每个应用程序都有以下数据集，您可以将它们称为软件指标。这些指标因应用程序的大小而异。
Bugs
CodeSmells
Vulnerability
应用程序的大小由 LOC（代码行）决定，如果我将这些参数中的每一个可视化，我如何展示每个应用程序相对于代码行的复杂性。
例子
Bugs LOC
SweetApp 10 10000
SourApp 120 5660000
SaltyApp 55 1500
我如何可视化与 LOC 相关的每个应用程序的错误，因为 LOC 确定它们的复杂性，考虑到 LOC 中的更高数量，更高数量的错误不一定是坏事。
您可以使用错误（或任何其他变量）除以代码行数 (LOC) 的比率。由于比率可能变化很大，例如错误与漏洞，因此生成的图通常看起来不太好，因此您可以使用规范化程序，事实上，这是推荐的程序。
在您的情况下，除以 LOC 的错误和一些漏洞看起来还不错，因此我在此示例中也包含了原始比率图。我正在使用计数重叠点图，它是条形图的变体，它不填充条形图，只关心作为一个点的值。您可以使用任何您认为能给您带来最佳结果的标准化。在这里，我只是将数据居中。在这两个图中，根据比率度量，最高值意味着更高的复杂性。
require("reshape2")
require("ggplot2")
df1 <- data.frame(App = c("SweetApp", "SourApp", "SaltyApp"),
LOC = c(10000, 5660000, 1500),
Bugs = c(10, 120, 55),
CodeSmells = c(50, 30, 20),
Vulnerabilities = c(2, 3, 10))
#Define ratios
df1$RatiosBugs <- df1$Bugs / df1$LOC
df1$RatiosCodeSmells <- df1$CodeSmells / df1$LOC
df1$RatiosVulnerabilities <- df1$Vulnerabilities / df1$LOC
#Normalize Ratios
df1$NormRatiosBugs <- scale(df1$RatiosBugs, scale = FALSE)
df1$NormRatiosCodeSmells <- scale(df1$RatiosCodeSmells, scale = FALSE)
df1$NormRatiosVulnerabilities <- scale(df1$RatiosVulnerabilities, scale = FALSE)
dfRaw <- df1[, c("App", "RatiosBugs", "RatiosCodeSmells", "RatiosVulnerabilities")]
dfNorm <- df1[, c("App", "NormRatiosBugs",
"RatiosCodeSmells", "RatiosVulnerabilities")]
dfRaw.m <- melt(dfRaw, id.vars = c("App"))
dfNorm.m <- melt(dfNorm, id.vars = c("App"))
#Plot Raw Ratios
ggplot(dfRaw.m, aes(App, value)) +
geom_count(aes(color = variable), position = position_dodge(width = 0.4), stat = "identity")
#Plot Normalized Ratios
ggplot(dfNorm.m, aes(App, value)) +
geom_count(aes(color = variable), position = position_dodge(width = 0.4), stat = "identity")