2493被浏览127484分享邀请回答#这是基于graphic包里例子
x &- rnorm(100,14,5)
y &- x + rnorm(100,0,1)
text(13,20, expression(x[1] == x[2]))
输出的图是这样的：我们可以看到这种绘图方式实际上是按命令添加的，以plot开始，可以以任何方式结束，每加上一个元素，实际上都是以一句单独的命令来实现的。这样做的缺点就是，其实不符合人对于画图的一般认识。其次，就是，我们没有一个停止绘图的标志，这使得有时候再处理的时候就会产生一些困惑。优势其实也有，在做参数修改的时候，我们往往可以很方便地直接用一句单独的命令修改，譬如对于x轴的调整，觉得不满意就可以写命令直接调整。而ggplot2则意味着要重新作图。再来看ggplot2的代码：x &- rnorm(100,14,5)
y &- x + rnorm(100,0,1)
ggplot(data= NULL, aes(x = x, y = y)) +
geom_point(color = "darkred") +
annotate("text",x =13 , y = 20,parse = T,
label = "x[1] == x[2]") #添加注释
画出的结果如下：我们可以发现，ggplot的绘图有以下几个特点：第一，有明确的起始（以ggplot函数开始）与终止（一句语句一幅图）；其二，图层之间的叠加是靠“+”号实现的，越后面其图层越高。其次就是对于分组数据的处理，其实这方面，lattice已经做得很好了，不过我会在后面更仔细地叙述ggplot2是怎么看分组数据的绘图的。2. ggplot2的要素我们这里不谈qplot（quickly plotting）方法，单纯谈ggplot方法。不谈底层的实现思想，我们简单地理解，ggplot图的元素可以主要可以概括如下：最大的是plot（指整张图，包括background和title），其次是axis（包括stick，text，title和stick）、legend（包括backgroud、text、title）、facet这是第二层次，其中facet可以分为外部strip部分（包括backgroud和text）和内部panel部分（包括backgroud、boder和网格线grid，其中粗的叫grid.major，细的叫grid.minor）。大致见下图，这部分内容的熟悉程度直接影响到对于theme的掌握，因此希望大家留心。3. ggplot2图层以及其他函数的分类好了，现在把这些理念的东西讲完了之后，下面来理解ggplot2里的绘图命令。ggplot2里的所有函数可以分为以下几类：用于运算（我们在此不讲，如fortify_，mean_等）初始化、展示绘图等命令（ggplot，plot，print等）按变量组图（facet_等）真正的绘图命令（stat_，geom_，annotate），这三类就是实现一个函数一个图层的核心函数。微调图型：严格意义上说，这一类函数不是再实现图层，而是在做局部调整。scale_：直译为标尺，这就是与aes内的各种美学（shape、color、fill、alpha）调整有关的函数。guides：调整所有的text。coord_：调整坐标。theme：调整不与数据有关的图的元素的函数。4. 绘图第一步：初始化。ggplot2风格的绘图的第一步就是初始化，说白了就是载入数据空间、选择数据以及选择默认aes。p &- ggplot(data = , aes(x = , y = ))
data就是载入你要画的数据所在的数据框，指定为你的绘图环境，载入之后，就可以免去写大量的$来提取data.frame之中的向量。当然，如果你的数据都是向量，也可不指定，但是要在申明中标注data = NULL，不然就会得到不必要的报错。第二个是重头戏，即aes，是美学（aesthetic）的缩写。这是在ggplot2初学者眼里最不能理解的东西，甚至很多老手也会在犹豫，什么时候要把参数写在aes里，什么时候要写在aes外。我们做一个简单的，不非常恰当的解释：任何与数据向量顺序相关，需要逐个指定的参数都必须写在aes里。这之后我们会进一步解释，现在我们初始化的时候，最好只是把关于位置的x和y指定一下就好。第二部，绘制图层。很多人在解释ggplot2的时候喜欢说，ggplot2绘图有两种函数，一类是geom_，绘图用的；一类是stat_，统计变换用的。这样说不是不对，只是很不恰当，很多人就会问出一些问题，比如，统计变换竟然是做运算用的，为什么可以用来画图？为什么stat_bin和geom_histgram画出来的图是一样，竟然一样，为什么要重复？事实上，任何一个ggplot2图层都包括stat和geom俩部分，或者说两个步骤（其实还包括position）。 而stat_identity则表示不做任何的统计变换。我们来举个例子，还是上面的代码，为了更直观，我在此作了修改：x &- c(rnorm(100,14,5),rep(20,20))
y &- c(rnorm(100,14,5) + rnorm(100,0,1),rep(20,20))
ggplot(data= NULL, aes(x = x, y = y)) +
geom_point(color = "darkred")
做出的图如下：我们查看码源，就知道geom_point的默认stat是identity，即不做任何统计变换：& geom_point
function (mapping = NULL, data = NULL, stat = "identity", position = "identity",
na.rm = FALSE, ...)
