boxplot() в R: как сделать BoxГрафики в RStudio

boxplot() в R

boxplot() в R помогает визуализировать распределение данных по квартилям и обнаружить наличие выбросов. Вы можете использовать геометрический объект geom_boxplot() из библиотеки ggplot2, чтобы нарисовать boxplot() в R.

Мы будем использовать набор данных о качестве воздуха, чтобы ввести функцию boxplot() в R с помощью библиотеки ggplot. Набор данных содержит ежедневные измерения качества воздуха в Нью-Йорке с мая по сентябрь 1973 года и включает 153 наблюдения. Мы будем использовать следующие переменные:

• Озон: числовая переменная
• Ветер: числовая переменная
• Месяц: с мая по сентябрь. Числовая переменная

Прежде чем рисовать, стоит точно знать, что обозначает каждая часть коробки.

Как читать Box График: квартили, межквартильный размах и выбросы.

Каждый элемент ящичной диаграммы кодирует одно число из пятичислового сводного списка. Знание того, какое число к чему относится, превращает диаграмму из декоративного элемента в инструмент анализа.

• Нижний шарнир: Первый квартиль, Q1. Двадцать пять процентов наблюдений находятся ниже него.
• Медианная линия: Второй квартиль. Его положение внутри прямоугольника указывает на асимметрию: линия, смещенная вниз, означает, что данные имеют правостороннюю асимметрию.
• Верхний шарнир: Третий квартиль, Q3. Семьдесят пять процентов наблюдений находятся ниже него.
• Box высота: Межквартильный размах (IQR = Q3 – Q1) охватывает среднюю половину данных и является стандартной надежной мерой разброса.
• Усы: Они простираются до самого крайнего значения, оставаясь в пределах 1.5 межквартильного размаха от ближайшей точки опоры. Они не являются минимумом и максимумом.
• Пункты, выходящие за рамки видимого: Наблюдения, помеченные как выбросы согласно правилу 1.5 IQR.

Два предостережения. Во-первых, «выброс» здесь — это статистический сигнал, а не ошибка: в асимметричном распределении, таком как концентрация озона, ожидаются высокие значения, и их не следует удалять. Во-вторых, диаграмма размаха скрывает форму распределения, поэтому две группы с одинаковыми прямоугольниками могут иметь совершенно разные исходные данные. Добавление смещенных точек, как показано ниже, предотвращает это.

Box График, гистограмма и скрипичный график в R

Все три диаграммы описывают числовое распределение, но каждая из них раскрывает то, что скрывает другая.

Распространенным компромиссом является построение скрипичной диаграммы с узкой ящичной диаграммой внутри, что позволяет сохранить форму графика плотности и сводку по квартилям на одном графике. См. Учебное пособие по гистограммам что касается группировки данных.

Создавай Box Участок

Прежде чем вы начнете создавать свой первый boxplot() в R, вам необходимо манипулировать данными следующим образом:

• Шаг 1. Импортируйте данные
• Шаг 2. Удалите ненужные переменные
• Шаг 3: Преобразуйте месяц в упорядоченный фактор.
• Шаг 4: Создайте новую категориальную переменную, разделив каждый месяц на три части: начало, середина и конец.
• Шаг 5. Удалите недостающие наблюдения

Все эти шаги выполняются с помощью dplyr и оператора конвейера %>%.

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"))))

Хорошей практикой является проверка структуры данных с помощью функции проблеск().

glimpse(data_air)

Выход:

## 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...

В файлах Ozone и Solar.R содержатся значения NA. Поскольку функция geom_boxplot() автоматически отбросит их и выведет предупреждение, удобнее удалить их явно.

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

Базовый сюжет

Теперь постройте график распределения озона по месяцам.

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

Code объяснение

• Сохраните график для дальнейшего использования
  • box_plot: базовый график хранится в объекте box_plot, что позволяет добавлять слои позже без повторного вызова функции.
• Добавьте геометрический объект
  • Вы передаете набор данных data_air_nona в ggplot boxplot.
  • Внутри аргумента aes() вы добавляете оси X и Y.
  • Знак + означает, что вы хотите, чтобы R продолжал читать код. Это делает код более читабельным, если его взломать.
  • Используйте geom_boxplot() для создания коробчатой ​​диаграммы.

Выход:

Изменить сторону графика

Вы можете перевернуть сторону графика.

box_plot +
  geom_boxplot()+
  coord_flip()

Code объяснение

• box_plot: вы используете сохраненный график. Это позволяет избежать переписывания всех кодов каждый раз, когда вы добавляете новую информацию в график.
• geom_boxplot(): рисует прямоугольники и усы
• coord_flip(): перевернуть сторону графика.

Выход:

Изменить цвет выброса

Вы можете изменить цвет, форму и размер выбросов.

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

Code объяснение

• outlier.colour="red": Управляет цветом выбросов.
• outlier.shape=2: изменить форму выброса. 2 относится к треугольнику
• outlier.size=3: Изменяет размер треугольника. Большие числа приводят к появлению более крупных маркеров.

Выход:

Добавить сводную статистику

На диаграмму размаха можно наложить сводную статистику, например, среднее значение по группе, чего сама диаграмма не показывает.

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

Code объяснение

• Функция stat_summary() добавляет вычисленную статистику поверх диаграммы размаха.
• Аргумент fun определяет, какая статистика будет возвращена. В данном случае это среднее значение. Обратите внимание, что в более старом коде используется fun.y, который ggplot2 объявил устаревшим в версии 3.3.0.
• Примечание. Доступны и другие статистические данные, такие как минимум и максимум. На одном графике может отображаться более одной статистики.
• geom = «точка»: постройте среднее значение с точкой.
• size=3: Размер точки
• color =”steelblue”: Цвет точек.

