Statistiken: sum und quantile

Fortgeschrittene Datenvisualisierung mit ggplot2

Rick Scavetta

Founder, Scavetta Academy

Rückblick aus Kurs 1

	Ursache von Überlagerung	Lösungen
1.	Große Datensätze	Alpha-Blending, hohle Kreise, Punktgröße
2.	Gleiche Werte auf einer Achse	Wie oben, plus Position ändern
3.	Niedrige Präzision	Position: jitter
4.	Ganzzahldaten	Position: jitter

Zählungen plotten gegen Überlagerung

	Ursache von Überlagerung	Lösungen	Hier...
1.	Große Datensätze	Alpha-Blending, hohle Kreise, Punktgröße
2.	Gleiche Werte auf einer Achse	Wie oben, plus Position ändern
3.	Niedrige Präzision	Position: jitter	`geom_count()`
4.	Ganzzahldaten	Position: jitter	`geom_count()`

Niedrige Präzision (& Ganzzahlen)

p <- ggplot(iris, aes(Sepal.Length, 
                      Sepal.Width))

p + geom_point()

Jitter kann falsche Eindrücke erzeugen

p + geom_jitter(alpha = 0.5,
                width = 0.1,
                height = 0.1)

geom_count()

p + 
  geom_count()

Die Verbindung zwischen geom/stat

geom_	stat_
`geom_count()`	`stat_sum()`

stat_sum()

p + 
  stat_sum()

Überlagerung kann trotzdem ein Problem sein!

ggplot(iris, aes(Sepal.Length,
                 Sepal.Width, 
                 color = Species)) + 
  geom_count(alpha = 0.4)

geom_quantile()

ggplot(iris, aes(Sepal.Length,
                 Sepal.Width, 
                 color = Species)) + 
  geom_count(alpha = 0.4)

Umgang mit Heteroskedastizität

library(AER)
data(Journals)

p <- ggplot(Journals, 
            aes(log(price/citations), 
                log(subs))) +
  geom_point(alpha = 0.5) +
  labs(...)

p

geom_quantile verwenden

p +
  geom_quantile(quantiles = 
                c(0.05, 0.50, 0.95))

Die Verbindung zwischen geom/stat

geom_	stat_
`geom_count()`	`stat_sum()`
`geom_quantile()`	`stat_quantile()`

Bereit für Übungen!

Fortgeschrittene Datenvisualisierung mit ggplot2