GeomPoint$new(mapping = mapping, data = data, stat = stat,
position = position, na.rm = na.rm, ...)
&environment: namespace:ggplot2&
大家可以发现，我在（20，20）这个点的数据事实上是有20个的，但由于没做统计转换(20,20)这个点被画了20次，因此我们理论上看到的点其实是最后一次画的那个点。可能这不够直观，没关系，我们调整一下透明度到10%：ggplot(data= NULL, aes(x = x, y = y)) +
geom_point(color = "darkred",alpha = 0.1)
得到如下图：这样应该就很明显了，由于(20,20)点被画了20次，所以透明度会叠加为20*10% = 200%实际只展现100%。我们现在就使用坐标转换来重新画这个图：ggplot(data= NULL, aes(x = x, y = y)) +
geom_point(color = "darkred",stat = "sum")好了，解释一下，stat_sum实际的意思就是按照某一点占所有点出现频率然后换算成大小来作图，因此，以上代码就可以得到下面这张图，因为(20,20)这个点出现频率为20/120=16.667%：好了，我们可以发现了，一个单纯的geom_point里面也是带有stat_的，因此，其实geom_和stat_实际上是一回事。可能你会问了，那照我的说法，以上这幅图用的是geom_point里的一个参数，而不是再用stat_sum，这是一回事吗？bingo！这个问题相当好，的确，按照以上的推理，应该存在一种以stat_sum作为主函数的方法来绘制这幅图，搞不好，里面还有个参数geom，要设置成“point”。我们来实践一下吧：ggplot(data= NULL, aes(x = x, y = y)) +
stat_sum(color = "darkred",geom = "point")
尼玛，还真可以，还长得一模一样。现在就讲通了，对于有过经验的同学现在应该重新修正这个观点——stat_和geom_是两种绘图方法。这是错的，其实它们是ggplot2每一个图层绘制都必须有的，是一个图层的一体两面。在这一步之中，我们也要回到我们在第一步时出现的问题，aes到底是什么？为什么说任何与数据向量顺序相关，需要逐个指定的参数都必须写在aes里？什么时候color、shape、size、fill写外面，什么时候写里面？aes实际上做的是将aes里的向量的顺序逐个地绘制。譬如以下代码（转自geom_point帮助文档中的实例）：p &- ggplot(mtcars, aes(wt, mpg)) #&---- code 1
p + geom_point(aes(colour = qsec)) #&---- code 2
结果是：我们来分析一下ggplot2是怎么作图的。首先，我们来看一下mtcars这个数据集长什么样：& head(mtcars)
mpg cyl disp
qsec vs am gear carb
160 110 3.90 2.620 16.46
Mazda RX4 Wag
160 110 3.90 2.875 17.02
Datsun 710
93 3.85 2.320 18.61
Hornet 4 Drive
258 110 3.08 3.215 19.44
Hornet Sportabout 18.7
360 175 3.15 3.440 17.02
225 105 2.76 3.460 20.22
code 1: ggplot首先载入了这个mtcars的集合，然后指定给了mpg作为其x坐标位置，wt为y坐标位置。code 2: 指定了qsec作为其染色的标准（分组），qsec为numeric变量，因此，应该选择连续型的标尺，而不是分组染色。然后开始绘制，读取mtcars$mpg[1]、mtcars$wt[1]，确定位置，然后为其染成mtcars$qsec[1]颜色；再绘制第二点。。。因此，aes里的美学特征其实就是按照向量顺序指定每个位置的美学特征，大家可以比较tapply函数的写法。好了，现在问题就来了。我想为所有点的颜色都染成绿色，怎么办？其实很简单，如果不需要指定这么一个染色的顺序，而选择将整个图层染成一种颜色，则只需要将color写在aes外：p + geom_point(color = "green")
