数据可视化 - Data Frame - qplot 、ggplot

拼搏现实的明天。 2023-10-03 10:35 17阅读 0赞

#### 文章目录 ####

*  R语言可视化
 *  一、Data Frame
 *   *  1.Data Frame的获取
     *   *  1.1 读取 .csv文件获取 Data Frame
         *   *  1.1.1 读取路径方式
             *  1.1.2 选择文件方式
         *  1.2 data.frame( )创建 Data Frame
     *  2.Data Frame的操作
     *   *  2.1 查看-Data Frame
         *   *  2.1.1 统计行列数
             *  2.1.2 查看结构
             *  2.1.3 查看数据统计（最大值、最小值、平均值、中位数、总个数）
         *  2.2 取值-Data Frame
         *   *  2.2.1 普通取值
             *  2.2.2 取值前六行、末尾六行
             *  2.2.3 取某一列
             *  2.2.4 多条件取值
         *  2.3 操作-Data Frame
         *   *  2.3.1 两列相加
             *  2.3.2 增加一列、删除一列
             *  2.3.3 修改列名
             *  2.3.4 将 字符数据列 的 所有数据 按 字母顺序 排序
             *  2.3.5 自己设计某字符数据列的数据顺序
             *  2.3.6 删除Data Frame
             *  2.3.7 判断是否为 Data Frame
             *  2.3.8 两个Data Frame进行等值连接
             *  2.3.9 Data Frame 写入 .csv 文件中
 *  二、绘图：qplot( )
 *   *  1.散点图
     *  2.箱线图
 *  三、绘图：ggplot( )
 *   *  1.画笔绘图
     *   *  1.1.1 geom\_point( )：绘制散点图
         *   *  1.1.1.1 设置画板
             *  1.1.1.2 使用绘制散点图的笔 geom\_point( )
             *  geom\_point与geom\_jitter的区别？
         *  1.1.2 geom\_line( )：绘制折线图
         *   *  1.1.2.1 设置画板
             *  1.1.2.2 使用绘制折线图的画笔 geom\_line( )
         *  1.1.3 geom\_density( )：绘制曲线图
         *   *  1.1.3.1 设置画板
             *  1.1.3.2 使用绘制曲线的画笔 geom\_density( )
         *  1.1.4 geom\_histogram( )：绘制条状图
         *   *  1.1.4.1 设置画板
             *  1.1.4.2 使用绘制条形图的画笔 geom\_histogram()
         *  1.1.5 geom\_boxplot( )：绘制箱线图
         *  1.1.6 geom\_smooth( )：绘制回归直线
     *  2.绘图拓展
     *   *  2.1 多笔绘图
         *   *  2.1.1 绘制散点图+折线图
             *  2.1.2 绘制散点图+回归直线
             *  2.1.2 绘制散点图+箱线图
         *  2.2 分割画板
         *   *  2.2.1 facet分割画板
             *   *  2.2.1.1 绘制原图
                 *  2.2.1.2 按行分割画板，并展示多个图像 facet\_grid(xxx~.)
                 *  2.2.1.2 按行分割画板，并展示多个图像 facet\_grid(.~xxx)
             *  2.2.2 取画板某部分图像
             *  2.2.3 使用画笔改写画板
             *   *  2.2.3.1 修改散点的颜色
                 *  2.2.3.2 修改散点的大小
                 *  2.2.3.3 修改原画板的绘图数据
                 *  2.2.3.4 修改数据后，修改x轴标签
                 *  2.2.3.5 指定参数区域放大显示 coord\_cartesian( )
                 *  2.2.3.6 修改主题属性 theme( )
                 *  2.2.3.6 已有图像上增加线条

--------------------

## R语言可视化 ##

主要涉及矩阵、Data Frame、matplot( )、qplot( )、ggplot( )

