直方图

• 一维连续型分布：直方图
• 注意调试binwidth/bins/breaks(组间距离/组数/切分位置)

ggplot(diamonds,aes(depth))+
  geom_histogram()

image.png

#调整binwidth(组距宽度)/bins(组数)/breaks(切分位置)
ggplot(diamonds,aes(depth))+
  geom_histogram(binwidth = 0.1)+
  xlim(55,70)

image.png

如何比较不同组间数据分布的差异？

answer1:绘制多个小直方图[facet_wrap(~var)]
answer2: 绘制频数多边形并以颜色作为分类[geom_freqpoly()]
anser3:绘制条件密度图[geom_histogram(position="fill)]

分面多个小直方图

ggplot(diamonds,aes(depth))+
  geom_histogram(binwidth = 0.1)+
  facet_wrap(~cut)

image.png

频数多边形

#错误代码
ggplot(diamonds,aes(depth))+
  geom_histogram(binwidth = 0.1)+
  geom_freqpoly(aes(colour=cut))

image.png

#正确代码
ggplot(diamonds,aes(depth))+
  geom_freqpoly(aes(colour=cut),binwidth=0.1,na.rm = T)+
  xlim(58,68)+
  theme(legend.position = "none")

image.png

条件密度图

ggplot(diamonds,aes(depth))+
  geom_histogram(aes(fill=cut),binwidth=0.1,position = "fill",na.rm = T)+
  xlim(58,68)+
  theme(legend.position = "none")

image.png

直方图和频数多边形使用stat="bin"统计变换，此统计变换生成两个输出变量：count和density。默认将count作为y轴

• density基本上等于各组频数除以总频数再乘以组距，此变量在需要比较不同分布的形状而非绝对大小时比较有用

密度估计geom_density()：对每个数据点天上一点整他分布然后把所有曲线累加起来？

• 仅在已知潜在的密度分布为平滑、连续且无界线的时候使用密度曲线图，可使用adjust参数调整所得密度曲线的平滑程度

ggplot(diamonds,aes(depth))+
  geom_density(na.rm = T)+
  xlim(58,86)+
  theme(legend.position = "none")

image.png

ggplot(diamonds,aes(depth))+
  geom_density(aes(fill=cut),na.rm = T)+
  xlim(58,86)+
  theme(legend.position = "none")

image.png

ggplot(diamonds,aes(depth))+
  geom_density(aes(fill=cut,colour=cut),na.rm = T)+
  xlim(58,86)+
  theme(legend.position = "none")

image.png

ggplot(diamonds,aes(depth,fill=cut,colour=cut))+
  geom_density(alpha=0.2,na.rm = T)+
  xlim(58,86)+
  theme(legend.position = "none")

image.png

每一条密度曲线下的面积都已经标准化为1，因此损失了有关个各子集间相对大小的信息

• 箱线图如何处理连续性变量？

ggplot(diamonds,aes(carat,depth))+geom_boxplot()

image.png

• 解决之道 ： cut_width

ggplot(diamonds,aes(carat,depth))+
  geom_boxplot(aes(group=cut_width(carat,0.1)))+
  xlim(NA,2.05)

image.png