哦，怪不得写在aes里染出来的颜色不是绿色，但为什么写到里面就不可以了，为了写到里面，然出来的是粉色？好了，我们再来分析一下把color = "green"写到了aes里，到底发生了什么。p + geom_point(aes(colour = "green"))
首先，数据的初始化跟上面那个例子是相同的。然后，因为color放到了aes里，于是ggplot开始搜索mtcars里面的向量了，发现没有叫"green"的，然后又找了global，也没有。于是，ggplot就开始把它认作了一个新的向量。等等，有个问题，我要按照这个向量来分别染色，而事实上，这个向量长度为1，怎么办？ggplot就先把他展开成了factor(rep("green",nrow(mtcars)),levels = unique("green"))，bingo！现在开始染色了。啊第一个数据mtcars$mpg[1]、mtcars$wt[1]，其颜色变量是"green",因子水平是1，染成默认调色第一种，哦，就是这个蛋蛋的粉红色；再染第二个，还是"green"，因子水平也是1，染成蛋蛋的粉红色；... 终于完成了，咦？怎么都是蛋蛋的粉红色。通过举了这个染色的例子大家应该都弄懂了，aes到底在干什么了。其他的美学特征其实也是完全一致的。只是需要解释group=1的意思就是说不做分组来进行绘图。什么？还是搞不清该放aes里面还是外面？那就记着想统一整个图层时就放到aes外，想分成不同组调整，并且已经有一个与x、y长度一致的分组变量了，那就放到aes里。在这一步里，还要要说的就是我们要讲的是ggplot2大致内置了哪些图：点（point, text）：往往只有x、y指定位置，有shape但没有fill线(line,vline,abline,hline,stat_function等)：一般是基于函数来处理位置射(segment)：特征是指定位置有xend和yend，表示射线方向面(tile, rect)：这类一般有xmax,xmin,ymax,ymin指定位置棒(boxplot,bin,bar,histogram)：往往是二维或一维变量，具有width属性带(ribbon,smooth):透明是特征是透明的fill补：包括rug图，误差棒(errorbar,errorbarh)然后，就是按照你的需要一步步加图层了（使用“+”）。第三部，加注释。所有注释的实现都是通过annotate函数实现的，其实annotate就是一个最简单的geom_单元，它一次只添加一个位置上的图形（可以通过设置向量来实现同时绘制多个图形，但这个理念和注释的理念有所偏差）。annotate的geom就是指定注释的类型，其属性按照geom的不同而发生变化。第四步，调整。这里的调整主要是使用微调图形这大类的函数做美学特征、坐标轴、标题、绘图主题的调整。这部分也就是继承了命令式作图的思想，使ggplot2的灵活性增加。如何搜索你要用什么美学特征调整函数，其实就是按照美学特征的名字来，例如，你要调整的是fill，就找scale_fill_之后就有一些不同的染色方法（关于色彩，如果有时间还会添加相关知识）；调整的是横坐标标尺，就找scale_x_然后后面跟上你的横坐标类型；其他雷同。在调整主题这方面，值得褒奖的是，theme函数其实最妙的地方是将对于数据相关的美学调整和与数据无关的美学调整分离了。譬如说，我们要改变x轴的颜色，或者panel的底色，这个其实与数据处理无关，这种分离就会使得我们可以如此流程化地操作作图，而不需要在考虑数据的时候还要关注到与数据无关的美学参数。有人有时候会觉得ggplot2很奇怪的地方就是为什么调整legend的时候，有时要用scale_，有时又要用theme，其实这都是对于ggplot2这个设计理念的不理解，作者的设计思路是要将数据处理与数据美学分开，数据美学与数据无关的调整分开。其次，theme函数采用了四个简单地函数来调整所有的主题特征：element_text调整字体，element_line调整主题内的所有线，element_rect调整所有的块，element_blank清空。这种设计相当地棒。由此，一个极具诚意的作图应该长成下面这个样子：ggplot(data = , aes(x = , y = )) +
geom_XXX(...) + ... + stat_XXX(...) + ... +
annotate(...) + ... +
scale_XXX(...) + coord_XXX(...) + guides(...) + theme(...)