--------------------

提示：以下是本篇文章正文内容，下面案例可供参考

## 一、Data Frame ##

Data Frame是与Matrix矩阵类似的存储结构，都是矩阵的形式；但是Matrix存储的数据都是相同类型，Data Frame存储的是不同类型，如下图，Data Frame存储既有字符类型的列，也有浮点型的列，当然也可以有整型。可以说Data Frame是对矩阵的一种扩展和延申，更具有使用性。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70]

### 1.Data Frame的获取 ###

Data Frame一般从 .csv文件中读取，也存储在 .csv文件中。也可以使用data.frame( )创建，前提是有对应的列数据。

#### 1.1 读取 .csv文件获取 Data Frame ####

##### 1.1.1 读取路径方式 #####

需要读取的文件：Demographic-Data.csv  
文件所在路径：C:\\Program Files\\R\\R\_language\\class\_file\\C2  
Windows系统读取路径应修改为：C:\\Program Files\\R\\R\_language\\class\_file\\C2

mydata=read.csv("C:\\Program Files\\R\\R_language\\class_file\\C2\\Demographic-Data.csv")

##### 1.1.2 选择文件方式 #####

mydata=read.csv(file.choose())

运行该语句后，会弹出选择文件的框，选择要读入的文件即可  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 1]

#### 1.2 data.frame( )创建 Data Frame ####

分别以Countries\_2021\_Dataset、Codes\_2021\_Dataset、Regions\_2021\_Dataset为三列创建Data Frame格式的newdata

newdata=data.frame(Countries_2021_Dataset,Codes_2021_Dataset,Regions_2021_Dataset)

也可以在创建时修改列名

newdata=data.frame(Country = Countries_2021_Dataset,
                       CCode   = Codes_2021_Dataset,
                       Regions = Regions_2021_Dataset)

### 2.Data Frame的操作 ###

#### 2.1 查看-Data Frame ####

##### 2.1.1 统计行列数 #####

返回一个两位的数组，第一位是行总数，第二位是列总数

dim(mydata)

##### 2.1.2 查看结构 #####

str(mydata)

返回结果：包括mydata的格式、列名、每列中的内容  
![在这里插入图片描述][202107101005134.png]

##### 2.1.3 查看数据统计（最大值、最小值、平均值、中位数、总个数） #####

summary(mydata)

![在这里插入图片描述][2021071010042123.png]

#### 2.2 取值-Data Frame ####

##### 2.2.1 普通取值 #####

drop=F：不改变原格式  
drop=T：或者不写drop，即默认drop=T，则会改变原格式  
例如：  
mydata\[ , 4 \]、mydata\[ , 1 \]、mydata\[ 1:10 , 1 \]、mydata\[ 1 , \] ：返回的都是向量格式的数据，不是Data Frame格式  
mydata\[ , 1 , drop=F \] ：返回的是原格式Data Frame格式的数据

# 返回第四列的所有数据
    mydata[,4]
    
    # 返回第一列的所有数据
    mydata[,1]
    
    # 返回第一列的1~10行数据
    mydata[1:10,1]
    
    # 返回第一行的数据
    mydata[1,]
    
    # 返回第一列的所有数据
    mydata[,1,drop=F]

##### 2.2.2 取值前六行、末尾六行 #####

# 返回前六行数据
    head(mydata)
    
    # 返回末尾六行数据
    tail(mydata)

##### 2.2.3 取某一列 #####

返回 mydata 中 Country.Name 列的所有数据，并且不再是原格式 Data Frame，是向量格式数据（向量类型即数组）

mydata$Country.Name

返回mydata中Birth.rate列的第5个数据

mydata$Birth.rate[5]

