh hoặc độ rộng của thanh. Nó giúp xem đồng thời nhiều biểu đồ với phạm vi tương tự. Đối với dữ liệu số nguyên nhỏ, bạn có thể có một bin cho mỗi giá trị.
Trong R, tham số k của phân phối nhị thức âm được gọi là kích thước và giá trị trung bình được gọi là mu .
Vẽ biểu đồ của các biến liên tục là một nhiệm vụ khó khăn hơn so với các biến giải thích. Vấn đề này phụ thuộc vào ước lượng mật độ là một vấn đề quan trọng đối với các nhà thống kê. Để giải quyết vấn đề này, bạn có thể biến đổi gần đúng mô hình liên tục thành mô hình rời rạc bằng cách sử dụng phép gần đúng tuyến tính để đánh giá mật độ tại các điểm đã chỉ định.
Sự lựa chọn của băng thông là một sự thỏa hiệp được thực hiện giữa việc loại bỏ các va chạm không đáng kể và các đỉnh thực.
Đã đến lúc nắm vững khái niệm Phân phối nhị thức và Poisson trong Lập trình R
Index Plots
Để vẽ các mẫu đơn, có thể sử dụng các biểu đồ chỉ mục. Hàm cốt truyện nhận một đối số duy nhất. Đây là một biến liên tục và vẽ các giá trị trên trục y, với tọa độ x được xác định bởi vị trí của số trong vectơ. Biểu đồ chỉ mục đặc biệt hữu ích để kiểm tra lỗi.
Time Series Plot
Biểu đồ chuỗi thời gian có thể được sử dụng để nối các dấu chấm trong một tập hợp các giá trị y có thứ tự khi một khoảng thời gian hoàn thành. Các vấn đề nảy sinh khi thiếu các giá trị trong chuỗi thời gian (ví dụ: nếu thiếu giá trị bán hàng trong hai tháng trong năm năm qua), đặc biệt là các nhóm giá trị bị thiếu (ví dụ: nếu thiếu giá trị bán hàng cho hai quý trong năm năm qua năm) và trong khoảng thời gian đó, chúng ta thường không biết gì về hoạt động của chuỗi thời gian.
ts.plot và plot.ts là hai hàm để vẽ dữ liệu chuỗi thời gian trong R.
Pie Chart
Bạn có thể sử dụng biểu đồ hình tròn để minh họa tỷ lệ trang điểm của một mẫu trong bài thuyết trình. Ở đây, bánh hàm nhận một véc tơ các số và biến chúng thành tỷ lệ. Sau đó, nó chia hình tròn trên cơ sở các tỷ lệ đó.
Để chỉ ra từng phân đoạn của chiếc bánh, điều cần thiết là sử dụng nhãn. Nhãn được cung cấp dưới dạng vectơ gồm các chuỗi ký tự, ở đây được gọi là tên dữ liệu $ .
Nếu danh sách tên chứa khoảng trống thì bạn không thể sử dụng read.table với tệp văn bản được phân tách bằng tab để nhập dữ liệu. Thay vào đó, bạn có thể lưu tệp có tên piedata dưới dạng tệp được phân tách bằng dấu phẩy, có phần mở rộng là “.csv” và nhập dữ liệu vào R bằng cách sử dụng read.csv thay cho read.table.
data <- read.csv("/home/dataflair/data/piedata.csv")
dataĐầu ra:
Biểu đồ hình tròn có thể được tạo bằng cách sử dụng lệnh sau:
pie(data$amounts,labels=as.character(data$names))
Đầu ra:
Plots có hai biến
Hai loại biến được sử dụng trong phân tích dữ liệu đồ họa với R:
- Biến phản hồi
- Biến giải thích
Biến phản hồi được biểu diễn trên trục y và biến giải thích được biểu diễn trên trục x . Bản chất của biến giải thích xác định loại cốt truyện được tạo ra. Khi biến giải thích là một biến liên tục, chẳng hạn như chiều dài hoặc trọng lượng hoặc độ cao, thì biểu đồ thích hợp để sử dụng là biểu đồ phân tán.
