boxplot() i R: Sådan laver du BoxPlotter i RStudio [Eksempler]

boxplot() i R

boxplot() i R hjælper med at visualisere fordelingen af ​​data efter kvartil og detektere tilstedeværelsen af ​​outliers. Du kan bruge det geometriske objekt geom_boxplot() fra ggplot2-biblioteket til at tegne et boxplot() i R.

Vi vil bruge luftkvalitetsdatasættet til at introducere boxplot() i R med ggplot. Dette datasæt måler luftkvaliteten i New York fra maj til september 1973. Datasættet indeholder 154 observationer. Vi vil bruge følgende variable:

• Ozon: Numerisk variabel
• Vind: Numerisk variabel
• Måned: maj til september. Numerisk variabel

Opret Box Grund

Før du begynder at oprette dit første boxplot() i R, skal du manipulere dataene som følger:

• Trin 1: Importer dataene
• Trin 2: Drop unødvendige variabler
• Trin 3: Konverter måned i faktorniveau
• Trin 4: Opret en ny kategorisk variabel, der deler måneden med tre niveauer: start, midt og slut.
• Trin 5: Fjern manglende observationer

Alle disse trin udføres med dplyr og pipeline-operatøren %>%.

library(dplyr)
library(ggplot2)
# Step 1
data_air <- airquality % > %

#Step 2
select(-c(Solar.R, Temp)) % > %

#Step 3
mutate(Month = factor(Month, order = TRUE, labels = c("May", "June", "July", "August", "September")), 
       
#Step 4 
day_cat = factor(ifelse(Day < 10, "Begin", ifelse(Day < 20, "Middle", "End"))))

En god praksis er at tjekke strukturen af ​​dataene med funktionen glimpse().

glimpse(data_air)

Output:

## Observations: 153
## Variables: 5
## $ Ozone   <int> 41, 36, 12, 18, NA, 28, 23, 19, 8, NA, 7, 16, 11, 14, ...
## $ Wind    <dbl> 7.4, 8.0, 12.6, 11.5, 14.3, 14.9, 8.6, 13.8, 20.1, 8.6...
## $ Month   <ord> May, May, May, May, May, May, May, May, May, May, May,...
## $ Day     <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,...
## $ day_cat <fctr> Begin, Begin, Begin, Begin, Begin, Begin, Begin, Begi...

Der er NA'er i datasættet. Det er klogt at fjerne dem.

# Step 5
data_air_nona <-data_air %>% na.omit()	

Grundlæggende boksplot

Lad os plotte det grundlæggende R boxplot() med fordelingen af ​​ozon efter måned.

# Store the graph
box_plot <- ggplot(data_air_nona, aes(x = Month, y = Ozone))
# Add the geometric object box plot
box_plot +
    geom_boxplot()

Kode Forklaring

• Gem grafen til videre brug
  • box_plot: Du gemmer grafen i variablen box_plot. Det er nyttigt til videre brug eller undgå en for kompleks kodelinje
• Tilføj det geometriske objekt af R boxplot()
  • Du videregiver datasættet data_air_nona til ggplot boxplot.
  • Inde i aes()-argumentet tilføjer du x-aksen og y-aksen.
  • + tegnet betyder, at du vil have R til at blive ved med at læse koden. Det gør koden mere læsbar ved at bryde den.
  • Brug geom_boxplot() til at oprette et boxplot

Output:

Skift side af grafen

Du kan vende siden af ​​grafen.

box_plot +
  geom_boxplot()+
  coord_flip()

Kode Forklaring

• box_plot: Du bruger den graf du har gemt. Det undgår at omskrive alle koderne, hver gang du tilføjer ny information til grafen.
• geom_boxplot(): Opret boxplots() i R
• coord_flip(): Vend siden af ​​grafen

Output:

Skift farve på udliggeren

Du kan ændre farven, formen og størrelsen på udliggere.

box_plot +
    geom_boxplot(outlier.colour = "red",
        outlier.shape = 2,
        outlier.size = 3) +
    theme_classic()

Kode Forklaring

• outlier.colour=”rød”: Styr farven på afvigerne
• outlier.shape=2: Skift formen på outlieren. 2 henviser til trekant
• outlier.size=3: Ændre størrelsen på trekanten. Størrelsen er proportional med antallet.