##### 2.2.4 多条件取值 #####

返回 mydata 中 Internet.users 列里数据小于2的所有行的数据

myfilter=(mydata$Internet.users<2)
    weneed=mydata[myfilter,]

myfilter=(mydata$Internet.users<2)：返回的 myfilter 是一个由TRUE和FALSE构成的数组，其中每一TRUE或者FALSE都对应 Internet.users 列里每一行数据的判断结果，小于2的为TRUE，反之为FALSE，如下图，该列一共有多少行，就是多大的数组  
![在这里插入图片描述][20210710103147996.png]  
weneed=mydata\[myfilter,\]：weneed即返回myfilter中为TRUE的行，对应在mydata中的行数据，如下图：这些都是Internet.users 列里数据小于2的所有行的数据,weneed是一个Data Frame格式的数据（因为它不是单纯某一列数据）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 2]  
此外，我们还可以统计一下满足 Internet.users 列里数据小于2的所有行有多少个

# 返回数组第一个数据，即行数（第二个数据为列数）
    dim(weneed)[1]

![在这里插入图片描述][20210710104512321.png]

推广、延申：

寻找行中Birth.rate>40并且Internet.users<5的数据，及行数统计

mydata[ mydata$Birth.rate>40 & mydata$Internet.users<5 , ]
    dim(mydata[mydata$Birth.rate>40 & mydata$Internet.users<5,])[1]

寻找并统计所有high income的行

mydata[mydata$Income.Group=="High income",]
    dim(mydata[mydata$Income.Group=="High income",])[1]

#### 2.3 操作-Data Frame ####

##### 2.3.1 两列相加 #####

只有两列都是整型、浮点型等类型才可相加

mydata$Birth.rate+mydata$Internet.users

##### 2.3.2 增加一列、删除一列 #####

增加一列，名为xyz

mydata$xyz=c(1:5)

增加列的规则：增加的列的数据个数，必须可以让计算机进行自动分配。  
举个例子：mydata一共195行，我们增加的xyz列是一个5行数据的列\{ 1 ; 2 ; 3 ; 4 ; 5 \}，195可以整除5，则计算机可以让所有行都按：第1-5行对应的xyz的数据为1、2、3、4、5，第6-10行对应xyz的数据为1、2、3、4、5…类推让所有行都可以按这个规则得到xyz列的值。若xyz是6行的列，则无法增加该列，计算机无法进行自动分配。  
简言之，即增加的列的行数，可以被原Data Frame的总行数整除，才行。

删除一列

mydata$xyz=NULL

##### 2.3.3 修改列名 #####

colnames(newdata)=c("Country","CCode","Regions")

##### 2.3.4 将 字符数据列 的 所有数据 按 字母顺序 排序 #####

按字母顺序把列 Income.Group 和 Country.Code 的字符数据进行排序（只可用于字符类型数据的列），并以向量格式返回该字符数据

levels(mydata$Income.Group)
    levels(mydata$Country.Code)

读取调整后的第一个数据

levels(mydata$Income.Group)[1]

##### 2.3.5 自己设计某字符数据列的数据顺序 #####

将mydata中Income.Goup列内数据的先后顺序改为 “Low income” “Lower middle income” “Upper middle icome” “High icome”

mydata$Income.Group=ordered(mydata$Income.Group,levels=c("Low income",
                                                    "Lower middle income",
                                                    "Upper middle icome",
                                                    "High icome"))

##### 2.3.6 删除Data Frame #####

remove/delete the data frame

rm(newdata)

##### 2.3.7 判断是否为 Data Frame #####

is.data.frame(mydata)

##### 2.3.8 两个Data Frame进行等值连接 #####

mydata和newdata连接，mydata里的Country.Code和newdata里的CCode进行等值连接

mergdata=merge(x=mydata,y=newdata,by.x = "Country.Code",by.y = "CCode")

##### 2.3.9 Data Frame 写入 .csv 文件中 #####

保留第一列索引编号

write.csv(mergdata,"merged.csv")

取出第一列的索引编号

write.csv(mergdata,"merged1.csv",row.names = F)

## 二、绘图：qplot( ) ##

quick plot，即快速绘图工具，是一个比较简单、快速的绘图工具。  
需要先导入一个包

library("ggplot2")

### 1.散点图 ###

qplot(data=mydata,
          x=Internet.users,y=Birth.rate,
          colour=Income.Group,
          size=I(5),
          alpha=I(0.05))