Khi một biến giải thích có tính phân loại, như kiểu gen hoặc màu sắc hoặc giới tính, thì biểu đồ thích hợp là biểu đồ hình hộp và râu hoặc ô vuông.
Chúng tôi có thể biểu diễn các tập hợp dữ liệu số với sự trợ giúp của biểu đồ hộp và râu sử dụng các phần tư và nó phụ thuộc vào các giá trị tối thiểu và tối đa cũng như các phần tư trên và dưới.
Biểu đồ thanh cung cấp một biểu diễn đồ họa của dữ liệu dưới dạng biểu đồ thanh.
Các hàm biểu đồ được sử dụng thường xuyên nhất cho hai biến trong R:
- plot (x, y): Biểu đồ phân tán của y so với x
- plot (factor, y): Biểu đồ hình hộp và râu của y ở mỗi cấp độ yếu tố.
- barplot (y): Độ cao từ vectơ có giá trị y (một vạch cho mỗi cấp yếu tố).
Các loại ô có sẵn trong R:
- Scatterplots – Khi biến giải thích là một biến liên tục.
- Stepped Lines – Được sử dụng để vẽ dữ liệu một cách riêng biệt và cung cấp một cái nhìn rõ ràng.
- Boxplots – Boxplots hiển thị vị trí, mức độ lan truyền của dữ liệu và chỉ ra độ lệch.
- Barplots – Nó hiển thị chiều cao của các giá trị trung bình từ các phương pháp xử lý khác nhau.
Scatterplots
Scatterplots cho thấy một biểu diễn đồ họa của mối quan hệ giữa hai tập hợp được đánh số. Hàm biểu đồ vẽ trục và thêm biểu đồ phân tán của các điểm. Bạn cũng có thể thêm các điểm hoặc đường bổ sung vào một âm mưu hiện có bằng cách sử dụng các hàm, điểm và đường.
Các điểm và hàm đường có thể được chỉ định theo hai cách sau:
- Đồ thị Descartes (x, y) – Một tọa độ Descartes xác định vị trí của một điểm trong mặt phẳng hai chiều với sự trợ giúp của hai vectơ vuông góc được gọi là trục. Gốc của hệ tọa độ Descartes là điểm mà hai trục cắt nhau và vị trí của điểm này là (0,0).
- Biểu đồ công thức (y, x) – Biểu đồ dựa trên công thức đề cập đến việc biểu diễn mối quan hệ giữa các biến ở dạng đồ thị. Ví dụ – Phương trình, y = mx + c , cho thấy một đường thẳng trong hệ tọa độ Descartes.
Ưu điểm của biểu đồ dựa trên công thức là chức năng của biểu đồ và mô hình phù hợp với giao diện giống nhau. Các đồ thị Descartes xây dựng các đồ thị bằng cách sử dụng “ x rồi đến y ” trong khi mô hình phù hợp sử dụng “y rồi x ”.
Hàm plot sử dụng các đối số sau:
- Tên của biến giải thích.
- Tên của biến phản hồi.
Cú pháp cơ bản của scatterplot như sau:
y là dữ liệu hiện diện trên trục tung.
chính đại diện cho tiêu đề của âm mưu của chúng tôi.
xlab là nhãn biểu thị trục hoành.
ylab là nhãn cho trục tung.
xlim là giới hạn của x để vẽ đồ thị.
ylim là giới hạn của y đối với việc vẽ biểu đồ.
các trục cho biết rằng cả hai trục phải có mặt trên biểu đồ.
Để tạo biểu đồ phân tán của chúng tôi, chúng tôi sẽ sử dụng tập dữ liệu ‘mtcars’ có trong thư viện dữ liệu R. Chúng tôi vẽ biểu đồ giữa các nhãn ‘wt’ và ‘mpg’.
data("mtcars")
scatter_data <- mtcars[,c('wt','mpg')]
#Naming the file
png(file = "DataFlair_scatterplot.png")
#Creating our Scatterplot
plot(x = scatter_data$wt,y = scatter_data$mpg,
xlab = "Weight",
ylab = "Milage",
xlim = c(2.5,5),
ylim = c(15,30),
main = "Weight vs Milage"
)
dev.off() #Saving the fileĐầu ra:
Cách tốt nhất để xác định nhiều cá thể trong biểu đồ phân tán là sử dụng kết hợp màu sắc và ký hiệu. Một mẹo hữu ích là sử dụng as.numeric để chuyển đổi một yếu tố nhóm thành màu sắc và / hoặc biểu tượng.
Stepped Lines
Các đường bậc có thể được vẽ dưới dạng biểu diễn đồ họa hiển thị trong R. Các biểu đồ này, vẽ dữ liệu một cách rõ ràng và cũng cung cấp một cái nhìn rõ ràng về sự khác biệt trong các hình.
Trong khi vẽ các cạnh hình vuông giữa hai điểm, bạn cần quyết định xem đi ngang rồi đi lên hay đi lên rồi đi qua. Giả sử rằng chúng ta có hai vectơ từ 0 đến 10. Chúng ta vẽ các điểm này như sau:
x = 0:10 y = 0:10 plot(x,y)
Đầu ra:
Chúng ta có thể vẽ một đường thẳng bằng cách sử dụng lệnh sau:
> plot(x,y) > lines(x,y,col = "red")
Đầu ra:
Ngoài ra, tạo một dòng bằng cách sử dụng chữ hoa “S” như hình dưới đây:
> lines(x,y,col="green",type='S')
Đầu ra:
Box và Whisker Plot
Biểu đồ hình hộp và râu là một phương tiện đồ họa để đại diện cho các tập hợp dữ liệu số bằng cách sử dụng các phần tư. Nó dựa trên các giá trị tối thiểu và tối đa cũng như các phần tư trên và dưới.
Boxplots tóm tắt thông tin có sẵn. Các đường gạch ngang dọc được gọi là ‘râu’. Boxplots cũng rất tốt để phát hiện các lỗi trong dữ liệu. Các giá trị ngoại lai cực đại đại diện cho những lỗi này.
Barplot
Barplot là một giải pháp thay thế cho boxplot để hiển thị chiều cao của các giá trị trung bình từ các phương pháp điều trị khác nhau. Hàm tapply tính toán chiều cao của các thanh. Do đó, nó tính ra các giá trị trung bình cho mỗi cấp của biến giải thích phân loại.
Hãy để chúng tôi tạo một bộ dữ liệu đồ chơi về nhiệt độ trong một tuần. Sau đó, chúng tôi sẽ vẽ một ô barplot sẽ có nhãn.
temperature <- c(28, 35, 31, 40, 29, 41, 42)
days <- c("Sun", "Mon", "Tues", "Wed",
"Thurs", "Fri", "Sat")
barplot(temperature, main = "Maximum Temperatures
in a Week",
xlab = "Days",
ylab = "Degree in Celcius",
names.arg= days,
col = "darkred")Đầu ra:
Bất kỳ nghi ngờ nào trong phân tích dữ liệu đồ họa với R cho đến bây giờ? Vui lòng bình luận thắc mắc của bạn bên dưới.
Plots với nhiều biến
Việc kiểm tra dữ liệu ban đầu bằng cách sử dụng các biểu đồ thậm chí còn quan trọng hơn khi có nhiều biến, bất kỳ biến nào trong số đó có thể có sai sót hoặc thiếu sót. Các hàm biểu đồ chính đại diện cho nhiều biến là:
- Hàm cặp – Đối với ma trận biểu đồ phân tán của mọi biến so với mọi biến khác.
- Hàm Coplot – Đối với các biểu đồ điều hòa trong đó y được vẽ dựa trên x với các giá trị khác nhau của z.
Tốt hơn là sử dụng các lệnh chuyên biệt hơn khi xử lý các hàng và cột của khung dữ liệu.
