导言

本文参考https://blog.csdn.net/qq_20828983/article/details/95659791，问题和博主一样。原先R语言实战的代码版本比较久，导致部分例子会报错甚至连包都找不到了（npmc？貌似是是这个（应该是通过本地安装解决了））。我的《R语言实战》是在南林大图书馆借阅的，是第一版，不知道第二版的问题多不多？

问题

这个包的名字蛮有趣的。scatterplotMatrix()（缩写—spm）函数默认在非对角线位置绘制变量间的散点图，并添加平滑(loess)和线性拟合曲线。对角线位置绘制每个变量的密度图和轴须图。

library(car)

States

sat <- as.data.frame(state.x77[,c("Murder","Population",

                                  "Illiteracy","Income","Frost")])

scatterplotMatrix(sat,spread=FALSE,lty.smooth=2,col="red",main="SAT")

大概率照着敲下来会得到下面的图：

图1 散点图矩阵

然鹅，console出现了令人头皮发麻的waring(),还是有50个？！！！

There were 50 or more warnings (use warnings() to see the first 50)

解决方案

幸而一百度就找到这位博主，原文对函数剖析的比较彻底。（我只是一个渣渣）

修改后：

spm(sat,smooth=list(lty.smooth=2, spread = F),main="SAT")

图2 散点图矩阵（无warning）

仔细对比会发现图1和图2的不同，图形参数设置不正确，函数按默认设置运行。

默认smooth = TRUE，而False不绘制拟合曲线，True绘制拟合曲线。

到这基本解决了原先的问题。

拓展

   如果学习只到这，基本就废了。接下来将从两方面深入拓展：函数本身和散点图矩阵。

1函数

car包第一次出现是在1.1的介绍中，相信大部分人都没有刻意关注过这个图（看上去实在是太杂了）；第二次出现是在4.3变量重编码，介绍了recode()函数；然后就到了第八章回归分析。

图3 

car包全称"Companion to Applied Regression"，回归应用指南（？）。

文中是基于2.x版本，现在安装的car包基本是3.x版本。所以出现报错也不奇怪了。

具体到scatterplotMatrix函数，

scatterplotMatrix(x, smooth = TRUE,

    id = FALSE, legend = TRUE, regLine = TRUE,

    ellipse = FALSE, var.labels = colnames(x), diagonal = TRUE,

    plot.points = TRUE, groups = NULL, by.groups = TRUE,

    use = c("complete.obs", "pairwise.complete.obs"), col =

    carPalette()[-1], pch = 1:n.groups, cex = par("cex"),

    cex.axis = par("cex.axis"), cex.labels = NULL,

    cex.main = par("cex.main"), row1attop = TRUE, ...

其中，

（1）smooth参数控制平滑拟合曲线，需要通过list修改其中参数。2.x版本不需要list。

smoother——控制拟合方式，方法有loessLine（默认）、gamline、quantregLine等

spread——设定是否添加展示分散度和对称信息的直线

lty.smooth——设定拟合曲线的形状（1是实线，2是虚线）

lwd.smooth——设定拟合曲线的宽度

（2）id参数控制点标识，默认为False；True表示list(method="mahal"， n=2, cex=1, location="lr")，它标识出距离数据中心最大的Mahalanobis距离的2个点。

图4 id=T

（3）diagonal参数控制对角线图形

diagonal=list(method="adaptiveDensity", bw=bw.nrd0, adjust=1, kernel=dnorm, na.rm=TRUE) #核密度图

diagonal=list(method="density", bw="nrd0", adjust=1, kernel="gaussian", na.rm=TRUE) #非自适应核密度估计

diagonal=list(method ="histogram", breaks="FD")  #直方图 忽略分组

diagonal=list(method="boxplot") #箱线图

diagonal=list(method="qqplot") #normal QQ plot QQ图

diagonal=list(method="oned") #倾斜于对角线的地毯图

例子：spm(sat,smooth=list(lty.smooth=2, spread = T),id = T, pch =15,col = "blue2",

    diagonal = list(method = "boxplot"), main="SAT")

图5 对角线为箱线图 图6 原博最终图形

2散点图矩阵

函数内容基本搞懂，但是我在CSDN的推荐文章中发现了一篇介绍不同版本的散点图矩阵，决定一起学习一下。再次是在简书看到一幅好看的散点图矩阵，好奇自己掌握的技术能否实现？

原博地址：https://cosx.org/2009/03/scatterplot-matrix-visualization

简书地址：https://www.jianshu.com/p/06295967e6b4

散点图矩阵所用到的函数（包）分别为：pairs(graphics)，scatterplot.matrix(car)，gpairs(YaleToolkit)，splom(lattice)

以鸢尾花数据为例分别绘制

结尾

从一个小问题出发，耗费了一整天的时间。只是弄懂了一个散点图矩阵函数，还有好多亟待了解的内容。

挖坑：