刚开始学习R语言， 第一篇的笔记， 长久以来作为一个数据仓库工程师，整天活在数据的矿坑中， 却一直没有涉足数据挖掘，实属惭愧。 为培养学习的兴趣和写学习笔记的良好爱好， 故选择最最简单的饼图作为分析对象。
第一感觉， R最为统计分析， 数据挖掘的工具， 具有强大的分析能力； 但是与简单易用， 美观灵活的绘图工具相比， R语言的绘图美观性， 易用性的的确不够友好， 当然， 也可能是我初学， 不够了解的关系。 但是绘图函数的中各种参数之多， 足以表明R的强大绘图能力； 故，目前我认为， R语言是一个专业的工具， 如果只想练点花拳绣腿的， 大可不必使用R语言。
言归正传， 我从R语言最最简单的饼图pie()函数说起， 正如书中所说， 尽管饼图在商业应用上无所不在， 但是饼图在统计学家， 数据分析师眼中是比较卑微的， 它只能简单的呈现比例关系，无法在时间趋势， 同类比较等分析上有太多的作用； 故很多分析师都使用荆棘图代替饼图， 下面我们会慢慢比较两者的优劣。
首先，我们从pie 函数的基本结构和参数说起吧：
函数原型：
pie(x, labels = names(x), edges = 200, radius = 0.8,
clockwise = FALSE, init.angle = if(clockwise) 90 else 0,
density = NULL, angle = 45, col = NULL, border = NULL,
lty = NULL, main = NULL, ...)
主要参数解析：
pie( x, -- 一个为正式的数组， 如C(10, 30)， 数组中的每个值决定了饼图扇区的大小， 三区比例为c[i]/sum(c)
labels = names(x), -- 一饼图扇区的描述， R中要显示扇区的比例， 或者数字， 都要再这里花功夫， 的确不是很友善
edges = 200, - 翻译起来很苦涩， 感觉这个参数决定了边界的锐度， 作用不大
radius = 0.8,-- 饼图半径
clockwise = FALSE,-- 决定切片绘制顺时针或逆时针（即数学积极的方向），后者是默认， 作用也不大
init.angle = if(clockwise) 90 else 0,
density = NULL, -- 填写一个数字，决定了扇区展示的阴影线密度， 感觉也作用不大， 如果非要什么特殊效果的话， 可以试试
angle = 45,
col = NULL, --颜色填充， 原文翻译：颜色矢量将用于填补或遮光片。如果缺少一套6柔和的色彩，除非density时par("fg")用于指定的
border = NULL,
lty = NULL,
main = NULL,
...)
个人的见解：
不需要过多的纠缠在参数的含义上， 学习阶段能学会使用核心基本功能就行， 其他的可以使用的时候查询帮助文档
好吧， 我们开始一些例子吧， 在开始例子的学习之前， 我们先准备一些数据， 这里我用vcd包下面的一些现成的数据做学习
1：数据准备
> library("vcd")
> attach(Arthritis)
> summary(Arthritis)
ID Treatment Sex Age Improved
Min. : 1.00 Placebo:43 Female:59 Min. :23.00 None :42
1st Qu.:21.75 Treated:41 Male :25 1st Qu.:46.00 Some :14
Median :42.50 Median :57.00 Marked:28
Mean :42.50 Mean :53.36
3rd Qu.:63.25 3rd Qu.:63.00
Max. :84.00 Max. :74.00
>
我们以其中的Treatment列作为举例数据， 具体数据成分如下：
> table(Treatment)
Treatment
Placebo Treated
43 41
>
2：数据准备好之后我们开始学习看看吧
例一： 要绘制一个最最简单的饼图， 看看Treatment列中， Placebo(安慰剂), Treated（治疗）的比例， 仅此而已。
> pie1 <- table(Treatment)
> pie1
Treatment
Placebo Treated
43 41
> pie(pie1)
图像显示结果如下：
函数自动根据table()函数产生的列名， 默认指定了每一块labels的名称， 往下后面会看到对label的边界。
如果想要labels上显示办法比就麻烦一些了， 百分比还得自己计算， 如下代码：
> lals_pct <- paste(names(pie1), "", round(pie1/sum(pie1), 2), "%", sep="")
> lals_pct
[1] "Placebo0.51%" "Treated0.49%"
>
当然， 还有一些其他参数， 和3D饼图等各种类型的函数， 有需要可以查询使用， 不要强求都烂熟于脑海