5. ggplot2的一些缺点公式支持不好，自带的plotmath公式无法满足很多需求无法针对多个legends进行调整效率不高，绘图速度较慢，这也表示二次开发的可能性不高++++++++++++++++++++++++++++++++++++++++++++++++++++++++以上是使用的心得，希望对大家有用。主要是在理念上解释一些容易产生困惑的问题。81449 条评论分享收藏感谢收起23519 条评论分享收藏感谢收起管制图是什么？
我的图书馆
管制图是什么？
1、简易七手法：、流程图、5W2H、愚巧法、雷达法、统计图、推移图&
2、QC旧七大手法：特性要因分析图、柏拉图、、层别法、、直方图、管制图&
3、QC新七大手法：关连图、系统图法、、箭头图法、、PAPC法、矩阵数据解
析法&计数值：以合格数、缺点数等使用点数计算而得的数据一般通称为计数数据。（数一数）&
&计量值：以重要、时间、含量、长度等可以测量而得来的数据，一般为计量值，如长度、重要、浓度，有小数点的凡四舍五入都称之。（量一量）&QC七大手法由五图，一表一法组成：
五图：柏拉图、散布图、直方图、管制图、特性要因分析图（）
一表：查检表（甘特图）
一法：层别法&&4、管制图：&&（1） 何为管制图：&为使现场之品质状况达成吾人所谓之“管理”作业，一般均以侦测产品之
品质特性来替代“管理”作业是否正常，而品质特性是随着时间、各种状况有着高低的变化； 那么到底高到何种程度或低至何种状况才算吾人所谓异常？故设定一合理之高低界限，作为吾人探测现场制程状况是否在“管理”状态，即为管制图之基本根源。
管制图是于1924年由美国品管大师修哈特博士所发明。而主要主义即是【一种以实
际产品品质特性与依过去经验所研判之制程之能力的管制界 限比较，而以时间顺序
用图形表示者】。&&（2） 基本特性：&一般管制图纵轴均设定为产品的品质特性，而以制程变化的数据为分度；横轴则为检测制品之群体代码或编号或年月日等，以时间别或制造先后别，依顺序将点绘于图上。
在管制图上有三条笔直的横线，中间的一条为中心线（Center Line，CL），一般以蓝色之实线绘制。左上方的一条称为管制上限（Upper Control Limit，UCL），在下方的称为管制下限（Lower Control Limit，LCL），对上、下管制界限之绘制，则一般均用红色之虚线表现之，以表示可接受之变异范围；至于实际产品品质特性之点连线条则大都以黑色实线表现绘制之。&&（3） 管制图原理：&1）品质变异之形成原因
一般在制造的过程中，无论是多么精密的设备，环境，其品质特性一定都会有变动，绝无法做完全一样的制品；而引起变动的原因可分为两种，一种为偶然（机遇）原因，一种为异常（非机遇）原因。&2）管制图界限之构成：
管制图是以常分配中之三个标准差为理论依据，中心线为平均值，上、下管制界限以平均数加减三个标准差（±3σ）之值，以判断制程中是否有问题发生，此即修哈特博士所创之法。&&（4） 管制图种类：&1）依数据性质分类：&A 计量值管制图：所谓计量值系指管制图之数据均属于由量具实际量测而得；如长度、重量、浓度等特性均为连续性者。常用的有：&a 平均数与全距管制图（X(—)-R Chart）&b 平均数与标准差管制图（X(—)-σChart）&c 中位数与全距管制图（X(~)-R Chart）&&d 个别值与移动全距管制图（X-Rm Chart）&&e 最大值与最小值管制图（L-S Chart）&B 计数值管制图：所谓计数值是指管制图之数据均属于单位计算数者而得；如不良数、缺点数等间断性数据均属之。常用的有：&&a 不良率管制图（P Chart）&b 不良数管制图（Pn chart ，又称np chart或d chart）&&c 缺点数管制图（C chart）&&d 单位缺点数管制图（U chart）&2）计数值与计量值管制图之应用比较
计量值 计数值
优点&1、甚灵敏，容易调查真因。&2、可及时反应不良，使品质稳定。 1、所须数据可用简单方法获得。