Chức năng ghép nối
Đối với hai hoặc nhiều biến giải thích liên tục, điều có giá trị là kiểm tra sự phụ thuộc tinh vi giữa các biến giải thích. Các hàng đại diện cho các biến phản hồi và các cột đại diện cho các biến giải thích.
Mọi biến trong khung dữ liệu nằm trên trục y so với mọi biến khác trên trục x bằng cách sử dụng các đồ thị hàm cặp. Hàm cặp chỉ cần tên của toàn bộ khung dữ liệu làm đối số đầu tiên của nó.
Hãy xem lại chủ đề Đối số trong ngôn ngữ lập trình R
Hàm Coplot
Mối quan hệ giữa hai biến có thể bị che khuất bởi tác động của các quá trình khác trong dữ liệu đa biến. Khi bạn vẽ biểu đồ hai chiều của y so với x, thì tất cả các tác động của các biến giải thích khác sẽ được hiển thị trên mặt phẳng của tờ giấy. Trong trường hợp đơn giản nhất, chúng ta có một biến phản hồi và chỉ hai biến giải thích.
Các bảng coplot được sắp xếp theo thứ tự từ phía dưới bên trái sang phía trên bên phải, được liên kết với các giá trị của biến điều hòa trong bảng phía trên từ trái sang phải.
Coplot liên quan đến ‘bệnh zona’ được hiển thị ở lề trên, đó là nhược điểm lớn nhất của nó. Sự chồng chéo giữa các zona cho thấy mức độ chồng chéo giữa bảng điều khiển này và bảng điều khiển tiếp theo liên quan đến số lượng điểm dữ liệu chung giữa chúng.
Các lô đặc biệt trong phân tích dữ liệu đồ họa với R
R có nhiều phương tiện để sản xuất đồ thị. Nó cũng có các cơ sở đồ họa cấp thấp và cấp cao theo yêu cầu.
Đồ họa cấp thấp là các khối xây dựng cơ bản có thể xây dựng đồ thị từng bước, trong khi cơ sở cấp cao cung cấp nhiều loại màn hình đồ họa được lắp ráp sẵn.
Ngoài các loại ô đồ họa khác nhau đã thảo luận, R hỗ trợ các ô đặc biệt sau:
- Design Plots – Kích thước hiệu quả trong các thí nghiệm được thiết kế có thể được hình dung bằng cách sử dụng ô thiết kế. Người ta có thể vẽ các lô thiết kế bằng cách sử dụng plot.design chức năng – plot.design (Growth.rate ~ Nước * Bột giặt * Daphnia)
- Bubble Plots – Hữu ích để minh họa sự thay đổi trong biến thứ ba trên các vị trí khác nhau trong x – y.
- Plots with many Identical Values – Đôi khi, hai hoặc nhiều điểm có dữ liệu đếm rơi vào cùng một vị trí trong một biểu đồ phân tán. Kết quả là, các giá trị lặp lại của y bị ẩn, giá trị này nằm dưới giá trị kia.
Thêm Shapes cho Plot
Sử dụng các chức năng sau, chúng ta có thể thêm các đối tượng đồ họa bổ sung trong các ô:
- rect – Để vẽ hình chữ nhật – chữ nhật (xleft, ybottom, xright, ytop)
Sử dụng chức năng định vị, chúng ta có thể nhận được tọa độ của các góc của hình chữ nhật. Nhưng hàm trực tràng không chấp nhận định vị làm đối số của nó.
- arrows – Để vẽ biểu đồ mũi tên và thanh có đầu – Cú pháp của hàm mũi tên là vẽ một đường thẳng từ điểm (xO, yO) đến điểm (x1, y1) bằng đầu mũi tên, theo mặc định, ở cuối “thứ hai” ( x1, y1) .
arrows(xO, yO, xl, yl)
Thêm code = 3 sẽ tạo ra một mũi tên hai đầu nằm ngang từ (2,1) đến (9,8) , ví dụ:
plot(x,y) arrows(2,1,9,8, code = 3)
Đầu ra:
Lưu đồ họa vào tệp trong R
Bạn có thể muốn lưu từng mảnh đất của mình dưới dạng tệp PDF hoặc PostScript để có đồ họa chất lượng xuất bản. Điều này được thực hiện bằng cách chỉ định ‘thiết bị’ trước khi vẽ biểu đồ, sau đó tắt thiết bị sau khi hoàn tất.
