R繪圖 第四篇：繪制箱圖（ggplot2）

箱線圖通過繪制觀測數據的五數總括，即最小值、下四分位數、中位數、上四分位數以及最大值，描述了變量值的分布情況。箱線圖能夠顯示出離群點（outlier），離群點也叫做異常值，通過箱線圖能夠很容易識別出數據中的異常值。

箱線圖提供了識別異常值的一個標准：

異常值通常被定義為小於 Q_L - l.5 IQR 或者 大於 Q_u + 1.5 IQR的值，Q_L稱為下四分位數， Q_u稱為上四分位數，IQR稱為四分位數間距，是Q_u上四分位數和Q_L下四分位數之差，其間包括了全部觀察值的一半。

箱線圖的各個組成部分的名稱及其位置如下圖所示：

箱線圖可以直觀地看出數據集的以下重要性值：

中心位置：中位數所在的位置就是數據集的中心；

散布程度：箱線圖分為多個區間，區間較短時，表示落在該區間的點較集中；

對稱性：如果中位數位於箱子的中間位置，那么數據分布較為對稱；如果極值離中位數的距離較大，那么表示數據分布傾斜

一，繪制箱線圖

繪制箱線圖比較簡單，通常情況下，我們使用ggplot和geom_boxplot繪制箱線圖，在下面的小節中，我們使用ToothGrowth作為示例數據：

ToothGrowth$dose <- as.factor(ToothGrowth$dose)
head(ToothGrowth)

   len supp dose
1  4.2   VC  0.5
2 11.5   VC  0.5
3  7.3   VC  0.5
4  5.8   VC  0.5
5  6.4   VC  0.5
6 10.0   VC  0.5

1，繪制基本的箱線圖

使用geom_boxplot繪制基本的箱線圖：

library(ggplot2)

ggplot(ToothGrowth, aes(x=dose, y=len)) + 
  geom_boxplot()

2，設置離群點（outlier）

geom_boxplot函數中有outlier開頭的多個參數，用於修改離群點的屬性：

• outlier.colour：離群點的顏色
• outlier.fill：離群點的填充色
• outlier.shape：離群點的形狀
• outlier.size：離群點的大小
• outlier.alpha：離群點的透明度

 示例代碼如下：

ggplot(ToothGrowth, aes(x=dose, y=len)) + 
  geom_boxplot(outlier.colour="red", outlier.shape=8, outlier.size=4)

3，設置箱線圖的顏色

通過aes(color=)函數可以為每個箱線圖設置一個顏色，而箱線圖的划分是通過 aes(color=)函數的color參數來划分的，划分箱線圖之后，scale_color_*()函數才會起作用，該函數用於為每個箱線圖設置前景色和填充色，顏色是自定義的：

scale_fill_manual() #for box plot, bar plot, violin plot, etc
scale_color_manual() #for lines and points

以下代碼設置箱線圖的前景色：

ggplot(ToothGrowth, aes(x=dose, y=len,color=dose)) + 
  geom_boxplot()+
  scale_color_manual(values=c("#999999", "#E69F00", "#56B4E9"))

4，設置Legend 的位置

 說明（Legend）是對箱線圖的解釋性描述，默認的位置是在畫布的右側中間位置，可以通過theme()函數修改Legend的位置，lengend.position的有效值是top、right、left、bottom和none，默認值是right：

p <- ggplot(ToothGrowth, aes(x=dose, y=len,color=dose)) + 
  geom_boxplot()+
  scale_color_manual(values=c("#999999", "#E69F00", "#56B4E9"))

p + theme(legend.position="top")
p + theme(legend.position="bottom")
p + theme(legend.position="none") # Remove legend

5，設置箱線圖的標題和坐標軸的名稱

通過labs設置箱線圖的標題和坐標的名稱，參數title用於設置標題，x和y用於設置x軸和y軸的標簽：

ggplot(ToothGrowth, aes(x=dose, y=len,color=dose)) + 
  geom_boxplot()+
  scale_color_manual(values=c("#999999", "#E69F00", "#56B4E9"))+
  theme(legend.position="right")+
  labs(title="Plot of length  per dose",x="Dose (mg)", y = "Length")

6，繪制箱線圖的散點

通過geom_point函數，向箱線圖中添加點，geom_jitter()函數是geom_point(position = "jitter")的包裝，binaxis="y"是指沿着y軸進行分箱：

# Box plot with dot plot
p + geom_dotplot(binaxis='y', stackdir='center', dotsize=1)
# Box plot with jittered points
# 0.2 : degree of jitter in x direction
p + geom_jitter(shape=16, position=position_jitter(0.2))

7，旋轉箱線圖

函數coord_flip()用於翻轉笛卡爾坐標系，使水平變為垂直，垂直變為水平，主要用於把顯示y條件x的geoms和統計信息轉換為x條件y。

p <- ggplot(ToothGrowth, aes(x=dose, y=len)) + 
  geom_boxplot() + 
  coord_flip()

二，異常值檢測

繪制散點圖，並標記異常值：

ggplot(ToothGrowth, aes(x=dose, y=len,color=dose)) + 
  geom_boxplot(outlier.colour="red", outlier.shape=7,outlier.size=4)+
  scale_color_manual(values=c("#999999", "#E69F00", "#56B4E9"))+
  theme(legend.position="right")+
  labs(title="Plot of length  per dose",x="Dose (mg)", y = "Length")+
  geom_dotplot(binaxis='y', stackdir='center', stackratio=1.5, dotsize=1.2)

當箱線圖中的異常值過多時，繪制的圖中，箱子被壓成一條線，無法觀察到數據的分布，這就需要移除異常值，只保留適量的離群點，常見的做法是改變ylim的范圍，代碼是：

# compute lower and upper whiskers
ylim1 = boxplot.stats(df$y)$stats[c(1, 5)]

# scale y limits based on ylim1
ggplot() + gemo_box() + coord_cartesian(ylim = ylim1*1.05)

三，箱圖的排序

對箱圖的排序，實際上，是對箱圖的x軸因子進行排序，而因子的順序是由因子水平決定的。在對箱圖進行排序時，可以按照數據的均值對x軸因子水平進行排序，重置數據框x軸的因子水平，就可以實現箱圖的排序：

x_order <- df %>%
  group_by(x_factor) %>%
  summarize(mean_y=mean(y_value))%>%
  ungroup()%>%
  arrange(desc(mean_y))%>%
  select(x_factor);

df$x_factor<-factor(df$x_factor,levels=as.character(x_order$x_factor),ordered = TRUE)

 

 

參考文檔：

ggplot2 box plot : Quick start guide - R software and data visualization

A box and whiskers plot (in the style of Tukey)

MBA lib 箱線圖