精华内容
下载资源
问答
  • R语言包ggplot2绘制多组箱线图

    千次阅读 热门讨论 2021-06-28 23:00:56
    根据默认的绘图只能进行一数据的绘制,而我想要的结果是不同数据同时展示 就是这张图这种,然后在网上查了一下这个问题,虽然R语言相关的可视化问题挺,但是没有发现这个问题怎么解决。 不过也有一些帖子...

    本文记录于2021年6月28日,2021年8月20日更新

    最近在做cibersort浸润分析,在对结果做可视化的时候遇到一点问题(问题解答蓝字部分)

    需要的代码和数据参考这个资源:https://download.csdn.net/download/weixin_52730798/21402082?spm=1001.2014.3001.5501

     根据默认的绘图只能进行一组数据的绘制,而我想要的结果是不同组数据同时展示

    就是这张图这种,然后在网上查了一下这个问题,虽然R语言相关的可视化问题挺多,但是没有发现这个问题怎么解决。

    不过也有一些帖子给了启发,就是导入一个额外的样本表型信息,然后再在代码的fill属性中设置选择样本信息,这对和我一样的小白们讲是比较麻烦的一种解决方法。

    后来结合这个思路,我找到了一个解决办法:

    这个是原始数据

     这个是自己手动添加了分组信息之后的数据

    最简单的解决方法就是在数据中对样本直接添加分组信息,根据自己做分析时的分组,直接添加在cibersort的结果中。

    代码也只需要非常简单的修改

    plot.info_all <- plot.info %>%
      as.data.frame() %>%
      rownames_to_column("sample") %>%
      pivot_longer(cols = 3:8,
                   names_to = "CellType",
                   values_to = "Composition")
    
    plot.info_all <- plot.info_all[,c(19,2,20)] 
    ggboxplot(
      plot.info_all,
      x = "CellType",
      y = "Composition",
      color = "black",
      fill = "group",#只需要修改这里,讲fill = "CellType"改为fill = "group"
      xlab = "",
      ylab = "Cell composition",
      main = "TME Cell composition"
    ) +
      theme_base() +
      theme(axis.text.x = element_text(
        angle = 90,
        hjust = 1,
        vjust = 1
      ))

    Q&A

    1,针对代码“plot.info_all[,c(19,2,20)]”中的“19,2,20”进行一个解释

    上面这张图是免疫浸润的结果,这个结果是每个样本的每种免疫细胞的评分,对于每个样本,这些评分的和是1,我们进行免疫浸润的目的就是得到这个占比,以此来进行针对单样本层面的免疫分析。

    绘图则是对结果进行可视化的展示,在刚才那行代码中,就是对需要展示的结果进行选择,同时需要结合前面一部分代码:

    plot.info_all <- plot.info %>%
      as.data.frame() %>%
      rownames_to_column("sample") %>%
      pivot_longer(cols = 3:10,
                   names_to = "CellType",
                   values_to = "Composition")

    注意这部分代码里的“cols = 3:10”,意思是选择刚才那个免疫浸润结果里的第3到10列进行读取

    从结果中可以看出,进行列选择之前是24列,选择之后是19列,19,2,20”中19指的是CellType,就是盒图结果的X轴名称,2指的是分组依据,也就是前面提到的手动添加的分组信息,20指的是Compostion列,也就是将选择的细胞进行计算之后得到的分值

    这里多说一句,plot.info_all的数据是以列的方式进行保存的,在绘图时进行读取并绘图的依据便是前面选择的三个对象

    如果绘图时想要根据自己的需求进行选择对象,就可以通过这两处修改进行选择了

    2,对两组或任意组直接的差异关系进行对比,并显示

     代码如下:

    library("ggsignif")
    library(gridExtra)
    library(tibble)#rownames_to_column
    library(ggplot2)
    library(grid)
    library(reshape2)
    library(ggpubr)
    library(dplyr)
    library(tidyr)
    library(pheatmap)
    pkgs <- c("matrixStats", "pheatmap", "RColorBrewer", "tidyverse", "cowplot","ggpubr","bslib","ggthemes")
    lapply(pkgs, library, character.only = T)#Error in theme_base() : 没有"theme_base"这个函数
    