*  data=mydata：数据取自mydata
 *  x轴Income.Group，y轴是Birth.rate
 *  colour=Income.Group：以Income.Group的数据，做图例；若用colour=I(“red”)则所有点都是红色
 *  size=I(5)：决定画的点的大小
 *  alpha=I(0.05)：每个点的颜色透明度

### 2.箱线图 ###

qplot(data=mydata,
          x=Income.Group,y=Birth.rate,
          geom="boxplot")

箱线图介绍：[https://blog.csdn.net/uinglin/article/details/79895993][https_blog.csdn.net_uinglin_article_details_79895993]

## 三、绘图：ggplot( ) ##

需要先导入一个包

library("ggplot2")

我对ggplot( )的理解：画板ggplot( )+画笔geom\_xxx( )；画笔不仅是在画板的基础上进行绘图，也可以随意修改画板的原本内容。

### 1.画笔绘图 ###

#### 1.1.1 geom\_point( )：绘制散点图 ####

##### 1.1.1.1 设置画板 #####

p=ggplot(data = mymov,
             aes(x=CRating,y=ARating,
                 colour=Genre,
                 size=BudMils,
                 alpha=I(0.5)))

*  p=ggplot( )：一个绘图语句ggplot( )可以赋值给变量p，然后使用变量p即可
 *  data = mymov：数据来自mymov数据
 *  aes(  
    x=CRating,y=ARating：CRating做x轴，ARating做y轴  
    colour=Genre：设置每个点的颜色，依据Genre做图例  
    size=BudMils：设置画在画板上点的大小，依据每个点对应BudMils的数值（也是 一个图例）  
    alpha=I(0.5)：设置画在画板上颜色的透明度  
    ）
 *  注意：凡是设置绘图的属性时，用到的数据是来自data=mymov的，都要写在aes( )里，例如制作图例例如size、colour等等，

画板如下：由于没有绘制散点，所以暂时看不出颜色、大小等等效果，只能看到一个画板  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 3]

##### 1.1.1.2 使用绘制散点图的笔 geom\_point( ) #####

p=ggplot(data = mymov,
             aes(x=CRating,y=ARating,
                 colour=Genre,
                 size=BudMils,
                 alpha=I(0.5)))
    p+geom_point()

*  p+geom\_point()：在画板上绘点
 *  xlab(“Budget in Millions”)：增加x轴的标签为

运行效果如下：有两个图例，一个是Genre的颜色图例，一个是BudMils的点尺寸图例  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 4]

##### geom\_point与geom\_jitter的区别？ #####

#### 1.1.2 geom\_line( )：绘制折线图 ####

##### 1.1.2.1 设置画板 #####

p=ggplot(data = mymov,
             aes(x=CRating,y=ARating,
                 colour=Genre,
                 size=BudMils,
                 alpha=I(0.5)))

##### 1.1.2.2 使用绘制折线图的画笔 geom\_line( ) #####

p+geom_line()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 5]

#### 1.1.3 geom\_density( )：绘制曲线图 ####

##### 1.1.3.1 设置画板 #####

画板设置为x轴为BudMils，y的数据为BudMils的各个数据统计，例如y轴数据为BudMils为1时的总个数，BudMils为2的总个数…

s=ggplot(mymov,aes(x=BudMils))

画板如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 6]

##### 1.1.3.2 使用绘制曲线的画笔 geom\_density( ) #####

s+geom_density(
      aes(fill=Genre),
      position = "stack",
      alpha=0.5

*  aes(fill=Genre)：曲线与坐标轴部分的图像颜色填充依据Genre，即制作图例
 *  position = “stack”：将叠加在一起的图像，显示为一层层往上叠加的效果，即可以通过图例得知，图像由哪些部分叠加在一起
 *  alpha=0.5：设置透明度  
    效果如下：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 7]  
    为了更好理解position=stack，给出没有position=stack的绘图结果：即图像全部重叠在一起  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 8]

