Ignorer les valeurs aberrantes dans ggplot2 boîte à moustaches

Comment pourrais-je ignorer les valeurs aberrantes dans ggplot2 boîte à moustaches? Je ne voulons pas simplement disparaître (c'est à dire des valeurs aberrantes.taille=0), mais je veux qu'ils soient ignorés, tels que l'axe des échelles de montrer 1er/3e percentile. Mes valeurs aberrantes sont à l'origine de la "boîte" pour réduire de manière de petites de sa pratique, une ligne. Y at-il des techniques pour traiter ce problème?

Modifier
Voici un exemple:

y = c(.01, .02, .03, .04, .05, .06, .07, .08, .09, .5, -.6)
qplot(1, y, geom="boxplot")

Quelques exemples de données et une reproductibilité exemple sera plus facile de vous aider.
mon fichier est de 200 meg! Il suffit de prendre un ensemble de données où il y a beaucoup de points de données entre le 1er et le 3ème quantile et quelques valeurs aberrantes (vous avez seulement besoin d'1). Si la valeur aberrante est loin de la 1ère/3ème alors forcément les cases sont va diminuer pour accueillir les valeurs aberrantes
Oui, c'est ce que j'avais à l'esprit. Un tel jeu de données et l'utilisation dput() pour l'afficher ici avec le ggplot() déclaration que vous utilisez. Aidez-nous à vous aider.
Si l'échantillon d'un sous-ensemble.
ok, j'ai posté un exemple
Ne pouvez-vous pas juste de modifier l'axe des y des limites à "zoom" dans le cadre de l'axe des y vous intéresse?
Simpson - est-ce la même chose que @Richie Coton de la solution ci-dessous?
permettez-moi de regarder.... Oh oui, désolé. Il suffit de ne fivenum() sur les données pour en extraire ce, IIRC, est utilisé pour le haut et le bas des charnières sur les boxplots et utiliser ce résultat dans le scale_y_continuous() appel que @Ritchie a montré. Ceci peut être automatisé très facilement à l'aide des outils de R et ggplot fournir. Si vous avez besoin d'inclure les moustaches ainsi, pensez à utiliser boxplot.stats() pour obtenir les limites supérieure et inférieure pour les moustaches et les utiliser ensuite dans scale_y_continuous().

InformationsquelleAutor SFun28 | 2011-04-15

ggplot2 r

124

Voici une solution à l'aide d'une boîte à moustaches.statistiques
```
# create a dummy data frame with outliers
df = data.frame(y = c(-100, rnorm(100), 100))

# create boxplot that includes outliers
p0 = ggplot(df, aes(y = y)) + geom_boxplot(aes(x = factor(1)))


# compute lower and upper whiskers
ylim1 = boxplot.stats(df$y)$stats[c(1, 5)]

# scale y limits based on ylim1
p1 = p0 + coord_cartesian(ylim = ylim1*1.05)
```
- +1 pour le calcul automatique, +1 pour l'utilisation de coord_cartesian pour effectuer un zoom plutôt que l'exclusion des données
- vous avez deux comptes? =) @Ramnath - c'est vraiment une solution élégante
- oups, une rhétorique de s'épanouir. Je voudrais donner deux voix si je les avais.
- Excellente solution! Pourrait être intéressant de remarquer que le 1.05 multiplicateur sert de zoom un peu moins, et s'attend à ce que vos limites sont une paire avec des signes différents.
- À l'aide de la méthode ci-dessus, les limites pourraient obtenir sollicité par un petit extrême, sur un côté, et de et big extrême à l'autre, par exemple ylim <- c(-0.1, 1000) * 1.05 donne [1] 0.105 1050. Pour obtenir l'égalité des limites autour de la moyenne, vous pourriez utiliser ylim + c(-0.05, 0.05) * diff(ylim) / 2. De plus joli à mon avis.
- ce qui ne l' $stats[c(1,5)] faire?
- Changeant d'échelle n'est pas la suppression des valeurs aberrantes de l'intrigue.
- La ne fonctionne pas si vous utilisez facet_grid(). Ensuite, vous avez multible boxplots au lieu d'un. Ainsi, vous n'avez pas le droit de limites.
- Notez que lors de la prise de boîte horizontale parcelles, vous devez utiliser coord_flip(ylim = ylim1*1.05) au lieu de coord_cartesian(ylim = ylim1*1.05)
- vous pourriez obtenir les limites pour chaque facette avec quelque chose comme ceci: tapply(df$y,list(df$somefactor),function (x) boxplot.stats(x)[['stats']][c(1,5)]) mais il semble qu'à l'heure actuelle il n'y a aucun moyen de définir ylimits individuellement pour les facettes.
InformationsquelleAutor Ramnath
169

Utilisation geom_boxplot(outlier.forme = NA) pour ne pas afficher les valeurs aberrantes et scale_y_continuous(limite = c(inférieure, supérieure)) pour modifier les limites de l'axe.

