Tutorial de box plot em R

A função boxplot() mostra como a distribuição de uma variável numérica y varia entre os níveis únicos de uma segunda variável, x. Para ser eficaz, essa segunda variável não deve ter muitos níveis únicos (por exemplo, 10 ou menos é bom; bem mais que isso deixa o gráfico difícil de interpretar).

A função boxplot() também tem vários parâmetros opcionais, e este exercício pede que você use três deles para obter um gráfico mais informativo:

• varwidth permite box plots com larguras variáveis que mostram os diferentes tamanhos dos subconjuntos de dados.
• log permite transformar os valores de y em escala logarítmica.
• las ajuda a deixar os rótulos dos eixos mais legíveis.

Quando usar um box plot

• Quando você tem uma variável contínua, segmentada por uma variável categórica.

• Quando quer comparar as distribuições da variável contínua em cada categoria.

Histograma vs. box plot

• Abaixo está a comparação entre um histograma e um box plot. A linha no meio mostra a mediana da distribuição. Ou seja, metade dos monarcas começou a reinar antes dessa idade e metade depois.

• A caixa no box plot vai do primeiro quartil ao terceiro quartil. O primeiro quartil é o ponto abaixo do qual está um quarto dos valores. Ou seja, um quarto dos monarcas começou a reinar antes dessa idade e três quartos depois. Da mesma forma, o terceiro quartil é a idade abaixo da qual estão três quartos dos monarcas. A diferença entre o terceiro e o primeiro quartil é chamada de intervalo interquartil.

As linhas horizontais, conhecidas como "bigodes", têm uma definição um pouco mais complexa. Cada linha se estende até uma vez e meia o intervalo interquartil, mas é limitada a alcançar pontos de dados que existam.

A definição técnica está na figura abaixo, mas, na prática, você pode pensar nos bigodes como se estendessem o suficiente para que qualquer ponto fora deles seja um valor extremo.

Como já mencionado, a força do box plot é permitir comparar muitas distribuições de uma vez. Aqui, as casas reais estão ordenadas da mais antiga (no topo) para a mais recente (na base).

Uma tendência fica visível: desde os Plantagenetas, no século XIV, as caixas foram se deslocando para a direita, mostrando que as idades em que novos monarcas sobem ao trono vêm aumentando.

Godwin e Blois aparecem como uma linha única porque houve apenas um rei de cada casa. A casa de Anjou teve só três reis e forma uma caixa com um bigode, não dois.

Perceba que os box plots das casas da Dinamarca e de Windsor mostram alguns pontos. Esses são valores extremos, isto é, valores fora do alcance dos bigodes. O outlier mais à esquerda de Windsor é Elizabeth II, que ascendeu aos 26 anos.

boxplot() Function

No exemplo a seguir, usando a interface de fórmula, você vai criar um box plot mostrando a distribuição dos valores numéricos de crim ao longo dos diferentes valores distintos de rad do Boston data frame. Depois, use o parâmetro varwidth para obter box plots com larguras variáveis, especifique um eixo y em escala logarítmica e defina las igual a 1 para ter rótulos horizontais nos eixos x e y.

Por fim, use a função title() para adicionar o título "Crime rate vs. radial highway index".

# Crie um box plot de largura variável com eixo y log e rótulos horizontais
boxplot(crim ~ rad, data = Boston,
        varwidth = TRUE, log = "y", las = 1)

# Adicione um título
title("Crime rate vs. radial highway index")

Ao executar o código acima, temos o seguinte resultado:

Experimente você mesmo.

Para saber mais sobre box plots, confira este vídeo do nosso curso Understanding Data Visualization.

Este conteúdo foi extraído do curso Understanding Data Visualization da DataCamp por Richie Cotton e do nosso curso Data Visualization in R por Ronald Pearson.