    plot.info <- read.table('ImmuCellAI_icb_result.txt',
                            sep = '\t',
                            header = T,
                            row.names = 1)
    plot.info <- plot.info[,-2]###去除respond列
    #plot.info <- plot.info[,-17]###去除数据太低的Effect-memory,如果对数据有改动请注意修改
    plot.info <- plot.info[,-25]###去除gamma
    plot.info <- plot.info[,-25]###去除score
    ###################################################
    plot.info_1 <- plot.info %>%
      as.data.frame() %>%
      rownames_to_column("sample") %>%
      pivot_longer(cols = 3,
                   names_to = "CellType",
                   values_to = "Composition")
    ###分组进行绘图
    plot.info_1 <- plot.info_1[,c(25,2,26)] 
    plot1 <- ggboxplot(
      plot.info_1,
      x = "CellType",
      y = "Composition",
      color = "black",
      fill = "group", #只需要修改这里,讲fill = "CellType"改为fill = "group"
      xlab = "",
      ylab = "",
      #main = "TC",
      col="white",
      borde="white"
    )
    ###分组并计算差异进行绘图
    geom_signif()
    compare_means(Composition ~ group, #将Composition与group进行联系
                  data = plot.info_1,
                  method="wilcox.test", 
                  paired=FALSE)#计算Wilcoxon
    
    my_comparisons <- list(c("group1","group2"), c("group1","group3"),c("group1", "group4"))#这里设置对照组
    ggplot(plot.info_1,aes(group,
                           Composition,
                           fill=group#CellType#设置
                           ))+
      geom_boxplot(width=0.5)+
      theme(plot.title=element_text(size = 10),
            axis.text.x=element_text(size=15,angle=0),
            axis.text.y=element_text(size=15),
            axis.title.x=element_text(size = 20),
            axis.title.y=element_text(size = 25))+
      labs(x="Cytotoxic.TC", #设置CellType#横坐标显示内容,可以为空
           y= "" #纵坐标显示内容,可以为空
           )+
      geom_signif(comparisons = my_comparisons,step_increase = 0.1,#两组直接对比框的高度
                  map_signif_level = F,#这里可以设置两组之间差异显示为数值或者***,F为数值,T为***
                  test = t.test,size=1,#线条粗细
                  textsize = 5#P值字号大小
                  )

    此处代码仅供参考

    我把代码与数据文件上传了CSDN资源

    https://download.csdn.net/download/weixin_52730798/20336446?spm=1001.2014.3001.5503

    有兴趣的可以支持一下

    展开全文
  • 正文 library(ggplot2) n (var1=sample... 效果图如下, 如果箱线图没有分组,则将命令改为 stat_summary(fun.y=mean, geom=“point”,position=position_dodge(.9), pch=4,color=“black”, size=4) 参考文献 【1】...

    正文

    library(ggplot2)
    
    n <- 1000
    df <- data.frame(var1=sample(LETTERS[1:3],n, T),
                      var2=sample(LETTERS[1:2],n,T),
                      var3=sample(LETTERS[1:3],n,T),
                      y=rnorm(n))
    
    p1 <- ggplot(df, aes(x=var1, y=y)) +
      geom_boxplot(aes(fill=var2), position=position_dodge(.9)) +
      facet_wrap(~var3) +
      stat_summary(fun.y=mean, geom="point", aes(group=var2), position=position_dodge(.9), pch=4,color="black", size=4)
    

    1.stat_summary函数可参照stat_summary_bin {ggplot2}
    2.position=position_dodge(.9))适当调整该参数,保证符合每组箱型图的间距。
    效果图如下,
    在这里插入图片描述
    如果箱线图没有分组,则将命令改为
    stat_summary(fun.y=mean, geom=“point”,pch=4,color=“black”, size=4)

    参考文献

    【1】https://stackoverflow.com/questions/36099799/displaying-separate-means-within-fill-groups-in-ggplot-boxplot

    展开全文
  • 展开全部箱线图(Boxplot)也称箱须图e69da5e6ba9062616964757a686964616f31333337613165(Box-whisker Plot),是利用数据中的五个统计量:最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据的一种方法,...