Un exemple.
```
n <- 1e4L
dfr <- data.frame(
  y = exp(rlnorm(n)),  #really right-skewed variable
  f = gl(2, n / 2)
)

p <- ggplot(dfr, aes(f, y)) + 
  geom_boxplot()
p   # big outlier causes quartiles to look too slim

p2 <- ggplot(dfr, aes(f, y)) + 
  geom_boxplot(outlier.shape = NA) +
  scale_y_continuous(limits = quantile(dfr$y, c(0.1, 0.9)))
p2  # no outliers plotted, range shifted
```
En fait, comme Ramnath a montré dans sa réponse (et Andrie trop dans les commentaires), il est plus logique de récolte de la balance après calcul de la statistique, via coord_cartesian.
```
coord_cartesian(ylim = quantile(dfr$y, c(0.1, 0.9)))
```
(Vous aurez probablement encore besoin d'utiliser scale_y_continuous pour fixer l'axe des pauses.)
- Je voudrais donc avoir à calculer inférieure/supérieure - peut-être par le calcul de la 1ère/3ème percentile? Sens il n'y a pas d'auto-magique façon de dire gg-plot2 d'ignorer les valeurs aberrantes et de l'échelle de façon intelligente?
- Soyez prudent avec scale_y_continuous(limite=...) Cela permettra de supprimer les données de l'automne à l'extérieur des limites, puis effectuer les calculs statistiques. En d'autres termes la moyenne et d'autres résumés seront touchés. Si c'est ce que vous voulez, puis une grande. L'alternative est d'utiliser coord_cartesian(limite=...) - ce "zoom" en sans supprimer les données ou affectant les résumés.
- merci! Je ne veux pas dire et d'autres résumés d'être affectés.
- coord_cartesian() ne joue pas bien avec coord_flip(), dans mon expérience, donc je préfère scale_y_continuous().
- C'est la meilleure solution. La raison pour laquelle je tiens à masquer les valeurs aberrantes est parce que je suis aussi tracé vacillant points avec geom_jitter. Dans ce cas, les valeurs aberrantes sont juste dans la façon et la faire ressembler il ya plus de points qu'il devrait être.
- Cela ne fonctionne pas à facettes / regroupés boxplots.
InformationsquelleAutor Richie Cotton

J'ai eu le même problème et précalculées les valeurs de T1, T2, médiane, ymin, ymax à l'aide de boxplot.stats:

# Load package and generate data
library(ggplot2)
data <- rnorm(100)

# Compute boxplot statistics
stats <- boxplot.stats(data)$stats
df <- data.frame(x="label1", ymin=stats[1], lower=stats[2], middle=stats[3], 
                 upper=stats[4], ymax=stats[5])

# Create plot
p <- ggplot(df, aes(x=x, lower=lower, upper=upper, middle=middle, ymin=ymin, 
                    ymax=ymax)) + 
    geom_boxplot(stat="identity")
p

Le résultat est une boîte à moustaches sans valeurs aberrantes.
Ignorer les valeurs aberrantes dans ggplot2 boîte à moustaches

Ceci est très utile si l'on veut forcer le traçage des minima et maxima...

InformationsquelleAutor Matthias Munz

8

Une idée serait de winsoriser les données dans une procédure de deux passes:
1. exécution d'un premier passage, apprendre ce que les limites sont, par exemple, de couper à percentile, ou N écart-type au-dessus de la moyenne, ou de ...
2. dans une seconde passe, définissez les valeurs au-delà de la donnée liée à la valeur de lié
Je tiens à souligner que c'est un à l'ancienne méthode qui devrait être dominé par les plus moderne des techniques mais vous avez encore trouver beaucoup.
- Quiconque juste downvoted en silence: laisser un commentaire pour expliquer le pourquoi.
- Ce n'était pas moi. Je voulais juste rajouter que le fait d'avoir des moustaches qui s'arrêtent à percentiles (généralement 10e et 90e) semble être très commun avec des données environnementales.
- J'ai été silencieuse +1, et j'avais un autre à offrir. Winsorizing est presque toujours fait en économie et finance. Si SFun a valeurs aberrantes qui ruine la visualisation de données, je me demande quel est leur effet sur l'analyse des données.
- a la re-lecture de ce post, vous avez mentionné que windsorizing est une ancienne technique....quelles seraient certaines techniques plus modernes?
- En général, les méthodes robustes comme un développement de la dernière 30 ans.
- Peut-être vaut metioning que de nombreux conveniance fonctions sont disponibles (DescTools::Winsorize, statar::winsorize, robustHD::winsorize - je suis tombé sur ceux qui, mais je pense qu'il n'y est plus).
InformationsquelleAutor Dirk Eddelbuettel
3

La "coef" l'option de la geom_boxplot fonction permet de changer la valeur aberrante de coupure en termes de interquartile des plages. Cette option est documentée pour la fonction stat_boxplot. Pour désactiver les valeurs aberrantes (en d'autres termes, ils sont traités comme des données), on peut au lieu d'utiliser la valeur par défaut de 1,5 spécifier une très haute valeur de coupure:
```
library(ggplot2)
# generate data with outliers:
df = data.frame(x=1, y = c(-10, rnorm(100), 10)) 
# generate plot with increased cutoff for outliers:
ggplot(df, aes(x, y)) + geom_boxplot(coef=1e30)
```
- Il vient s'étend des moustaches, il n'a pas de redimensionner le graphique que ce soit
InformationsquelleAutor eckart

Si vous voulez forcer les moustaches d'étendre les valeurs max et min, vous pouvez modifier les coef argument. La valeur par défaut pour coef est de 1,5 (c'est à dire par défaut de la longueur des moustaches à 1,5 fois la IQR).

# Load package and create a dummy data frame with outliers 
#(using example from Ramnath's answer above)
library(ggplot2)
df = data.frame(y = c(-100, rnorm(100), 100))

# create boxplot that includes outliers
p0 = ggplot(df, aes(y = y)) + geom_boxplot(aes(x = factor(1)))

# create boxplot where whiskers extend to max and min values
p1 = ggplot(df, aes(y = y)) + geom_boxplot(aes(x = factor(1)), coef = 500)

Ignorer les valeurs aberrantes dans ggplot2 boîte à moustaches

InformationsquelleAutor IggyM

Vous devez vous connecter pour publier un commentaire.