我认为主要需要添加到您的列表中的是coplots，但让我们努力做到这一点。可视化两个连续变量的起点应该始终是散点图。具有两个以上的变量，可以自然地推广到散点图矩阵（尽管如果您有很多变量，您可能需要将其分解为多个矩阵，请参阅：How to extract information from a scatterplot matrix when you have large N,discrete数据和许多变量？）。需要认识到的是，散点图矩阵是一组来自高维空间的 2D边缘 投影。但这些边距可能不是最有趣或信息最丰富的。究竟是哪个您可能想要查看的边距是一个棘手的问题（参见投影追踪），但最简单的下一组要检查的是使变量正交的一组，即由主成分分析产生的变量的散点图。您提到使用它来减少数据并查看前两个主成分的散点图。这背后的想法是合理的，但您不必只看前两个，其他可能值得探索（参见PCA 示例，其中低方差的 PC “有用”），因此您可以/应该一个散点图矩阵，也是。PCA 输出的另一种可能性是制作双标图，它覆盖了原始变量与散点图顶部的主成分（如箭头）相关的方式。您还可以将主成分的散点图矩阵与双图相结合。

正如我所提到的，以上所有这些都是边际的。coplot 是有条件的（我的答案的上半部分对比了有条件的与边际的）。从字面上看，“coplot”是“conditional plot”的混合词。在 coplot 中，您正在获取其他维度上的数据切片（或子集），并在一系列散点图中绘制这些子集中的数据。一旦你学会了如何阅读它们，它们是你探索高维数据模式的选项集的一个很好的补充。

为了说明这些想法，这里有一个 RandU 数据集的示例（由 1970 年代流行的算法生成的伪随机数据）：

data(randu)
windows()
  pairs(randu)

pca = princomp(randu)
attr(pca$scores, "dimnames")[[1]][1:400] = "o"
windows()
  par(mfrow=c(3,3), mar=rep(.5,4), oma=rep(2,4))
  for(i in 1:3){
    for(j in 1:3){
      if(i<j){
        plot(y=pca$scores[,i], x=pca$scores[,j], axes=FALSE); box()
      } else if(i==j){
        plot(density(pca$scores[,i]), axes=FALSE, main=""); box()
        text(0, .5, labels=colnames(pca$scores)[i])
      } else {
        biplot(pca, choices=c(j,i), main="", xaxp=c(-10,10,1), yaxp=c(-10,10,1))
      }
    }
  }

windows()
  coplot(y~x|z, randu)