    展开全部

    箱线图(Boxplot)也称箱须图e69da5e6ba9062616964757a686964616f31333337613165(Box-whisker Plot),是利用数据中的五个统计量:最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据的一种方法,它也可以粗略地看出数据是否具有有对称性,分布的分散程度等信息,特别可以用于对几个样本的比较。

    箱线图的绘制步骤:

    (1)画数轴

    (2)画矩形盒 两端边的位置分别对应数据的上下四分位数矩形盒:端边的位置分别对应数据的上下四分位数(Q1和Q3)。在矩形盒内部中位数位置画一条线段为中位线。

    (3)在Q3+1.5IQR(四分位距)和Q1-1.5IQR处画两条与中位线一样的线段,这两条线段为异常值截断点,称其为内限;在 Q3+3IQR和Q1-3IQR处画两条线段,称其为外限。处于内限以外位置的点表示的数据都是异常值,其中在内限与外限之间的异常值为温和的异常值 (mild outliers),在外限以外的为极端的异常值(li)的异常值extreme outliers。

    (4)从矩形盒两端边向外各画一条线段直到不是异常值的最远点 表示该批数据正常值的分布区间点,示该批数据正常值的分布区间。

    (5)用“〇”标出温和的异常值,用“*”标出极端的异常值。

    (统计软件绘制的箱线图一般没有标出内限和外限。)

    展开全文
  • 箱线图(Boxplot)也称箱须图(Box-whisker Plot),是利用数据中的五个统计量:最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据的一种方法,它也可以粗略地看出数据是否具有有对称性,分布的分散...

    由于matlab具有强大的计算功能,用其统计数据功能优点显而易见,这里分享使用matlab中的boxplot的一些技巧,供大家参考。

    命令

    格式如下

    :产生矩阵X的每一列的盒图和“须”图,“须”是从盒的尾部延伸出来,并表示盒外数据长度的线,如果“须”的外面没有数据,则在“须”的底部有一个点。 www.iLoveMatlab.cn

    boxplot(X,notch):当notch=1时,产生一凹盒图,notch=0时产生一矩箱图。

    boxplot(X,notch,‘sym‘):sym表示图形符号,默认值为“+”。

    boxplot(X,notch,‘sym‘,vert) %当vert=0时,生成水平盒图,vert=1时,生成竖直盒图(默认值vert=1)。 Matlab中文论坛

    boxplot(X,notch,‘sym‘,vert,whis) %whis定义“须”图的长度,默认值为1.5,若whis=0则boxplot函数通过绘制sym符号图来显示盒外的所有数据值。

    箱线图(Boxplot)也称箱须图(Box-whisker Plot),是利用数据中的五个统计量:最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据的一种方法,它也可以粗略地看出数据是否具有有对称性,分布的分散程度等信息,特别可以用于对几个样本的比较。

    画图步骤:

    1、画数轴,度量单位大小和数据批的单位一致,起点比最小值稍小,长度比该数据批的全距稍长。

    2、画一个矩形盒,两端边的位置分别对应数据批的上下四分位数(Q1和Q3)。在矩形盒内部中位数(Xm)位置画一条线段为中位线。

    3、在Q3+1.5IQR(四分位距)和Q1-1.5IQR处画两条与中位线一样的线段,这两条线段为异常值截断点,称其为内限;在F+3IQR和F-3IQR处画两条线段,称其为外限。处于内限以外位置的点表示的数据都是异常值,其中在内限与外限之间的异常值为温和的异常值(mild outliers),在外限以外的为极端的异常值(extreme outliers)。

    4、从矩形盒两端边向外各画一条线段直到不是异常值的最远点,表示该批数据正常值的分布区间。

    5、用“〇”标出温和的异常值,用“*”标出极端的异常值。相同值的数据点并列标出在同一数据

    线位置上,不同值的数据点标在不同数据线位置上。至此一批数据的箱线图便绘出了。统计软件绘制的箱线图一般没有标出内限和外限。:

    例子1:

    clear

    x1=[1,2,2,3,5,3];

    x2=[2,5,4,5,8,6];

    g1={x1,x2};

    %group2

    x3=[2,8,9,2,1,6];

    x4=[5,4,3,22,11,6];

    g2={x3,x4};

    %group3

    x5=[10,12,22,4];

    x6=[12,15,4,25];

    g3={x5,x6};

    G=cat(1,g1,g2,g3);

    class={1,2,3}

    positions = [1 1.25 2 2.25 3 3.25];

    boxplot(G,class, ‘positions‘, positions);

    set(gca,‘xtick‘,[mean(positions(1:2)) mean(positions(3:4)) mean(positions(5:6)) ])

    set(gca,‘xticklabel‘,{‘Group1‘,‘Group2‘,‘Group3‘})

    color = [‘c‘, ‘y‘, ‘c‘, ‘y‘];

    h = findobj(gca,‘Tag‘,‘Box‘);

    for j=1:length(h)

    patch(get(h(j),‘XData‘),get(h(j),‘YData‘),color(j),‘FaceAlpha‘,.5);

    end

    c = get(gca, ‘Children‘);

    hleg1 = legend(c(1:2), ‘Feature1‘, ‘Feature2‘ );

