Les boîtes à moustaches avec {ggplot2}
1 Objectifs d’apprentissage
À la fin de ce cours, vous serez capable de :
- Tracer une boîte à moustaches (boxplot) pour visualiser la
distribution de données continues en utilisant
geom_boxplot(). - Réorganiser les boites à moustaches avec la fonction
reorder(). - Ajouter une couche de points de données sur une boîte à moustaches
en utilisant
geom_jitter().
2 Introduction
2.1 Structure d’une boîte à moustaches
La boîte à moustaches ou diagramme en boîte permet de visualiser la distribution de variables numériques.
Elle se compose de deux éléments :
Boîte — S’étend du premier au troisième quartile (Q1 à Q3) avec une ligne au milieu qui représente la médiane. La plage de valeurs entre Q1 et Q3 est également connue sous le nom d’écart interquartile.
Moustaches — Des lignes partant des deux bords de la boîte indiquent la variabilité en dehors de Q1 et Q3. Les valeurs minimales/maximales des moustaches sont calculées selon la formule \(Q1 - 1.5 \(Q3-Q1)\) et \(Q3 + 1.5 \(Q3-Q1)\). Tout ce qui se trouve au-delà est considéré comme une valeur aberrante et est représenté par des points ou d’autres symboles.
Les boîtes à moustaches sont généralement utilisées pour examiner la distribution d’une variable numérique pour chaque modalité d’une deuxième variable catégorielle.
Ici, nous comparons le PIB par habitant (variable continue) entre différentes régions du monde (variable catégorielle).
2.2 Pièges potentiels
Les boîtes à moustaches résument les données en cinq nombres, ce qui pourrait nous faire passer à côté d’informations importantes sur les données.
Si le volume de données que vous manipulez n’est pas trop grand, ajouter des points de données individuels peut rendre le graphique plus informatif.
4 Le dataset
gapminder
Pour ce cours, nous allons visualiser des données mondiales sur la
santé et l’économie à partir du dataframe
gapminder que nous avons déjà utilisé dans
les cours précédents.
Gapminder est un dataset pays-année. Il contient des informations sur 142 pays divisés en 5 “continents” ou régions du monde.
## country continent
## Afghanistan: 12 Africa :624
## Albania : 12 Americas:300
## Algeria : 12 Asia :396
## Angola : 12 Europe :360
## Argentina : 12 Oceania : 24
## Australia : 12
## (Other) :1632
## year lifeExp
## Min. :1952 Min. :23.60
## 1st Qu.:1966 1st Qu.:48.20
## Median :1980 Median :60.71
## Mean :1980 Mean :59.47
## 3rd Qu.:1993 3rd Qu.:70.85
## Max. :2007 Max. :82.60
##
## pop gdpPercap
## Min. :6.001e+04 Min. : 241.2
## 1st Qu.:2.794e+06 1st Qu.: 1202.1
## Median :7.024e+06 Median : 3531.8
## Mean :2.960e+07 Mean : 7215.3
## 3rd Qu.:1.959e+07 3rd Qu.: 9325.5
## Max. :1.319e+09 Max. :113523.1
## Les données sont enregistrées tous les 5 ans de 1952 à 2007 (soit un total de 12 années).
5 Boîte à moustaches avec
geom_boxplot()
La fonction pour créer des boîtes à moustaches avec {ggplot2} est
geom_boxplot().
Nous allons commencer par tracer une boîte à moustaches basique, puis ajouter des esthétiques et couches supplémentaires.
Commençons par créer une boîte à moustaches simple en associant une
variable numérique de gapminder, l’espérance de vie
(lifeExp) à l’axe des x.
# Boîte à moustaches simple de lifeExp
ggplot(data = gapminder,
mapping = aes(x = lifeExp)) +
geom_boxplot()
Ensuite, nous ajoutons une variable catégorielle à l’esthétique de
position y.
Comparons la distribution de l’espérance de vie entre les continents
- c’est-à-dire, la distribution de lifeExp par modalité de
la variable continent.
# Boîte à moustaches lifeExp par modalité de continent
ggplot(gapminder,
aes(x = lifeExp,
y = continent)) +
geom_boxplot()
Le résultat est une boite à moustaches basique de
lifeExp par continent.
# Boîte à moustaches de lifeExp par continent (verticale)
ggplot(data = gapminder,
mapping = aes(x = continent,
y = lifeExp)) +
geom_boxplot()
Ajoutons des couleurs aux boîtes. Nous pouvons associer la variable
continent à fill pour que chaque boîte soit
colorée en fonction du continent qu’elle représente.
