箱线图概述

箱线图（也称箱须图，box and whisker plot）用于通过汇总统计信息可视化多个数据分布。箱线图提供了给定数据变量的五个汇总统计量，包括：

• 最小值
• 最大值
• 中位数
• 第一四分位数和第三四分位数

简而言之，箱线图常用于展示数据的分布情况，有助于识别异常值并比较不同数据分布。

让我们来分析箱线图的结构：

• 箱体是箱线图的核心部分。
• 箱体的下边界代表第一四分位数（Q1），即数据的 25% 百分位数：百分位数是一个用来比较单个分数与群体中其他分数的数值。它表示某个分数超过多少比例的其他分数。例如，如果某人在一次考试中处于第90百分位，说明他的成绩优于参加考试的90%的人。
• 箱体的上边界代表第三四分位数（Q3），即数据的75%百分位数。
• 箱体内的一条线代表第二四分位数（Q2），也就是数据的中位数。四分位距（IQR）由从25%到75%百分位数的数据范围表示。
• 从箱体两端延伸出的线条称为“须线”。它们反映了最小值和最大值。最小值的计算公式为：Q1 – 1.5×IQR，最大值的计算公式为：Q3 + 1.5×IQR。
• 超出须线范围的所有点，即所有散点，代表异常值。

在 ggplot2 中构建基础箱线图

接下来，我们将使用 MASS 包中的 housing 数据集，该数据集来自哥本哈根住房状况调查的频数表。

要使用 ggplot2 的 geom_boxplot() 函数构建一个基础箱线图，首先导入 MASS 库，并打印内置 housing 数据集的前几行，代码如下：

1library(MASS)
2head(housing)

• 第1行：使用 R 中的 library 命令导入 MASS 库。
• 第2行：使用 R 中的 head 命令打印 housing 数据集的前几行。

利用此数据集，我们可以创建一个箱线图，展示每种类型 Type 的住户数量分布。

1ggplot(housing) +
2  geom_boxplot(aes(x = Type, y = Freq))

• 第1行：使用 ggplot() 函数初始化一个新的 ggplot 对象，并传入 housing 数据集名称。通过 + 操作符向 ggplot 对象添加图层。
• 第2行：使用 geom_boxplot() 函数创建箱线图。接着使用 aes() 函数将 Type 变量（租赁住房类型）映射到 x 轴，将 Freq 变量（住户数量）映射到 y 轴。

水平箱线图

我们也可以使用 coord_flip() 函数生成水平箱线图，代码如下：

1ggplot(housing) +
2  geom_boxplot(aes(x = Type, y = Freq)) +
3  coord_flip()

• 第3行：使用 coord_flip() 函数翻转坐标轴，从而生成水平方向的箱线图。

自定义箱体宽度和粗细

我们还可以通过设置 width 和线宽 lwd 参数来自定义箱线图的外观。

1ggplot(housing) +
2  geom_boxplot(aes(x = Type, y = Freq), 
3                width = 0.5, lwd = 1)

• 第3行：通过 width 和 lwd 参数分别将箱体宽度调整为 0.5，线宽调整为 1，以自定义箱线图的外观。

为箱线图添加颜色填充

与绘制条形图的方法类似，我们可以用自选颜色填充箱线图的箱体。

1ggplot(housing) +
2  geom_boxplot(aes(x = Type, y = Freq), 
3                fill = "#1DD3B0")

• 第3行：使用 fill 参数将箱线图填充为指定颜色。

分组箱线图

我们将使用数据集中的另一个变量来构建分组箱线图。

1ggplot(housing) +
2  geom_boxplot(aes(x = Type, y = Freq, 
3                color = Infl))

• 第3行：通过将 Infl 变量赋给 color 参数，对箱线图进行分组。这会为每个组分配不同的轮廓颜色。Infl 变量用于展示住户对房产管理影响程度的不同。

注意：color 和 fill 参数默认使用 ggplot2 的配色方案（如红色、蓝色、绿色），除非另行指定。

接下来，我们使用 scale_fill_manual() 函数为分组箱线图设置特定颜色。

1ggplot(housing) +
2  geom_boxplot(aes(x = Type, y = Freq, 
3                fill = Infl)) +
4  scale_fill_manual(values = c("#0b7a75", "#1DD3B0", "#5DA9E9", "#00487C"))

• 第3行：将 fill 参数设置为 Infl 变量，表示数据将按 Infl 变量分组。
• 第4行：使用 scale_fill_manual() 函数为箱线图指定具体的填充颜色。

箱线图中的异常值

默认情况下，箱线图中的异常值点颜色与对应箱体一致。我们可以通过设置不同的颜色和形状来突出显示异常值，代码如下：

1ggplot(housing) +
2  geom_boxplot(aes(x = Type, y = Freq, fill = Infl), 
3  outlier.color = "red", 
4  outlier.shape = 3) +
5  scale_fill_manual(values = c("#0b7a75", "#1DD3B0", "#5DA9E9", "#00487C"))

• 第3–4行：将 outlier.color 设置为 red，使所有异常值以红色显示；同时通过 outlier.shape 参数将异常值形状设为 +（对应 pch 值为 3）。该参数可接受 0 到 25 之间的数值。

我们还可以使用 outlier.size 参数增大异常值的大小，使其在箱线图中更清晰可见。

1ggplot(housing) +
2  geom_boxplot(aes(x = Type, y = Freq, fill = Infl), 
3    outlier.color = "red", 
4    outlier.shape = 3,
5    outlier.size = 4) +
6  scale_fill_manual(values = c("#0b7a75", "#1DD3B0", "#5DA9E9", "#00487C"))

• 第5行：通过 outlier.size 参数将异常值大小调整为 4。

为箱线图添加须线

默认情况下，ggplot2 的箱线图会绘制须线，但不会在须线末端添加横帽（误差线）。我们可以通过以下代码手动添加：

1ggplot(housing, aes(x = Type, y = Freq, fill = Infl)) +	
2  stat_boxplot(geom = "errorbar") +
3  geom_boxplot() +
4  scale_fill_manual(values = c("#0b7a75", "#1DD3B0", "#5DA9E9", "#00487C"))

• 第2行：使用 stat_boxplot() 函数，并将 geom 参数设为 errorbar，以添加须线。

调整箱线图的透明度和线型

我们可以使用 alpha 和 linetype 参数分别调整箱线图的透明度和线型。

1ggplot(housing) +
2  geom_boxplot(aes(x = Type, y = Freq, fill = Infl), 
3  linetype = 2,
4  alpha = 0.4) +
5  scale_fill_manual(values = c("#0b7a75", "#1DD3B0", "#5DA9E9", "#00487C"))

• 第3–4行：将 linetype 设置为 2，表示虚线样式；通过 alpha 参数将箱线图的透明度设为 0.4。

为箱线图添加抖动点

在箱线图上叠加原始数据点是一种良好实践，因为它不仅展示了汇总统计信息，还呈现了真实数据分布。

我们可以通过 ggplot2 的 geom_jitter() 函数添加数据点作为额外图层，代码如下：

1ggplot(housing, aes(x = Type, y = Freq, fill = Infl)) +
2  geom_boxplot() +
3  geom_jitter(width = 0.15) +
4  scale_fill_manual(values = c("#0b7a75", "#1DD3B0", "#5DA9E9", "#00487C"))

• 第3行：使用 geom_jitter() 函数为数据点添加 0.15 的随机抖动，以避免点重叠，使分布更清晰。