    例2:

    60b789df2e1e68fa1996502f3cc8af82.png

    数据:BoxPlotData.mat,包含X4058_300和X4058_400两个变量数据

    X4058_300=[

    0.6010 0.6847 0.6798 0.6700 0.6059 0.6749 0.6453 0.6502 0.6847 0.6700 0.5813 0.6404 0.6749 0.6749 0.6650 0.6502 0.6749 0.6305 0.6355 0.7143;

    0.6207 0.6650 0.6847 0.6749 0.5961 0.6601 0.6404 0.6700 0.6946 0.6897 0.6059 0.6749 0.6650 0.6749 0.6453 0.6502 0.6700 0.6256 0.6256 0.6995 ;

    0.6601 0.6700 0.7340 0.7044 0.6355 0.7241 0.6798 0.6897 0.7094 0.6946 0.6256 0.6798 0.7044 0.7389 0.6700 0.6749 0.7143 0.6650 0.6059 0.6502;

    0.7291 0.6108 0.7192 0.7537 0.5862 0.6355 0.6010 0.7143 0.6946 0.6897 0.6453 0.7685 0.7635 0.6404 0.7094 0.7143 0.6108 0.6552 0.7389 0.6897;

    0.7044 0.7044 0.7044 0.6847 0.7143 0.6700 0.6650 0.7438 0.7143 0.7143 0.6601 0.6502 0.6995 0.7586 0.7488 0.6897 0.6700 0.6946 0.6897 0.6897;

    0.6355 0.6847 0.7291 0.7143 0.6700 0.7438 0.6700 0.6650 0.7192 0.7044 0.6355 0.6847 0.6749 0.7094 0.6798 0.6453 0.7241 0.6946 0.6108 0.6700 ]

    X4058_400 =[

    0.5922 0.6408 0.6408 0.5825 0.6505 0.6796 0.6214 0.6796 0.6311 0.6505 0.5825 0.6699 0.6602 0.6602 0.7282 0.6602 0.6699 0.7087 0.6505 0.6505 ;

    0.6117 0.6311 0.6602 0.6117 0.6505 0.6796 0.6214 0.6990 0.6990 0.6311 0.5922 0.6796 0.6699 0.6408 0.7184 0.6505 0.6602 0.7087 0.6214 0.6796;

    0.6311 0.7184 0.7573 0.6893 0.6311 0.6990 0.6408 0.7087 0.7379 0.6990 0.6699 0.7184 0.6699 0.6699 0.7184 0.6893 0.6699 0.6990 0.6214 0.6990;

    0.6602 0.6311 0.7379 0.6408 0.5922 0.7282 0.5728 0.7087 0.7379 0.7379 0.5728 0.7767 0.7476 0.6214 0.7476 0.6214 0.7379 0.6893 0.6019 0.6699 ;

    0.6214 0.7476 0.6311 0.6699 0.6699 0.6311 0.6214 0.6699 0.6796 0.6505 0.5922 0.6796 0.7184 0.6893 0.8058 0.6699 0.6602 0.7184 0.6796 0.6796 ;

    0.6117 0.6893 0.7282 0.6602 0.7573 0.7379 0.6408 0.7184 0.7087 0.7087 0.6990 0.6796 0.6214 0.6311 0.7573 0.6602 0.7379 0.6796 0.6796 0.7282 ;]

    Matlab程序:

    clear

    load BoxPlotData

    x01=X4058_300;

    x02=X4058_400;

    x1 = [x01(1,:);x02(1,:)]‘;

    x2 = [x01(2,:);x02(2,:)]‘;

    x3 = [x01(3,:);x02(3,:)]‘;

    x4 = [x01(4,:);x02(4,:)]‘;

    x5 = [x01(5,:);x02(5,:)]‘;

    x6 = [x01(6,:);x02(6,:)]‘;

    f=figure(1)

    x = [x1;x2;x3;x4;x5;x6]; x = x(:);

    g1 = [ones(size(x1)); 2*ones(size(x2)); 3*ones(size(x3));4*ones(size(x4));...

