Stats: sum och quantile

Datavisualisering med ggplot2 – fortsättningskurs

Rick Scavetta

Founder, Scavetta Academy

Repetition från kurs 1

	Orsak till överritning	Lösningar
1.	Stora datamängder	Alfa-blandning, ihåliga cirklar, punktstorlek
2.	Uppradade värden på en axel	Som ovan, plus ändra position
3.	Lågprecisionsdata	Position: jitter
4.	Heltalsdata	Position: jitter

Plotta antal för att hantera överritning

	Orsak till överritning	Lösningar	Här...
1.	Stora datamängder	Alfa-blandning, ihåliga cirklar, punktstorlek
2.	Uppradade värden på en axel	Som ovan, plus ändra position
3.	Lågprecisionsdata	Position: jitter	`geom_count()`
4.	Heltalsdata	Position: jitter	`geom_count()`

Lågprecisions- och heltalsdata

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

p + geom_point()

Jittering kan ge ett missvisande intryck

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

geom_count()

p + 
  geom_count()

Kopplingen mellan geom och stat

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

stat_sum()

p + 
  stat_sum()

Överritning kan fortfarande vara ett problem!

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)

Hantera heteroskedasticitet

library(AER)
data(Journals)

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

p

Använda geom_quantile

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

Kopplingen mellan geom och stat

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

Dags för övningar!

Datavisualisering med ggplot2 – fortsättningskurs