2、对整体品质状况之了解较方便。&缺点 1、抽样频度较高、费时麻烦。&&2、数据须测定，且再计算，须有训练之人方可胜任。&1、无法寻得不良之真因。&&2、及时性不足，易延误时机。&&（5） 管制图之绘制：&&介绍：计量值管制图（X-R）常用&&1）先行收集100个以上数据，依测定之先后顺序排列之。&2）以2~5个数据为一组（一般采4~5个），分成约20-25组。&3）将各组数据记入数据表栏位内。&4）计算各组之平均值X。（取至测定值最小单位下一位数）&
5）计算各组之全距R。（最大值-最小值=R）&6）计算总平均X。
X=（X1+X2+X3+…+Xk）/k=ξXi/k（k为组数）&&7）计算全距之平均R：
R=（R1+R2+R3+…+Rk）/k=ξRi/k&&8）计算管制界限
X管制图：中心线（CL）=X
管制上限（UCL）=X+A2R
管制下限（LCL）=X-A2R
R管制图：中心线（CL）=R
管制上限（UCL）=D4R
管制下限（LCL）=D3R
A2，D3，D4之值，随每组之样本数不同而有差异，但仍遵循三个标准差之原理，计算而得，今已被整理成常用系数表。&9）绘制中心线及管制界限，并将各点点入图中。&10）将各数据履历及特殊原因记入，以备查考、分析、判断。&（6） 管制点之点绘制要领：1）各项工程名称、管制特性、测定单位、设备别、操作（测定）者、样本大小、材料别、环境变化…等任何变更资料应清楚填入，以便资料之分析整理。&2）计量值变更管制图（X-R，X-R…等）其X管制图与R管制图的管制界限席宽度取法，一般原则以组之样本数（n）为参考，X管制图之单位分度约为R管制图之1/n倍。
（纵轴管制界限宽度约20-30m/m；横轴各组间隔约2-5mm）&3）中心线（CL）以实线记入，管制界限则记入虚线；各线上须依线别分别记入CL、UCL、LCL、等符号。&4）CL、UCL、LCL之数值位数计算比测定值多两位数即可。
（各组数据之平均计算数则取比测定值多一位数）&&5）点之绘制有[?]、[○]、[△]、[×]…等，最好由厂内统一规定。&6）变管制图，二个管制图之绘制间隔最少距20mm以上，可行的话最好距30mm左右。&
（7） 管制图之判读：&1）管制状态之判断（制程于稳定状态）
A 多数点子集中在中心线附近。
B 少数点子落在管制界限附近。
C 点子之分布与跳动呈随机状态，无规则可循。
D 无点子超出管制界限以外。&2）可否延长管制限界限做为后续制程管制用之研判基准：
A 连续25点以上出现在管制界限线内时（机率为93.46%）。
B 连续35点中，出现在管制界限外点子不超出1点时。
C 连续100点中，出现在管制界限外点子不超出2点时。
制程在满足上述条件时，虽可认为制程在管制状态而不予变动管制界限，但并非点子超出管制界限外亦可接受；这此超限之点子必有异常原因，故应追究调查原因并予以消除之。&&3）检定判读原则：
A 应视每一个点子为一个分配，非单纯之点。
B 点子之动向代表制程之变化；虽无异常之原因，各点子在界限内仍会有差异存在。
C 异常之一般检定原则：（如图所示）&&（8） 管制图使用之注意事项：&1）管制图使用前，现场作业应予标准化作业完成。&
2）管制图使用前，应先决定管制项目，包括品质特性之选择与取样数量之决定。&
3）管制界限千万不可用规格值代替。&4）管制图种类之遴选应配合管制项目之决定时搭配之。&
5）抽样方法以能取得合理样组为原则。&6）点子超出界限或有不正常之状态，必须利用各种措施研究改善或配合统计方法，把异常原因找出，同时加以消除。&7）X-R管制图里组的大小（n），一般采n=4-5最适合。
8）R管制图没下限，系因R值是由同组数据之最大值减最小值而得，因之LCL取负值没有意义。
9）制程管制做得不好，管制图形同虚设，要使管制图发挥效用，应使产品中之Cp值（制程精密度）大于1以上
TA的最新馆藏[转]&[转]&[转]&[转]&[转]&[转]&
喜欢该文的人也喜欢用minitab软件做 x-r控制图，具体是要怎样做，求的是从最开始输入数据到完成的过程，拒绝广告！！！谢谢！_百度知道
