Tutorial sui Box Plot in R

La funzione boxplot() mostra come la distribuzione di una variabile numerica y differisce tra i livelli unici di una seconda variabile, x. Per essere efficace, questa seconda variabile non dovrebbe avere troppi livelli unici (ad esempio, 10 o meno vanno bene; molti di più rendono il grafico difficile da interpretare).

La funzione boxplot() ha anche diversi parametri opzionali, e in questo esercizio ti viene chiesto di usarne tre per ottenere un grafico più informativo:

• varwidth consente Box Plot a larghezza variabile che mostrano le diverse dimensioni dei sottoinsiemi di dati.
• log consente y su scala logaritmica.
• las consente etichette degli assi più leggibili.

Quando usare un Box Plot

• Quando hai una variabile continua, suddivisa da una variabile categorica.

• Quando vuoi confrontare le distribuzioni della variabile continua per ciascuna categoria.

Istogramma vs. Box Plot

• Di seguito il confronto tra un istogramma e un Box Plot. La linea al centro mostra la mediana della distribuzione. Vale a dire, metà dei sovrani hanno iniziato a regnare prima di questa età e metà dopo.

• La scatola nel Box Plot si estende dal primo quartile al terzo quartile. Il primo quartile è il punto al di sotto del quale si trova un quarto dei valori. Cioè, un quarto dei sovrani ha iniziato a regnare prima di questa età e tre quarti dopo. Allo stesso modo, il terzo quartile è l'età al di sotto della quale ha iniziato a regnare il 75% dei sovrani. La differenza tra terzo e primo quartile si chiama intervallo interquartile.

Le linee orizzontali, note come "baffi", hanno una definizione più articolata. Ogni segmento si estende fino a una volta e mezzo l'intervallo interquartile, ma è poi limitato a raggiungere punti dati effettivi.

La definizione tecnica è mostrata nell'immagine qui sotto, ma nella pratica puoi pensare ai baffi come sufficientemente lunghi da far sì che qualsiasi punto al di fuori di essi sia un valore estremo.

Come detto, la forza dei Box Plot sta nel poter confrontare molte distribuzioni in una volta sola. Qui, le case reali sono ordinate dalla più antica in alto alla più recente in basso.

È visibile una tendenza: dai Plantageneti nel XIV secolo in poi, le scatole si spostano gradualmente a destra, mostrando che le età a cui i nuovi monarchi salgono al trono sono aumentate.

Godwin e Blois appaiono come una singola linea perché ci fu un solo re per ciascuna casata. La casa d'Angiò ebbe solo tre re e forma una scatola con un solo baffo, non due.

Nota che i Box Plot delle case di Danimarca e Windsor mostrano alcuni punti. Si tratta di valori estremi, cioè valori al di fuori dell'intervallo dei baffi. L'outlier più a sinistra di Windsor è Elisabetta II, che salì al trono a 26 anni.

boxplot() Function

Nel seguente esempio, usando l'interfaccia a formula, creerai un Box Plot che mostra la distribuzione dei valori numerici crim rispetto ai diversi valori distinti di rad dal Boston data frame. Poi userai il parametro varwidth per ottenere Box Plot a larghezza variabile, specificherai un asse y logaritmico e imposterai il parametro las uguale a 1 per ottenere etichette orizzontali sia per l'asse x che per l'asse y.

Infine, usa la funzione title() per aggiungere il titolo "Crime rate vs. radial highway index".

# Create a variable-width Box Plot with log y-axis & horizontal labels
boxplot(crim ~ rad, data = Boston,
        varwidth = TRUE, log = "y", las = 1)

# Add a title
title("Crime rate vs. radial highway index")

Eseguendo il codice qui sopra si ottiene il seguente risultato:

Provalo tu stesso.

Per saperne di più sui Box Plot, guarda questo video dal nostro corso Understanding Data Visualization.

Questo contenuto è tratto dal corso Understanding Data Visualization di Richie Cotton e dal nostro corso Data Visualization in R di Ronald Pearson.