Output:

Tilføj en opsummerende statistik

Du kan tilføje en opsummerende statistik til R boxplot().

box_plot +
    geom_boxplot() +
    stat_summary(fun.y = mean,
        geom = "point",
        size = 3,
        color = "steelblue") +
    theme_classic()

Kode Forklaring

• stat_summary() gør det muligt at tilføje et resume til det horisontale boxplot R
• Argumentet fun.y styrer de returnerede statistikker. Du vil bruge middelværdi
• Bemærk: Andre statistikker er tilgængelige, såsom min og max. Mere end én statistik kan vises i samme graf
• geom = "punkt": Plot gennemsnittet med et punkt
• størrelse=3: Størrelse af spidsen
• farve =”stålblå”: Farve på punkterne

Output:

Box Plot med prikker

I det næste vandrette boxplot R tilføjer du dot plot-lagene. Hver prik repræsenterer en observation.

box_plot +
    geom_boxplot() +
    geom_dotplot(binaxis = 'y',
        dotsize = 1,
        stackdir = 'center') +
    theme_classic()

Kode Forklaring

• geom_dotplot() tillader tilføjelse af prik til bin-bredden
• binaxis='y': Ændre placeringen af ​​prikkerne langs y-aksen. Som standard x-akse
• dotsize=1: Størrelsen på prikkerne
• stackdir='center': Måde at stable prikkerne på: Fire værdier:
  • "op" (standard),
  • "ned"
  • "centrum"
  • "hele midten"

Output:

Kontrol Æstetik af Box Grund

Skift farven på boksen

Du kan ændre gruppens farver.

ggplot(data_air_nona, aes(x = Month, y = Ozone, color = Month)) +
    geom_boxplot() +
    theme_classic()

Kode Forklaring

• Farverne på grupperne styres i aes()-tilknytningen. Du kan bruge color= Month til at ændre farven på boksen og whisker plot i henhold til månederne

Output:

Box plot med flere grupper

Det er også muligt at tilføje flere grupper. Du kan visualisere forskellen i luftkvaliteten alt efter måledagen.

ggplot(data_air_nona, aes(Month, Ozone)) +
    geom_boxplot(aes(fill = day_cat)) +
    theme_classic()

Kode Forklaring

• Aes()-tilknytningen af ​​det geometriske objekt styrer grupperne, der skal vises (denne variabel skal være en faktor)
• aes(fill= day_cat) giver mulighed for at oprette tre kasser for hver måned i x-aksen

Output:

Box Plot med rystede prikker

En anden måde at vise prikken på er med rystede punkter. Det er en bekvem måde at visualisere punkter med boxplot for kategoriske data i R-variabel.

Denne metode undgår overlapning af de diskrete data.

box_plot +
    geom_boxplot() +
    geom_jitter(shape = 15,
        color = "steelblue",
        position = position_jitter(width = 0.21)) +
    theme_classic()

Kode Forklaring

• geom_jitter() tilføjer et lille henfald til hvert punkt.
• form=15 ændrer punkternes form. 15 repræsenterer kvadraterne
• farve = "stålblå": Skift farven på punktet
• position=position_jitter(width = 0.21): Måde at placere de overlappende punkter. position_jitter(width = 0.21) betyder, at du flytter punkterne 20 procent fra x-aksen. Som standard er 40 pct.

Output:

Du kan se forskellen mellem den første graf med jittermetoden og den anden med punktmetoden.

box_plot +
    geom_boxplot() +
    geom_point(shape = 5,
        color = "steelblue") +
    theme_classic()

Afskåret Box Grund

Et interessant træk ved geom_boxplot(), er en notched boxplot-funktion i R. Notch-plottet indsnævrer boksen omkring medianen. Hovedformålet med et notched box plot er at sammenligne betydningen af ​​medianen mellem grupper. Der er stærke beviser for, at to grupper har forskellige medianer, når hakkene ikke overlapper hinanden. Et hak beregnes som følger:

med er interkvartilen og antallet af observationer.

box_plot +
    geom_boxplot(notch = TRUE) +
    theme_classic()

Kode Forklaring

• geom_boxplot(notch=TRUE): Opret et vandret boxplot R

Output:

Resumé

Vi kan opsummere de forskellige typer af horisontalt boxplot R i tabellen nedenfor:

ggplot(df, aes( x = x1, y =y)) + geom_boxplot()

ggplot(df, aes( x = x1, y =y)) + geom_boxplot() + coord_flip()

ggplot(df, aes( x = x1, y =y)) + geom_boxplot(notch=TRUE)

ggplot(df, aes( x = x1, y =y)) + geom_boxplot() + geom_jitter(position = position_jitter(0.21))

Tjek også:- R Tutorial for begyndere: Lær R programmeringssprog