R绘图第四篇：绘制箱图（ggplot2）

箱线图通过绘制观测数据的五数总括，即最小值、下四分位数、中位数、上四分位数以及最大值，描述了变量值的分布情况。箱线图能够显示出离群点（outlier），离群点也叫做异常值，通过箱线图能够很容易识别出数据中的异常值。

箱线图提供了识别异常值的一个标准：

异常值通常被定义为小于 Q_L- l.5 IQR 或者大于 Q_u+ 1.5 IQR的值，Q_L称为下四分位数， Q_u称为上四分位数，IQR称为四分位数间距，是Q_u上四分位数和Q_L下四分位数之差，其间包括了全部观察值的一半。

箱线图的各个组成部分的名称及其位置如下图所示：

箱线图可以直观地看出数据集的以下重要性值：

中心位置：中位数所在的位置就是数据集的中心；

散布程度：箱线图分为多个区间，区间较短时，表示落在该区间的点较集中；

对称性：如果中位数位于箱子的中间位置，那么数据分布较为对称；如果极值离中位数的距离较大，那么表示数据分布倾斜

一，绘制箱线图

绘制箱线图比较简单，通常情况下，我们使用ggplot和geom_boxplot绘制箱线图，在下面的小节中，我们使用ToothGrowth作为示例数据：

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，绘制基本的箱线图

使用geom_boxplot绘制基本的箱线图：

library(ggplot2)

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

2，设置离群点（outlier）

geom_boxplot函数中有outlier开头的多个参数，用于修改离群点的属性：

outlier.colour：离群点的颜色
outlier.fill：离群点的填充色
outlier.shape：离群点的形状
outlier.size：离群点的大小
outlier.alpha：离群点的透明度

示例代码如下：

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

3，设置箱线图的颜色

通过aes(color=)函数可以为每个箱线图设置一个颜色，而箱线图的划分是通过 aes(color=)函数的color参数来划分的，划分箱线图之后，scale_color_*()函数才会起作用，该函数用于为每个箱线图设置前景色和填充色，颜色是自定义的：

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

以下代码设置箱线图的前景色：

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

4，设置Legend 的位置

说明（Legend）是对箱线图的解释性描述，默认的位置是在画布的右侧中间位置，可以通过theme()函数修改Legend的位置，lengend.position的有效值是top、right、left、bottom和none，默认值是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，设置箱线图的标题和坐标轴的名称

通过labs设置箱线图的标题和坐标的名称，参数title用于设置标题，x和y用于设置x轴和y轴的标签：

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，绘制箱线图的散点

通过geom_point函数，向箱线图中添加点，geom_jitter()函数是geom_point(position = "jitter")的包装，binaxis="y"是指沿着y轴进行分箱：

# 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，旋转箱线图

函数coord_flip()用于翻转笛卡尔坐标系，使水平变为垂直，垂直变为水平，主要用于把显示y条件x的geoms和统计信息转换为x条件y。

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

二，异常值检测

绘制散点图，并标记异常值：

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)

当箱线图中的异常值过多时，绘制的图中，箱子被压成一条线，无法观察到数据的分布，这就需要移除异常值，只保留适量的离群点，常见的做法是改变ylim的范围，代码是：

# 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，箱图的排序

对箱图的排序，实际上，是对箱图的x轴因子进行排序，而因子的顺序是由因子水平决定的。在对箱图进行排序时，可以按照数据的均值对x轴因子水平进行排序，重置数据框x轴的因子水平，就可以实现箱图的排序：

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)

参考文档：

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

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

MBA lib 箱线图