#### 1.1.4 geom\_histogram( )：绘制条状图 ####

##### 1.1.4.1 设置画板 #####

画板设置为x轴为BudMils，y的数据为BudMils的各个数据统计，例如y轴数据为BudMils为1时的总个数，BudMils为2的总个数…

s=ggplot(mymov,aes(x=BudMils))

画板如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 6]

##### 1.1.4.2 使用绘制条形图的画笔 geom\_histogram() #####

s+geom_histogram(binwidth = 10,
                     aes(fill=Genre),
                     colour="black")

*  binwidth = 10：条状图的条宽为10
 *  aes(fill=Genre)：条形里填充的颜色依据Genre，是一个图例
 *  colour=“black”：条形框用黑边

效果如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 9]

#### 1.1.5 geom\_boxplot( )：绘制箱线图 ####

u=ggplot(mymov,aes(x=Genre,y=ARating,colour=Genre))
    u+geom_boxplot(size=3)

*  size=3：设置箱边宽度

效果如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 10]

#### 1.1.6 geom\_smooth( )：绘制回归直线 ####

一般与散点图一起画效果更好

u=ggplot(mymov,aes(x=Genre,y=ARating,colour=Genre))
    u+geom_smooth()

效果如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 11]  
也可以取消灰色部分，灰色部分称为置信区间：

u+geom_smooth(fill=NA)

图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 12]

### 2.绘图拓展 ###

#### 2.1 多笔绘图 ####

##### 2.1.1 绘制散点图+折线图 #####

# 设置画板
    p=ggplot(data = mymov,
             aes(x=CRating,y=ARating,
                 colour=Genre,
                 size=BudMils,
                 alpha=I(0.5)))
    #绘制散点+连线图
    p+geom_point()+geom_line()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 13]

##### 2.1.2 绘制散点图+回归直线 #####

# 设置画板
    u=ggplot(mymov,aes(x=CRating,y=ARating,colour=Genre))
    # 绘制散点图，以及回归直线
    u+geom_point()+geom_smooth()

效果如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 14]

##### 2.1.2 绘制散点图+箱线图 #####

# 设置画板
    u=ggplot(mymov,aes(x=Genre,y=ARating,colour=Genre))
    # 绘制散点图+箱线图
    u+geom_jitter()+geom_boxplot(size=0.5,alpha=0.3)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 15]

#### 2.2 分割画板 ####

##### 2.2.1 facet分割画板 #####

###### 2.2.1.1 绘制原图 ######

我们想根据某一列属性，将整个条形图拆分成多个小条形图，并展示在一个画板上，这样更有助于我们分析数据、作比较，先绘制原图

# 设置画板
    v=ggplot(mymov,aes(x=BudMils,fill=Genre))
    # 绘制条形图
    v+geom_histogram(binwidth = 10,colour="Black")

图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 16]

###### 2.2.1.2 按行分割画板，并展示多个图像 facet\_grid(xxx~.) ######

xxx~. 即按xxx拆分图像，并按行分割画板并展示各个图像

v+geom_histogram(binwidth = 10,colour="Black")+
      facet_grid(Genre~.)

*  按Genre拆分图像，并按行分割画板  
    图：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 17]  
    解放各个小图形的纵坐标轴，不用统一的刻度 scales = “free”

v+geom_histogram(binwidth = 10,colour="Black")+
      facet_grid(Genre~.,scales = "free")

图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 18]

###### 2.2.1.2 按行分割画板，并展示多个图像 facet\_grid(.~xxx) ######

.~xxx 即按xxx拆分图像，按列分割画板并展示各个图像

v+geom_histogram(binwidth = 10,colour="Black")+
      facet_grid(.~Genre)

图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 19]

##### 2.2.2 取画板某部分图像 #####

# 设置画板
    m=ggplot(mymov,aes(x=CRating,
                       y=ARating,
                       colour=Genre,
                       size=BudMils))
    m+geom_point(alpha=0.5)+
      xlim(50,100)+
      ylim(50,100)