Выход:

Box График с точками

Далее добавьте слой точечной диаграммы поверх прямоугольников. Каждая точка представляет собой отдельное наблюдение, что позволяет увидеть размер выборки за каждым прямоугольником.

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

Code объяснение

• Функция geom_dotplot() рисует одну точку для каждого наблюдения, располагая их друг над другом внутри каждого интервала.
• binaxis='y': Измените положение точек вдоль оси Y. По умолчанию ось X
• dotsize=1: Размер точек.
• stackdir='center': Способ расположения точек: Четыре значения:
  • «вверх» (по умолчанию),
  • "вниз"
  • "центр"
  • «центральное целое»

Выход:

Контролируйте эстетику Box Участок

Изменить цвет коробки

Вы можете изменить цвета группы.

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

Code объяснение

• Цвета групп управляются в карте aes().pingВы можете использовать параметр color=Month, чтобы изменить цвет диаграммы «ящик с усами» в зависимости от месяца.

Выход:

Box сюжет с несколькими группами

Также возможно добавить несколько групп. Вы можете визуализировать разницу в качестве воздуха в зависимости от дня измерения.

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

Code объяснение

• Карта aes()ping Управление геометрическим объектом определяет группы для отображения (эта переменная должна быть фактором).
• aes(fill= day_cat) позволяет создать три поля для каждого месяца по оси X.

Выход:

Box График с дрожащими точками

Еще один способ отображения отдельных наблюдений — использование смещенных точек. Смещение точек обычно выбирают, когда категориальная ось X приводит к тому, что многие точки оказываются в одной и той же позиции.

Этот метод позволяет избежать наложения.ping дискретных данных.

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

Code объяснение

• Функция geom_jitter() добавляет небольшое случайное смещение к каждой точке, чтобы обеспечить перекрытие.ping Значения становятся видимыми.
• shape=15 изменяет форму точек. 15 представляет квадраты
• color = «steelblue»: изменить цвет точки.
• position = position_jitter(width = 0.21): управляет смещением точек вбок, измеряемым в единицах оси X. По умолчанию — 40 процентов от расстояния между категориями.

Выход:

Вы можете увидеть разницу между первым графиком с методом джиттера и вторым с точечным методом.

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

зазубренный Box Участок

Интересной особенностью geom_boxplot() является функция коробчатой ​​диаграммы с надрезом в R. График с надрезом сужает рамку вокруг медианы. Основная цель диаграммы с надрезом — сравнить значимость медианы между группами. Имеются убедительные доказательства того, что две группы имеют разные медианы, когда отметки не перекрываются. Вырез рассчитывается следующим образом:

Здесь IQR — межквартильный размах, а n — количество наблюдений в группе. Эта точка примерно соответствует 95-процентному доверительному интервалу медианы.

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

Code объяснение

• geom_boxplot(notch = TRUE): построить диаграмму размаха с метками вокруг медианы

Выход:

Как добавить заголовки, метки и пользовательские цвета к Box Построение графиков в R

Приведенные выше графики используют настройки ggplot2 по умолчанию, которые берут имена переменных непосредственно из фрейма данных. Для публикации графика необходимы читаемые подписи и продуманная цветовая палитра.

Заголовки и подписи осей. Один вызов функции labs() устанавливает каждый текстовый элемент:

box_plot +
    geom_boxplot(fill = "coral", alpha = 0.7) +
    labs(title = "Ozone concentration by month",
        subtitle = "New York, May to September 1973",
        x = "Month",
        y = "Ozone (parts per billion)",
        caption = "Source: airquality dataset") +
    theme_classic()

Выбор собственных цветов. Используйте scale_fill_manual(), когда заливка отображается внутри функции aes(), и scale_colour_manual(), когда цвет:

ggplot(data_air_nona, aes(x = Month, y = Ozone, fill = Month)) +
    geom_boxplot() +
    scale_fill_manual(values = c("#0e9cd1", "coral", "#7dc27d", "#c9a227", "grey60")) +
    theme_classic() +
    theme(legend.position = "none")

Легенда здесь отключена, потому что на оси X уже указаны названия месяцев, поэтому её повторение заняло бы лишнее место.

Переупорядочиваю коробки. Уровни фактора определяют порядок на оси. Поскольку фактор «Месяц» был создан как упорядоченный фактор, он уже отображается в хронологическом порядке. Для неупорядоченного фактора отсортируйте по медиане:

ggplot(data_air_nona, aes(x = reorder(Month, Ozone, FUN = median), y = Ozone)) +
    geom_boxplot() +
    theme_classic()

Сохранение диаграммы. Функция ggsave() записывает последний график на диск с разрешением, которое вы контролируете:

ggsave("ozone_boxplot.png", width = 8, height = 5, dpi = 300)

Box Построение графиков в R: Code Референции

В таблице ниже приведен список вызовов ggplot2 для каждого варианта диаграммы размаха, рассмотренного выше:

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))

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

ggplot(df, aes(x = x1, y = y)) + geom_boxplot(aes(fill = x2))

ggplot(df, aes(x = x1, y = y)) + geom_boxplot() + stat_summary(fun = mean, geom = "point")

Также проверьте: - Учебное пособие по R для начинающих: изучение языка программирования R

Часто задаваемые вопросы (FAQ)