如果您只想快速了解数据集中的变量是如何相关的，请查看pairs() 函数，甚至更好的是psych 包中的pairs.panels() 函数。我在这里写了一些关于pairs 函数的内容。

使用pairs() 或psych::pairs.panels() 函数很容易制作散点图矩阵。

pairs.panels(iris[-5], bg=c("blue","red","yellow")[iris$Species], pch=21,lm=TRUE)

AFAIK，不。更准确地说，我不知道有一个 R 包可以通过单个函数调用为您完成所谓的探索性数据分析(EDA) 的一部分——我正在考虑重新表达和启示方面在 Hoaglin、Moseller 和 Tukey，了解稳健和探索性数据分析中讨论。尤其是 Wiley-Interscience，1983 年。

然而，在 R 中存在一些不错的替代方案，尤其是关于数据的交互式探索（看这里有趣的讨论：交互式数据可视化何时有用？）。我能想到

• iplots或其继任者Acinonyx，用于交互式可视化（允许刷亮、链接绘图等）（其中一些功能可以在latticist包中找到；最后，rgl非常适合 3D 交互式可视化。）
• ggobi用于交互式和动态显示，包括数据缩减（多维缩放）和投影追踪

这仅用于交互式数据探索，但我会说这是 EDA 的精髓。无论如何，在探索数值变量之间的双变量或高阶关系时，上述技术可能会有所帮助。对于分类数据，vcd包是一个不错的选择（可视化和汇总表）。然后，我会说vegan和ade4包首先用于探索混合数据类型的变量之间的关系。

最后， R 中的数据挖掘呢？（在Rseek上试试这个关键字）

查看scagnostics包装和原始研究论文。这对于双变量关系非常有趣。对于多元关系，投影追踪是非常好的第一步。

不过，一般而言，领域和数据专业知识将缩小和改进您快速调查关系的方法。

PerformanceAnalytics中的chart.Correlation函数提供了与 @Stephen Turner 提到的 plot.pairs 函数类似的功能，除了它使用黄土函数而不是线性模型进行平滑，以及相关性的重要性。

library(PerformanceAnalytics)
chart.Correlation(iris[-5], bg=c("blue","red","yellow")[iris$Species], pch=21)