*  xlim(50,100)：x limit 50-100：把x轴限制在50-100区间
 *  ylim(50,100)：y limit 50-100：把y轴限制在50-100区间  
    即只取画板 x 在50-100，y 在50-100之间的图像  
    原图：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 20]  
    取出部分图：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 21]

##### 2.2.3 使用画笔改写画板 #####

###### 2.2.3.1 修改散点的颜色 ######

# 若单纯的设置绘点的颜色则不用写在aes( )里，没有用到data=mymov里的数据
    p+geom_point(colour="blue")
    # 还可以使用颜色编号改变绘点颜色
    p+geom_point(colour="#DC41Df")

###### 2.2.3.2 修改散点的大小 ######

p+geom_point(size=20)

###### 2.2.3.3 修改原画板的绘图数据 ######

p+geom_point(aes(x=BudMils)

*  geom\_point(aes(x=BudMils)：将原来x=CRating,y=ARating，修改成x=BudMils,y=ARating（y没改，则y不变）  
    效果如下：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 22]

###### 2.2.3.4 修改数据后，修改x轴标签 ######

p+geom_point(aes(x=BudMils))+xlab("Budget in Millions")

*  xlab(“Budget in Millions”)：将原标签CRating，改为Budget in Millions  
    效果如下：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 23]

###### 2.2.3.5 指定参数区域放大显示 coord\_cartesian( ) ######

# 绘制画板
    n=ggplot(mymov,aes(x=BudMils))
    # 使用画笔
    n+geom_histogram(binwidth = 10,aes(fill=Genre),colour="blue")
     +coord_cartesian(ylim=c(0,50))

*  coord\_cartesian(ylim=c(0,50))：指定在y轴0~50范围内的图像，放大显示  
    原图：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 24]  
    放大显示：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 25]  
    此外还有其他类型的操作：  
    ![在这里插入图片描述][2021071409064865.png]  
    详情参考知乎：[https://zhuanlan.zhihu.com/p/29553382][https_zhuanlan.zhihu.com_p_29553382]

###### 2.2.3.6 修改主题属性 theme( ) ######

# 设置画板
    n=ggplot(mymov,aes(x=BudMils))
    # 使用画笔
    n+geom_histogram(binwidth = 10,aes(fill=Genre),colour="blue")+
      xlab("Budget of the Movies")+ # 修改了x轴标签
      ylab("Number of the Movies")+ # 修改了y轴标签
      theme(
        axis.title.x = element_text(colour = "Blue",size = 30),
        axis.title.y = element_text(colour = "Red",size = 20),
        axis.text.x = element_text(colour="Blue",size = 20),
        axis.text.y = element_text(colour="red",size = 15),
        legend.title = element_text(size=30),#设置图例标题属性即Genre
        legend.text = element_text(size = 25),#设置每个小图标的名字属性
        legend.position = c(1,1),legend.justification = c(1,1),#设置图例所在位置；#即将图例画板的右上角位置设置为图像画板的右上角
    )

*  axis.title.x = element\_text(colour = “Blue”,size = 30)：设置 x 轴标签属性
 *  axis.title.y = element\_text(colour = “Red”,size = 20)：设置 y 轴标签属性
 *  axis.text.x = element\_text(colour=“Blue”,size = 20)：设置 x 轴刻度值的属性
 *  axis.text.y = element\_text(colour=“red”,size = 15)：设置 y 轴刻度值的属性
 *  legend.title = element\_text(size=30)：设置图例标题属性
 *  legend.text = element\_text(size = 25)：设置每个小图标的名字属性
 *  legend.position = c(1,1),legend.justification = c(1,1)：设置图例在图像中的位置；原理：将图像和图例分开看成两个画板，每个画板的左下、右下、左上、右上四个角分别对应 c(0,0)、c(1,0)、c(0,1)、c(1,1) 四个坐标，而此段代码表示含义：把图例的右上角即 legend.justification = c(1,1)，放在图像的右上角即 legend.position = c(1,1)