    5*ones(size(x5));6*ones(size(x6));]; g1 = g1(:);

    g2 = repmat(1:2,120,1); g2 = g2(:);

    positions = [[1:6],[7:12]];

    bh=boxplot(x, {g2,g1},‘notch‘,‘on‘,‘whisker‘,1,‘colorgroup‘,g1, ‘factorgap‘,[8 1],‘symbol‘,‘.‘,‘outliersize‘,4,‘widths‘,0.6,‘positions‘,positions)

    xlabel(‘Training data size‘);

    ylabel(‘Mean zero-one error‘)

    grid on

    set(gca,‘YLim‘,[0.45,0.85],‘gridLineStyle‘, ‘-.‘);

    set(bh,‘linewidth‘,1.2);

    color = [‘c‘, ‘y‘, ‘g‘, ‘b‘,‘o‘, ‘b‘,‘c‘, ‘y‘, ‘g‘, ‘b‘,‘o‘, ‘b‘];

    h = findobj(gca,‘Tag‘,‘Box‘);

    mk=findobj(gca,‘tag‘,‘Outliers‘); % Get handles for outlier lines.

    set(mk,‘Marker‘,‘o‘); % Change symbols for all the groups.

    for j=1:length(h)/2

    patch(get(h(j),‘XData‘),get(h(j),‘YData‘),color(4),‘FaceAlpha‘,0.01*j);

    end

    for j=(length(h)/2+1):length(h)

    patch(get(h(j),‘XData‘),get(h(j),‘YData‘),color(4),‘FaceAlpha‘,0.01*(j-length(h)/2));

    end

    set(gca,‘xtick‘,[7.5])

    % set(gca,‘xtick‘,[]);

    set(gca,‘XTickLabel‘,{‘ ‘})

    % Create textbox

    annotation(f,‘textbox‘,...

    [0.3 0.075 0.035 0.075],...

    ‘String‘,{‘300‘},...

    ‘FitBoxToText‘,‘off‘,...

    ‘EdgeColor‘,‘none‘);

    % Create textbox

    annotation(f,‘textbox‘,...

    [0.7 0.075 0.035 0.075],...

    ‘String‘,‘400‘,...

    ‘FitBoxToText‘,‘off‘,...

    ‘EdgeColor‘,‘none‘);

    展开全文
  • 箱线图的N种画法

    千次阅读 2020-12-22 10:07:28
    图中标示了箱线图中每条线和点表示的含义,其中应用到了分位数的概念 线的主要包含五个数据节点,将一数据从大到小排列,分别计算出他的上边缘(Maximum),上四分位数(Q3),中位数(Median),下四分位数(Q1),下边缘...
  • 实例2:为个分组数据创建箱线图 实例3:随机生成数据并创建带缺口的箱线图 实例4:随机生成数据并创建指定虚线长度的带缺口的箱线图 实例5:随机生成数据并创建默认和紧凑型箱线图 实例6:随机生成数据并创建可变...
  • matlab 画箱线图

    2021-05-24 20:34:59
    data = [temp6 ;temp6 ]; s_groupA = repmat({'item 1'},numel(temp6),1); s_groupB = repmat({'item 2'},numel(temp6),1); group = [s_groupA;s_groupB]; boxplot(data,group);
  • I am trying to generate a box plot in Python 2.7 for each categorical value in column E from the Pandas dataframe belowA B C D E0 0.647366 0.317832 0.875353 0.993592 11 ...
  • 单个:plt(基础2,盒形图2,属性3)个:plt(基础2, label,盒形图2,属性3)箱线图一般用来展现数据的分布(如上下四分位值、中位数等),也可以用来反映数据异常情况读入数据与处理titanic = pd.read_csv('C:/...
  • SPSS统计作图教程:成组箱线图

    千次阅读 2020-12-31 02:49:41
    图1 部分数据 2、对问题的分析 研究者想绘图展示不同受教育程度、性别人群中幸福指数的分布,可以使用成组箱线图。 成组箱线图利于研究者进行统计学分析(例如,两因素方差分析,两因素重复测量方差分析,两因素混合...
  • R箱线图并标注离群点

    千次阅读 2018-04-04 09:29:15
    在学探索性数据分析的时候,老师让我们做箱线图,并且找出其离群点并标注出来,我是R语言的小菜鸟,鼓捣了一天写出来了一个小程序,希望需要这个的人有所帮助。Sweden=c(7.87,4.22,2.49,0.94,0.89,0.87,0.81,...
  • 个人向ggplot2箱线图总结

    千次阅读 2020-12-19 23:07:56
    1、看图箱线图概述图1箱线图概述图2如图所示,箱线图是将一数据按照大小顺序排列后进行绘制的,包含6个数据节点,分别表示出数据的上边缘、上四分位数点Q3(数据从小到大排列后处在75%位置上的数据)、中位数、下...
  • seaborn画分组箱线图

