嗨，完全理解你的困扰——手动重复绘图确实麻烦，其实用循环或者apply系列函数就能轻松搞定这个需求！我给你两种常用的实现方式，分别基于R的基础绘图系统和更流行的ggplot2包，你可以根据自己的习惯选择：

方法1：使用基础绘图 + lapply 循环 #

这种方法适合快速生成基础的相关性散点图，不需要额外加载包：

# 加载内置的鸢尾花数据集
data(iris)

# 定义要作为y轴的变量列表
y_vars <- c("Sepal.Width", "Petal.Length", "Petal.Width")

# 用lapply遍历每个y变量，自动绘图
lapply(y_vars, function(y_col) {
  # 打开新的绘图窗口（避免图重叠，可选）
  dev.new()
  # 绘制散点图
  plot(x = iris$Sepal.Length, y = iris[[y_col]], 
       xlab = "Sepal.Length", ylab = y_col,
       main = paste("相关性分析：Sepal.Length vs", y_col))
  # 添加红色回归线，直观展示相关性趋势
  abline(lm(iris[[y_col]] ~ iris$Sepal.Length), col = "red", lwd = 2)
})

• 这里iris[[y_col]]用来动态提取数据框中对应的y轴列；
• dev.new()会在每次循环时打开新窗口，防止后面的图覆盖前面的结果；
• abline()配合lm()可以添加线性回归线，帮你更直观看到变量间的相关趋势。

方法2：使用ggplot2（更美观灵活） #

如果你想要更美观、可定制化的图，推荐用ggplot2包，这里有两种实现思路：

思路A：将数据转为长格式 + 分面绘图 #

这种方式会把所有子图放在同一个画布上，方便对比：

library(tidyverse)

data(iris)

# 把数据转换为长格式，将多个y变量合并为一列
iris_long <- iris %>%
  pivot_longer(cols = c(Sepal.Width, Petal.Length, Petal.Width),
               names_to = "Y变量", values_to = "数值")

# 绘制分面相关性图
ggplot(iris_long, aes(x = Sepal.Length, y = 数值)) +
  geom_point(color = "#2c3e50") + # 自定义点的颜色
  geom_smooth(method = "lm", color = "#e74c3c", se = FALSE) + # 添加回归线，去掉置信区间
  facet_wrap(~ Y变量, scales = "free_y") + # 按y变量分面，y轴自动适配范围
  labs(x = "Sepal.Length", y = "数值",
       title = "Sepal.Length与其他变量的相关性") +
  theme_bw() # 使用简洁的主题

思路B：用lapply循环生成单独的ggplot图 #

如果还是想要每个图单独展示，也可以用循环结合ggplot：

library(ggplot2)

y_vars <- c("Sepal.Width", "Petal.Length", "Petal.Width")

lapply(y_vars, function(y_col) {
  p <- ggplot(iris, aes(x = Sepal.Length, y = .data[[y_col]])) +
    geom_point() +
    geom_smooth(method = "lm", color = "red") +
    labs(x = "Sepal.Length", y = y_col,
         title = paste("Sepal.Length vs", y_col)) +
    theme_bw()
  print(p) # 注意：ggplot在循环里必须用print()才能显示图
})

这样就不用再手动重复写三次绘图代码啦，两种方法都能高效实现你的需求～

内容的提问来源于stack exchange，提问作者Daniel da Silva