散点图矩阵是散点图的高维扩展，它从一定程度上克服了在平面上展示高维数据的困难，在展示多维数据的两两关系时有着不可替代的作用。R 软件就包含了各种不同版本的散点图函数，本文主要介绍散点图矩阵的设计及其在 R 中的实现方法，并比较它们的长短，从而审时度势，选取自己喜欢的表现方式和相应的函数。

他山之石，可以攻玉。除了辅之以不同的颜色、符号外，散点图中还可以添加其他图形元素，以增强表达力，最常见的添加剂有坐标轴须、直方图、箱线图、平滑曲线、拟合曲线等。

常见的画散点图矩阵的函数有：

pairs(graphics)

R 中，graphics 包中的 pairs() 是画散点图矩阵的长老级函数，它不仅可以绘制最朴素的散点图矩阵，同时也可以通过进一步设置绘图参数进行配置（参见? pairs），达到更高的要求（添加其他图形元素等）。不过进一步设置较为麻烦，幸好后面要介绍的函数已经可以满足我们常见的额外要求。

以鸢尾花数据为例，用以下代码绘制其散点图（图 1），不同颜色分别代表不同品种的鸢尾花。

pairs(iris[1:4], main = "Anderson's Iris Data -- 3 species",
      pch = 21,
      bg = c("red", "green3", "blue")[unclass(iris$Species)])

pairs

图 1 pairs

实际上，图 1 已经可以给我们很多信息，包括各类鸢尾花的花瓣、花萼长宽的大体分布以及它们两两之间的关系。

scatterplot.matrix(car)

car 包中的 scatterplot.matrix() 函数（可以简写为 spm()）可以直接指定散点图中主对角线上的绘图元素（密度图、箱线图、直方图、QQ 图等），还可以在散点图中添加拟合曲线、平滑曲线、相关读椭圆等。

同样利用鸢尾花数据，下面代码画出其散点图矩阵（图 2）.

library(car)
spm(~Sepal.Length + Sepal.Width + Petal.Length + Petal.Width |
    Species, data = iris)

spm

图 2 spm

gpairs(YaleToolkit)

YaleToolKit 包中的 gpairs() 函数同样可以绘制散点图矩阵，较之 spm() 函数，它更为复杂一些。下面代码得到图 3，更多的例子参见帮助文档。

library(YaleToolkit)
gpairs(iris, upper.pars = list(scatter = 'stats'),
         scatter.pars = list(pch = 1:3,
                             col = as.numeric(iris$Species)),
         stat.pars = list(verbose = FALSE))

gpairs

图 3 gpairs

splom(lattice)

lattice 包是基于网格系统的，是 S-PLUS 里的 Trellis 图形在 R 中的实现。Trellis 是多元数据可视化的方法，特别适用于发现各变量之间的相互作用关系。Lattice（Trellis）的主要想法是不同条件下的多个图：根据某变量的值的不同对两个变量作不同图。

lattice 包中的 splom() 函数可以按类别绘制散点图矩阵，也可以通过进一步的设置达到更高的要求。下面的代码再次得到鸢尾花数据的散点图矩阵（图 4）。

library(lattice)
super.sym <- trellis.par.get("superpose.symbol")
splom(~iris[1:4], groups = Species, data = iris,
      panel = panel.superpose,
      key = list(title = "Three Varieties of Iris",
                 columns = 3,
                 points = list(pch = super.sym$pch[1:3],
                 col = super.sym$col[1:3]),
                 text = list(c("Setosa", "Versicolor", "Virginica"))))

splom