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。
用minitab软件做 x-r控制图，具体是要怎样做，求的是从最开始输入数据到完成的过程，拒绝广告！！！谢谢！
我有更好的答案
则需要输入子组的大小（就是N个数据一组）。3、如果数据是分开N列中的，则吧需要输入子组的大小，单需要选择所有的列放入对话框、最后单击确定。5、OK。4操作步骤、统计（S）》控制图（C）》子组的变量控制图（S）》Xbar-R（B）。2、如果全部数据是一列中：1
采纳率：12%
然后选择Xbar-R选项，检验数据子组大小是多少？就是一次抽几个，建议数据按排放置，就是一组数据在多列的一行中，每排一组数据，做图时，选Observations for a subgroup are in one row of columns
你说的是计量型控制图：Stat--〉Control Chart--〉Variables charts for subgroups--〉Sbar-R
为您推荐：
其他类似问题
minitab的相关知识
换一换
回答问题，赢新手礼包X-R图中X和R分别代表什么_百度知道
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。
X-R图中X和R分别代表什么
X-R管制图是由X控制图和R控制图组成.X控制图主要监控采集(实时)数据即生产现场的数据的平均值的走势.当X值超出上下控制线时是失控.要采取相应的行动.R控制图主要是用来监控生产现场的数据的离散程度,R值大,说明产品与产品之间的参数相差大.
采纳率：73%
来自团队：
X-R管制图是由X控制图和R控制图组成.X控制图主要监控采集(实时)数据即生产现场的数据的平均值的走势.当X值超出上下控制线时是失控.要采取相应的行动.R控制图主要是用来监控生产现场的数据的离散程度,R值大,说明产品与产品之间的参数相差大
本回答被提问者和网友采纳
为您推荐：
其他类似问题
您可能关注的内容
换一换
回答问题，赢新手礼包查看: 24207|回复: 51
经典的X-R管制图~
阅读权限70
在线时间 小时
将我以前做的管制图发出来供大家分享....
(请各位依附档说明执行宏来产生管制图)
[ 本帖最后由 single_star 于
11:29 编辑 ]
09:47 上传
点击文件名下载附件
50.2 KB, 下载次数: 2175
11:29 上传
点击文件名下载附件
291.89 KB, 下载次数: 2299
阅读权限100
在线时间 小时
阅读权限20
在线时间 小时
谢谢分享啊
谢谢分享啊
阅读权限10
在线时间 小时
回复 1楼 single_star 的帖子
不错。但是手工制作，太困难，不经济
阅读权限30
在线时间 小时
对我这种图表新手做起真的有难度
阅读权限10
在线时间 小时
感謝樓主的熱心提供.::D ::D
阅读权限30
在线时间 小时
& & & & & & & &
对于X-R图表，个人倾向于直接用公式计算相关指数并引用原数据作图。
阅读权限70
在线时间 小时
现在对这些有点兴趣
来做个记号
阅读权限90
在线时间 小时
我以前用函数做了一个
对于部分判异准则进行了自动化，比如一点超限，连续3点有2点在c区等等，但是对于周期性变化就无法模拟了。。。
现在不知道跑哪去了::L
阅读权限30
在线时间 小时
& & & & & & & &
X-R过程控制图
我的X-R过程控制图，纯公式的
18:19 上传
点击文件名下载附件
7.3 KB, 下载次数: 172
最新热点 /1
ExcelHome每周都有线上直播公开课，
国内一流讲师真身分享，高手贴身答疑，
赶不上直播还能看录像，
关键居然是免费的！
厚木哥们都已经这么努力了，
你还好意思说学不好Office。
玩命加载中，请稍候
玩命加载中，请稍候
Powered by
本论坛言论纯属发表者个人意见，任何违反国家相关法律的言论，本站将协助国家相关部门追究发言者责任！ & & 本站特聘法律顾问：徐怀玉律师 李志群律师}