当您有大量N，离散数据和许多变量时，如何从散点图矩阵中提取信息？

我正在研究乳腺癌数据集，并创建了所有属性的散点图，以了解哪个属性对预测（红色）的类别malignant（蓝色）影响最大benign。

我知道该行代表x轴，而列代表y轴，但是我看不到我可以对散点图中的数据或属性进行哪些观察。

我正在寻找一些帮助来解释/观察来自此散点图的数据，或者是否应该使用其他可视化来可视化此数据。

我用的R代码

link   <- "http://www.cs.iastate.edu/~cs573x/labs/lab1/breast-cancer-wisconsin.arff"
breast <- read.arff(link)
cols   <- character(nrow(breast))
cols[] <- "black"
cols[breast$class == 2] <- "red"
cols[breast$class == 4] <- "blue"
pairs(breast, col=cols)

我不确定这是否对您有帮助，但是对于主要的EDA，我真的很喜欢该tabplot软件包。使您对数据中可能存在的关联有一个很好的了解。

install.packages("tabplot")
tableplot(breast) # gives you the unsorted image below
tableplot(breast, sortCol="class") # gives you a sorted image according to class

有许多问题使得很难或不可能从散点图矩阵中提取任何可用信息。

您在一起显示的变量太多。 当散点图矩阵中有很多变量时，每个图都变得太小而无用。需要注意的是，许多地块是重复的，这浪费了空间。同样，尽管您确实希望查看每个组合，但不必将它们全部绘制在一起。请注意，您可以将散点图矩阵分成四个或五个较小的块（一个可以可视化的数字）。您只需要绘制多个图，每个图块一个即可。

由于您在空间中的离散点处有大量数据，因此它们最终会彼此堆叠。因此，您看不到每个位置有多少个点。有几种技巧可以帮助您解决这个问题。

1. $.5$
2. 有了这么多的数据，即使是抖动也会使模式难以辨认。您可以使用高度饱和但基本上透明的颜色来解决这个问题。如果有大量的数据相互叠加，则颜色会变深，而如果密度很小，则颜色会变浅。
3. 为了保证透明度，您将需要使用实心符号来显示数据，而R默认情况下使用空心圆。

使用这些策略，这里有一些示例R代码和绘制的图：

# the alpha argument in rgb() lets you set the transparency
cols2 = c(rgb(red=255, green=0, blue=0,   alpha=50, maxColorValue=255),
          rgb(red=0,   green=0, blue=255, alpha=50, maxColorValue=255) )
cols2 = ifelse(breast$class==2, cols2[1], cols2[2])
# here we jitter the data
set.seed(6141)  # this makes the example exactly reproducible
jbreast = apply(breast[,1:9], 2, FUN=function(x){ jitter(x, amount=.5) })
jbreast = cbind(jbreast, class=breast[,10])  # the class variable is not jittered

windows()  # the 1st 5 variables, using pch=16
  pairs(jbreast[,1:5], col=cols2, pch=16)

windows()  # the 2nd 5 variables
  pairs(jbreast[,6:10], col=cols2, pch=16)

windows()  # to match up the 1st & 2nd sets requires more coding
  layout(matrix(1:25, nrow=5, byrow=T))
  par(mar=c(.5,.5,.5,.5), oma=c(2,2,2,2))
  for(i in 1:5){
    for(j in 6:10){
      plot(jbreast[,j], jbreast[,i], col=cols2, pch=16, 
           axes=F, main="", xlab="", ylab="")
      box()
      if(j==6 ){ mtext(colnames(jbreast)[i], side=2, cex=.7, line=1) }
      if(i==5 ){ mtext(colnames(jbreast)[j], side=1, cex=.7, line=1) }
      if(j==10){ axis(side=4, seq(2,10,2), cex.axis=.8) }
      if(i==1 ){ axis(side=3, seq(2,10,2), cex.axis=.8) }
    }
  }

在单个图中很难可视化超过3-4个维度。一种选择是使用主成分分析（PCA）压缩数据，然后在主要维度中将其可视化。R中有几个不同的软件包（以及基本prcomp函数），从语法上使这变得容易（请参阅CRAN）；解释地块，荷载是另一回事，但我认为比10变量有序散点图矩阵更容易。