可以在R控制台，R Markdown文档和Shiny应用程序中使用折线图。
R语言提供了丰富的功能，可用于绘制R中的时间序列数据。
可下载资源
可以在R控制台，R Markdown文档和Shiny应用程序中使用折线图。
演示版
这是一个由多个时间序列对象创建的简单折线图：
lungDeaths <- cbind(mdeaths, fdeaths)
graph(lungDeaths)
请此图是完全交互式的：当鼠标移到系列上时，将显示各个值。还可以选择要放大的图形区域（双击缩小）。
可以通过将其他命令通过管道传递到原始图表对象上来自定义图表。在这里，我们将范围选择组件 传递到原始图形上：
graph(lungDeaths) %>% RangeSelector()
此示例使用magrittr 包中的 %>% （或“ pipe”）运算符 来构成带有范围选择器的图表。可以使用类似的语法来自定义轴，系列和其他选项。例如：
graph(lungDeaths) %>%
Options(stackedGraph = TRUE) %>%
RangeSelector(height = 20) 
提供了许多用于定制系列和轴显示的选项。可以将多个下/值/上样式系列组合到带有阴影条的单个显示中。
这是一个时间序列分析之指数平滑法示例，它说明了阴影条，指定图标题，在x轴上绘制网格以及为系列颜色使用自定义调色板的示例：
graph(predicted, main = "Predicted Lung Deaths (UK)")
从侧边栏链接到的 库包括更多可用于自定义的各种功能的示例。
graph(lungDeaths, main = "Deaths from Lung Disease (UK)") %>%
Options(stepPlot = TRUE) 
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
Python混合注意力机制-多变量-LSTM神经网络分析PM2.5、光伏电站、温度时间序列数据及RNN、ARIMAX、XGT、随机森林对比
MATLAB深度学习Transformer神经网络量化金融时间序列预测交易策略回测
【专题】2024年先进数据存力白皮书报告汇总PDF洞察（附原数据表）
【视频讲解】线性时间序列原理及混合ARIMA-LSTM神经网络模型预测股票收盘价研究实例