Màn hình máy tính là thiết bị mặc định, nơi chúng ta có thể có được bản sao sơ bộ của biểu đồ bằng cách sử dụng lệnh sau:
data <- read.table (filename, header=T) attach(data)
Có rất nhiều tùy chọn cho các chức năng PDF và tái bút, nhưng chiều rộng và chiều cao là những tùy chọn mà bạn sẽ muốn thay đổi thường xuyên nhất. Kích thước tính bằng inch. Bạn có thể chỉ định bất kỳ đối số nondefault nào mà bạn muốn thay đổi bằng cách sử dụng các hàm pdf.options và ps.options trước khi bạn gọi PDF hoặc tái bút.
Chọn một đồ thị thích hợp trong R
Bạn đã học về các loại đồ thị khác nhau. Bây giờ, bạn có thể dễ dàng vẽ các đồ thị này trong R. Điều quan trọng nữa là chọn một loại đồ thị thích hợp theo yêu cầu.
Một số biểu đồ phổ biến và cách sử dụng của chúng như sau:
Line Graph – Nó hiển thị theo khoảng thời gian. Nó thường theo dõi hồ sơ cho cả hai khoảng thời gian dài và thời gian ngắn tùy theo yêu cầu. Trong trường hợp thay đổi nhỏ, biểu đồ đường phổ biến hơn biểu đồ thanh. Trong một số trường hợp, biểu đồ đường còn so sánh sự thay đổi giữa các nhóm khác nhau trong cùng một khoảng thời gian.
Pie Chart – Nó hiển thị so sánh trong một nhóm. Ví dụ: – Bạn có thể so sánh các sinh viên trong một trường đại học trên cơ sở các luồng của họ, chẳng hạn như nghệ thuật, khoa học và thương mại bằng cách sử dụng biểu đồ hình tròn. Người ta không thể sử dụng biểu đồ hình tròn để hiển thị những thay đổi trong khoảng thời gian.
Bar Graph – Tương tự như biểu đồ đường, biểu đồ thanh thường so sánh các nhóm khác nhau hoặc theo dõi các thay đổi trong một khoảng thời gian xác định. Do đó, sự khác biệt giữa hai biểu đồ là biểu đồ đường theo dõi những thay đổi nhỏ trong khi biểu đồ thanh theo dõi những thay đổi lớn.
Area Graph – Biểu đồ vùng theo dõi những thay đổi trong khoảng thời gian cụ thể cho một hoặc nhiều nhóm liên quan đến một danh mục tương tự.
X-Y Plot – Đồ thị XY hiển thị một mối quan hệ nhất định giữa hai biến. Trong loại biến này, trục X đo một biến và trục Y đo một biến khác. Mặt khác, nếu giá trị của cả hai biến tăng cùng một lúc, thì giữa các biến tồn tại một mối quan hệ thuận chiều. Mặt khác, nếu giá trị của một biến giảm tại thời điểm giá trị của biến khác tăng lên, thì giữa các biến sẽ tồn tại mối quan hệ nghịch biến. Cũng có thể là hai biến không có bất kỳ mối quan hệ nào. Trong trường hợp này, vẽ đồ thị không có ý nghĩa.
Bản tóm tắt
Chúng tôi đã thảo luận về khái niệm hoàn chỉnh của phân tích dữ liệu đồ họa với Lập trình R. Chúng tôi cũng đã hiểu về việc tạo ra nhiều loại biểu đồ khác nhau và lưu đồ họa vào tệp trong R và cách chọn một biểu đồ thích hợp.