    2021-09-24 10:02:43
    seaborn 画分组箱线图一、先上图二、程序 一、先上图 二、程序 import pandas as pd import seaborn as sns import matplotlib.pyplot as plt if __name__ == '__main__': a_pd = pd.DataFrame({'A': [1, 2, 3...
  • plot : 逻辑值,是否绘制箱线图,如设置为FALSE,则不绘制箱线图,而给出绘制箱线图的相关信息,如5个点的信息等。 border:箱线图的边框颜色。 col:箱线图的填充色。 horizontal:逻辑值,指定箱线图是否水平...
  • 通过箱线图,我们可以很容易地比较几数据的形状,识别数据中的异常值,锁定那些需要我们关注的异常值信息,发现解决问题的机会。箱线图的用途十分广泛。比如半导体工艺生产过程中的过程能力分析 ,通过箱线图将...
  • 通过箱线图,我们可以很容易地比较几数据的形状,识别数据中的异常值,锁定那些需要我们关注的异常值信息,发现解决问题的机会。箱线图的用途十分广泛。比如半导体工艺生产过程中的过程能力分析 ,通过箱线图将...
  • Python 绘制箱线图主要用 matplotlib 库里 pyplot 模块里的 boxplot() 函数。 plt.boxplot() 参数详解 plt.pie(x, # 指定要绘制箱线图的数据; notch=None, # 是否是凹口的形式展现箱线图,默认非凹口; sym=None...
  • 用R绘制分类箱线图

    2021-03-27 02:00:58
    用R做分类箱线图根据Batch分类做箱线图进行对比 根据Batch分类做箱线图进行对比 原数据 方法一: boxplot(Yield~Batch,data=dye.data,main="Yield by Batch") 结果: 方法二: boxplot(split(dye.data$...
  • 箱线图Python

    2020-11-29 03:18:13
    1)箱线图,又称箱形图(boxplot)或盒式图,不同于一般的折线图、柱状图或饼图等传统图表,只是数据大小、占比、趋势等等的呈现,其包含一些统计学的均值、分位数、极值等等统计量,因此,该图信息量较大,不仅能够...
  • Matlab如何画箱线图群组

    万次阅读 2018-05-26 20:59:43
    转自:http://blog.sina.com.cn/s/blog_46acd6f50101a6wj.html使用Matlab如何画出上面的箱线图群组?示例:data = rand(20,24)month = repmat({'jan' 'feb' 'mar' 'apr' 'may' 'jun' 'jul' 'aug' 'sep' 'oct' 'nov' ...
  • 不完全确定你在寻找什么 . 这很接近吗?library(ggplot2)library(plyr)ggplot(dfmelt, aes(x=factor(round_any(x,0.5)), y=value,fill=variable))+geom_boxplot()+facet_grid(.~variable)+labs(x="X (binned)")+...
  • R语言基础图形绘制——箱线图

    万次阅读 多人点赞 2020-08-12 12:27:56
    R语言绘制箱线图 箱线图主要是通过四分位数描述数据分布,通过最大值,上四分位数,中位数,下四分位数,最小值五处位置描述数据分布情况。
  • 箱线图(Boxplot)也称箱须图(Box-whisker Plot),它是用一数据中的最小值、第一四分位数、中位数、第三四分位数和最大值来反映数据分布的中心位置和散布范围,可以粗略地看出数据是否具有对称性。通过将多组...
  • JMP并排箱线图

    千次阅读 2019-06-10 14:31:41
    并排箱线图标示以下两种信息,可以展示不同组别的连续变量的平均值差异,以及各组连续变量的变异性对比。 1. 一个连续变量和一个分类变量之间的关系; 2. 连续变量在分类变量不同水平下的差异? 创建箱线图 研究...
  • Python 绘制箱线图主要用 matplotlib 库里 pyplot 模块里的 boxplot() 函数。plt.boxplot() 参数详解plt.boxplot(x, # 指定要绘制箱线图的数据;notch=None, # 是否是凹口的形式展现箱线图,默认非凹口;sym=None, #...
  • 下面这个箱线图由两部分组成,左边是1,2两组A,B,C,D,E属性的箱线图,右边是1,2两组整体水平的箱线图,下面通过R语言的ggplot2包从头绘制类似这种箱线图及其各个的均值点连线和显著性程度标注。载入所小的包并生成...
  • 图例的设置: 对于多组的“重构图例” 更新图例: 最终修改后结果:

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 6,373
精华内容 2,549
关键字:

多组箱线图