Question

有人可以向我解释为什么我用普通的boxplot命令和ggplot2的outliers得到了不同数量的geom_boxplot吗？这里有一个例子：

x <- c(280.9, 135.9, 321.4, 333.7, 0.2, 71.3, 33.0, 102.6, 126.8, 194.8, 35.5, 
       107.3, 45.1, 107.2, 55.2, 28.1, 36.9, 24.3, 68.7, 163.5, 0.8, 31.8, 121.4, 
       84.7, 34.3, 25.2, 101.4, 203.2, 194.1, 27.9, 42.5, 47.0, 85.1, 90.4, 103.8, 
       45.1, 94.0, 36.0, 60.9, 97.1, 42.5, 96.4, 58.4, 174.0, 173.2, 164.1, 92.1, 
       41.9, 130.2, 94.7, 121.5, 261.4, 46.7, 16.3, 50.7, 112.9, 112.2, 242.5, 140.6, 
       112.6, 31.2, 36.7, 97.4, 140.5, 123.5, 42.9, 59.4, 94.5, 37.4, 232.2, 114.6, 
       60.7, 27.8, 115.5, 111.9, 60.1)
data <- data.frame(x)
boxplot(data$x)
ggplot(data, aes(y=x)) + geom_boxplot()

使用boxplot命令，用4 outliers得到下面的图。

然后用ggplot2用5 outliers得到下面的图。

Answer 1

ggplot和boxplot使用略有不同的方法来计算统计信息。从?geom_boxplot我们可以看到

上下铰链分别对应第一和第三四分位数（第25和第75个百分位）。这与方法略有不同由boxplot（）函数使用，在较小的情况下可能很明显样品。有关如何铰链的更多信息，请参见boxplot.stats（）。计算boxplot（）的位置。

如果您想要相同的结果，则可以让ggplot使用boxplot.stats

# Function to use boxplot.stats to set the box-and-whisker locations  
f.bxp = function(x) {
  bxp = boxplot.stats(x)[["stats"]]
  names(bxp) = c("ymin","lower", "middle","upper","ymax")
  bxp
}  

# Function to use boxplot.stats for the outliers
f.out = function(x) {
  data.frame(y=boxplot.stats(x)[["out"]])
}

要在ggplot中使用这些功能：

ggplot(data, aes(0, y=x)) + 
  stat_summary(fun.data=f.bxp, geom="boxplot") + 
  stat_summary(fun.data=f.out, geom="point")

如果您想复制ggplot本机使用的统计信息，这些内容将在?geom_boxplot中进行如下解释：

ymin =下晶须=大于或等于的最小观察值   下铰链-1.5 * IQR

下部 =下部铰链，25％的分位数

下限 =缺口的下边缘=中位数-1.58 * IQR / sqrt（n）

中间 =中位数，分位数50％

缺口 =缺口的上边缘=中位数+ 1.58 * IQR / sqrt（n）

上部 =上铰链，75％的分位数

ymax =晶须上限=小于或等于上限的最大观测值   铰链+ 1.5 * IQR

我们可以据此进行计算：

y = sort(x)
iqr = quantile(y,0.75) - quantile(y,0.25)
ymin = y[which(y >= quantile(y,0.25) - 1.5*iqr)][1]
ymax = tail(y[which(y <= quantile(y,0.75) + 1.5*iqr)],1)
lower = quantile(y,0.25)
upper = quantile(y,0.75)
middle = quantile(y,0.5)

ggplot(data, aes(y=x)) + 
  geom_boxplot() +
  geom_hline(aes(yintercept=c(ymin)), color='red', linetype='dashed') +
  geom_hline(aes(yintercept=c(ymax)), color='red', linetype='dashed') +
  geom_hline(aes(yintercept=c(lower)), color='red', linetype='dashed') +
  geom_hline(aes(yintercept=c(upper)), color='red', linetype='dashed') +
  geom_hline(aes(yintercept=c(middle)), color='red', linetype='dashed')

我们还可以使用ggplot_build

直接从ggplot对象中提取这些统计信息

p <- ggplot(data, aes(y=x)) + geom_boxplot() 
ggplot_build(p)$data[1:5]

#   ymin lower middle upper  ymax 
# 1  0.2  42.5  93.05   122 232.2

与ggplot2不同数量的离群值

1 个答案: