我希望在我写的一篇文章中展示一个距离矩阵，我正在寻找一个好的可视化方式。
到目前为止，我发现了气球图（我在这里使用了它, 但我认为在这种情况下它不起作用），热力图（这是一个很好的例子，但它们不允许在表格中呈现数字，如果我错了请纠正我。也许将一半的表格着色，另一半显示数字会很酷），最后是相关椭圆图（这里是一些代码和示例- 使用形状很酷，但我不确定如何在这里使用它）。
还有各种聚类方法，但它们会聚合数据（这不是我想要的），而我想呈现所有数据。
数据示例：
nba <- read.csv("http://datasets.flowingdata.com/ppg2008.csv")
dist(nba[1:20, -1], )
我愿意接受任何想法。
您也可以使用力导向图绘制算法可视化距离矩阵，例如：
nba <- read.csv("http://datasets.flowingdata.com/ppg2008.csv")
dist_m <- as.matrix(dist(nba[1:20, -1]))
dist_mi <- 1/dist_m # one over, as qgraph takes similarity matrices as input
library(qgraph)
jpeg('example_forcedraw.jpg', width=1000, height=1000, unit='px')
qgraph(dist_mi, layout='spring', vsize=3)
dev.off()
dist_mi <- 1/dist_m 应该改为 dist_mi <- 1/(dist_m + 1) 吗？ - DuckPyjamasTal，这是一种快速将文本重叠在热图上的方法。请注意，这取决于使用image而不是heatmap，因为后者会偏移图形，使得在正确位置添加文本更加困难。
说实话，我认为这张图展示了太多的信息，使得它有点难以阅读... 你可能只想写出具体的值。
此外，另一个更快的选项是将图形保存为PDF格式，导入Inkscape（或类似软件），并在需要时手动添加文本。
希望这可以帮助到你。
nba <- read.csv("http://datasets.flowingdata.com/ppg2008.csv")
dst <- dist(nba[1:20, -1],)
dst <- data.matrix(dst)
dim <- ncol(dst)
image(1:dim, 1:dim, dst, axes = FALSE, xlab="", ylab="")
axis(1, 1:dim, nba[1:20,1], cex.axis = 0.5, las=3)
axis(2, 1:dim, nba[1:20,1], cex.axis = 0.5, las=1)
text(expand.grid(1:dim, 1:dim), sprintf("%0.1f", dst), cex=0.6)
一个沃罗诺伊图（Voronoi Diagram）是一种可视化表示距离矩阵（Distance Matrix，DM）的方法。它也很容易用R语言创建和绘制--你只需要一行代码就能完成。
如果你不熟悉这方面的计算几何知识，VD和DM之间的关系是直观的，但简要的概括可能有帮助。
距离矩阵--即显示点与其他每个点之间距离的2D矩阵，在kNN计算过程中产生（即k最近邻算法，根据其k个最近邻居的加权平均值，距离上，预测给定数据点的值，其中'k'为某个整数，通常在3到5之间。）
kNN的概念非常简单--训练集中的每个数据点本质上都是n维空间中的'位置'，因此下一步是使用某些距离度量（例如欧几里得距离、曼哈顿距离等）计算每个点与所有其他点之间的距离。虽然训练步骤--即构建距离矩阵--很简单，但将其用于预测新数据点的值实际上受到数据检索的限制--从几千或几百万个分散在n维空间中的点中找出最接近的3或4个点。
通常使用两种数据结构来解决这个问题：kd树和沃罗诺伊分解（也称"狄利克雷镶嵌"）。
沃罗诺伊分解（VD）由距离矩阵唯一确定--即存在一一映射，因此它确实是距离矩阵的可视化表示，虽然再次强调，它们的主要目的是用于基于kNN的预测的高效存储数据。
除此之外，将距离矩阵以这种方式表示是否是一个好主意可能主要取决于你的观众。对大多数人来说，VD和前置的距离矩阵之间的关系并不直观。但这并不意味着它是错误的--如果没有任何统计培训的人想知道两个群体是否具有相似的概率分布，如果你向他们展示了一个Q-Q图，他们可能会认为你没有回答他们的问题。因此，对于那些知道自己在看什么的人来说，VD是DM的紧凑、完整和准确的表示。
那么如何创建一个沃罗诺伊分解呢？
沃罗诺伊分解是通过从训练集中选择（通常是随机选择）一部分点来构造的（这个数量因情况而异，但如果我们有100万个点，则100是这个子集的合理数量）。这100个数据点是沃罗诺伊中心（VC）。
沃罗诺伊分解的基本思想是，不必筛选1,000,000个数据点以查找最近的邻居，只需查看这些100个中心点，然后一旦找到最接近的VC，你的搜索实际上被限制在该沃罗诺伊单元格
library(tripack)
plot(voronoi.mosaic(runif(100), runif(100), duplicate="remove"))
你可能希望考虑查看矩阵的二维投影（多维缩放）。这里有一个在R中如何实现它的链接。
否则，我认为你在使用热图方面已经走在了正确的道路上。您可以很容易地添加您的数字。例如，基于Learn R ：
library(ggplot2)
library(plyr)
library(arm)
library(reshape2)
nba <- read.csv("http://datasets.flowingdata.com/ppg2008.csv")
nba$Name <- with(nba, reorder(Name, PTS))
nba.m <- melt(nba)
nba.m <- ddply(nba.m, .(variable), transform,
rescale = rescale(value))
(p <- ggplot(nba.m, aes(variable, Name)) + geom_tile(aes(fill = rescale),
colour = "white") + scale_fill_gradient(low = "white",
high = "steelblue")+geom_text(aes(label=round(rescale,1))))
基于层次聚类分析的树状图可能很有用：http://www.statmethods.net/advstats/cluster.html
R语言中的二维或三维多维缩放分析：http://www.statmethods.net/advstats/mds.html
如果您想进入三个以上的维度，可以尝试ggobi / rggobi：http://www.ggobi.org/rggobi/
使用多维缩放的解决方案
data = read.csv("http://datasets.flowingdata.com/ppg2008.csv", sep = ",")
dst = tcrossprod(as.matrix(data[,-1]))
dst = matrix(rep(diag(dst), 50L), ncol = 50L, byrow = TRUE) +
matrix(rep(diag(dst), 50L), ncol = 50L, byrow = FALSE) - 2*dst
library(MASS)
mds = isoMDS(dst)
#remove {type = "n"} to see dots
plot(mds$points, type = "n", pch = 20, cex = 3, col = adjustcolor("black", alpha = 0.3), xlab = "X", ylab = "Y")
text(mds$points, labels = rownames(data), cex = 0.75)
