数据可视化：高维数据的可视化

从数据科学家的角度来看，可以访问相关的数据可视化方法。“数据可视化”的旗舰思想是分类或非分类多变量数据的镜像密度图（MD图），发表在Thrun，M.C.等人：“分析分布的精细结构”（2020），PLoS ONE<doi:10.1371/journal.pone.0238835>. MD图优于ggplot2的盒须图（盒图）、小提琴图和豆子图以及geom_小提琴图。此外，还提供了各种单变量数据可视化方法的集合。在探索性数据分析的情况下，“数据可视化”可以通过四种方法的组合直观地检查数据集的每个特征的分布。其中一种方法是概率密度函数的帕累托密度估计（PDE）。此外，本文还介绍了使用PDE可视化距离分布、使用PDE对两个变量的散射密度图以及Shepard密度图和Bland-Altman图。关于分类的高维数据，描述了一些可视化，例如热图和轮廓图。通过国家或地区分类定义的附加信息，可以可视化世界或德国的政治地图。通过进一步扩展政治地图，可以使用Choopleth地图的简单功能，这对于跨地理区域的测量很有用。对于分类特征，经ABC分析改进的饼图、斜率图和扇形图可以使用。更多详细解释见M.C.特伦的书：《通过自我组织和群体智能实现基于投影的集群》（2018）<doi:10.1007/978-3658-20540-9>.

版本：	1.3.2
取决于：	R（≥3.5）
进口：	卢比(≥ 0.12.12),ggplot2，服务提供商，普拉克马，重塑2
链接到：	卢比，RcppArmadillo公司
建议：	普利尔，工商管理硕士，ggmap（ggmap），倍体，r世界地图，rgl公司，A分析，氯虫醚，数字播放器，R6级，平行距离，针织物(≥ 1.12),市场营销(≥ 0.9),维奥普洛特，gg额外，巧妙地，html小部件，浸入试验，力矩，信号，gg排斥，MASS（质量），ROCit公司，散射密度（Scatter Density）(≥ 0.0.3),色彩空间，翡翠色
出版：	2023-10-10
作者：	迈克尔·特伦[aut，cre，cph]，费利克斯·佩佩【aut，rev】，Onno Hansen-Goos[ctr，ctb]，奎琳·斯蒂尔[ctb，版本]，哈姆扎·塔亚布[ctr，ctb]，卢卡·布林克曼[ctr，ctb]，德克·埃德布特尔[ctr]，Craig Varrichio[ctr]，Alfred Ultsch[dtc，ctb，ctr]
维护人员：	迈克尔·特伦（Michael Thrun）<m.Thrun at gmx.net>
错误报告：	https://github.com/Mthrun/DataVisualizations/issues
许可证：	GPL-3公司
网址：	https://www.deepbionics.org网站/
需要编译：	对
引用：	DataVisualizations引文信息
材料：	自述文件 新闻
CRAN检查：	数据可视化结果

文档：

参考手册：	数据可视化.pdf
渐晕图：	数据可视化快速教程

下载内容：

包源：	数据可视化_1.3.2.tar.gz
Windows二进制文件：	r-devel公司：数据可视化_1.3.2.zip，r版本：数据可视化_1.3.2.zip，r-oldrel：数据可视化_1.3.2.zip
macOS二进制文件：	r释放（arm64）：数据可视化_1.3.2.tgz，r-oldrel（arm64）：数据可视化_1.3.2.tgz，r-release（x86_64）：数据可视化_1.3.2.tgz，r-oldrel（x86_64）：数据可视化_1.3.2.tgz
旧来源：	DataVisualizations存档

反向依赖关系：

反向进口：	自适应高斯，FCPS公司，opGM质量，乌马特里克斯
反向建议：	数据仿生群，DR质量，通用Umatrix，基于投影的聚类，散射密度（Scatter Density）

链接：

请使用规范形式https://CRAN.R-project.org/package=数据可视化链接到此页面。