原图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 26]

修改主题后的图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 27]

###### 2.2.3.6 已有图像上增加线条 ######

ggplot(carX,aes(x=price,y=residual))+
      geom_point()+
      geom_hline(yintercept = c(0,2*sd(carX$residual),-2*sd(carX$residual)),colour=c("red","blue","blue"))

说明

*  carX 是 data frame
 *  以 x=price(标准差),y=residual(残差)绘图
 *  sd(carX$residual)：即carX中residual列的标准差
 *  geom\_hline(yintercept = c( 0 , 2*sd(carX r e s i d u a l ) , − 2 ∗ s d ( c a r X residual) , -2\*sd(carX residual),−2∗sd(carXresidual) ),colour=c(“red”,“blue”,“blue”))：绘制三条水平直线分别在y=0，y=2*sd(carX r e s i d u a l ) ， y = − 2 ∗ s d ( c a r X residual)，y=-2\*sd(carX residual)，y=−2∗sd(carXresidual)，颜色分别是red、blue、blue  
    结果如下：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 28]  
    此外还有：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 29]  
    详情可见：[https://www.cnblogs.com/wkslearner/p/5697471.html][https_www.cnblogs.com_wkslearner_p_5697471.html]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/2021071009105944.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20210710092405111.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[202107101005134.png]: https://img-blog.csdnimg.cn/202107101005134.png
[2021071010042123.png]: https://img-blog.csdnimg.cn/2021071010042123.png
[20210710103147996.png]: https://img-blog.csdnimg.cn/20210710103147996.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20210710103603573.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[20210710104512321.png]: https://img-blog.csdnimg.cn/20210710104512321.png
[https_blog.csdn.net_uinglin_article_details_79895993]: https://blog.csdn.net/uinglin/article/details/79895993
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20210710123653732.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20210710123857846.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20210710130607911.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20210710125219754.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20210710130148411.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 8]: https://img-blog.csdnimg.cn/20210710130258924.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 9]: https://img-blog.csdnimg.cn/20210710125524223.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 10]: https://img-blog.csdnimg.cn/2021071013221425.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 11]: https://img-blog.csdnimg.cn/20210710132544460.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 12]: https://img-blog.csdnimg.cn/20210710134036132.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 13]: https://img-blog.csdnimg.cn/20210710131818171.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 14]: https://img-blog.csdnimg.cn/20210710132050171.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 15]: https://img-blog.csdnimg.cn/20210710132400233.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 16]: https://img-blog.csdnimg.cn/20210710132851558.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 17]: https://img-blog.csdnimg.cn/20210710133350890.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 18]: https://img-blog.csdnimg.cn/20210710133526180.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 19]: https://img-blog.csdnimg.cn/20210710133712893.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 20]: https://img-blog.csdnimg.cn/20210710134328869.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 21]: https://img-blog.csdnimg.cn/20210710134349900.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 22]: https://img-blog.csdnimg.cn/20210710131123918.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 23]: https://img-blog.csdnimg.cn/20210710131246631.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 24]: https://img-blog.csdnimg.cn/20210714090547133.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 25]: https://img-blog.csdnimg.cn/20210714090558446.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[2021071409064865.png]: https://img-blog.csdnimg.cn/2021071409064865.png
[https_zhuanlan.zhihu.com_p_29553382]: https://zhuanlan.zhihu.com/p/29553382
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 26]: https://img-blog.csdnimg.cn/2021071409200795.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 27]: https://img-blog.csdnimg.cn/20210714092030996.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 28]: https://img-blog.csdnimg.cn/20210714105640545.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ_size_16_color_FFFFFF_t_70 29]: https://img-blog.csdnimg.cn/20210714105725111.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTkyODE2MQ==,size_16,color_FFFFFF,t_70
[https_www.cnblogs.com_wkslearner_p_5697471.html]: https://www.cnblogs.com/wkslearner/p/5697471.html