# Attribuer une couleur différente à chaque continent avec fill
ggplot(gapminder,
aes(x = continent,
y = lifeExp,
fill = continent)) +
geom_boxplot()
Nous pouvons également ajouter les esthétiques color et
alpha pour modifier la couleur du contour et la
transparence.
# Changer la couleur du contour et augmenter la transparence
ggplot(gapminder,
aes(x = continent,
y = lifeExp,
fill = continent,
color = continent)) +
geom_boxplot(alpha = 0.6)
En utilisant le dataframe
gapminder, créez une boîte à moustaches comparant la distribution du PIB par habitant (gdpPercap) entre les continents. Associez la couleur de remplissage des boîtes àcontinent, et réglez l’épaisseur de ligne à 1.En vous basant sur le code de la question précédente, ajoutez une fonction
scale_*()qui transforme l’axe des y en une échelle logarithmique.
6 Réorganiser les boîtes
avec reorder()
Les modalités de la variable continent sont ordonnées
par défaut par ordre alphabétique. Si vous regardez l’axe des x, il
commence avec l’Afrique et va alphabétiquement jusqu’à l’Océanie. Il
serait plus intéressant de les ordonner selon l’espérance de vie, la
variable de l’axe des y.
Nous pouvons changer l’ordre des niveaux d’un facteur dans R en
utilisant la fonction reorder(). Si nous
réorganisons les modalités de la variable continent, les
boîtes seront tracées sur l’axe des x dans cet ordre.
reorder() traite son premier argument comme une variable
catégorielle, et réorganise ses niveaux en fonction des valeurs d’une
seconde variable numérique.
Pour réorganiser les modalités de la variable continent
en fonction de lifeExp, nous utiliserons la syntaxe
reorder(VAR_CATEGORIELLE, VAR_NUMERIQUE)
comme ceci : reorder(continent, lifeExp).
Ici, nous allons modifier l’argument x et dire à
ggplot() de réorganiser la variable.
ggplot(gapminder,
aes(x = reorder(continent, lifeExp),
y = lifeExp,
fill = continent,
color = continent)) +
geom_boxplot(alpha = 0.6)
Nous pouvons voir qu’il y a des différences notables dans l’espérance de vie médiane entre les continents. Cependant, il y a beaucoup de chevauchement entre les plages de valeurs des continents. Par exemple, l’espérance de vie médiane du continent africain est inférieure à celle de l’Europe, mais plusieurs pays africains ont des valeurs d’espérance de vie supérieures à celles de la majorité des pays européens.
6.1 Choisir la méthode de réorganisation
La méthode par défaut réorganise le facteur en fonction de la moyenne de la variable numérique.
Nous pouvons ajouter un troisième argument pour choisir une méthode différente, comme la médiane ou le maximum.
# Organiser les boîtes à moustaches par espérance de vie médiane
ggplot(gapminder,
aes(x = reorder(continent, lifeExp, median),
y = lifeExp,
fill = continent,
color = continent)) +
geom_boxplot(alpha = 0.6)
# Organiser les boîtes à moustaches par espérance de vie maximale
ggplot(gapminder,
aes(x = reorder(continent, lifeExp, max),
y = lifeExp,
fill = continent,
color = continent)) +
geom_boxplot(alpha = 0.6)
Les boîtes à moustaches sont organisées dans un ordre croissant.
Pour trier les boîtes par ordre décroissant, nous
ajoutons une négation à lifeExp dans la
fonction reorder().
# Organiser les boîtes à moustaches par espérance de vie médiane décroissante
ggplot(gapminder,
aes(x = reorder(continent, -lifeExp, median),
y = lifeExp,
fill = continent,
color = continent)) +
geom_boxplot(alpha = 0.6)
Créez une boîte à moustaches montrant la distribution du PIB par habitant pour chaque continent, comme vous l’avez fait dans l’exercice 1. Conservez le remplissage, l’épaisseur de ligne et l’échelle de l’axe des y de ce graphique.
Maintenant, réorganisez les boîtes en fonction de la
moyenne de gdpPercap et par ordre
décroissant.
En vous basant sur le code de la question précédente, ajoutez des étiquettes à votre graphique.
Définissez le titre principal à “Variation du PIB par habitant à travers les continents (1952-2007)”
Changez le titre de l’axe des x pour “Continent”,
Changez le titre de l’axe des y pour “Revenu par personne (USD)”.
7 Ajouter des points de
données avec geom_jitter()
Les boîtes à moustaches fournissent un résumé de la distribution d’une variable numérique pour plusieurs groupes. Sauf que résumer signifie aussi perdre de l’information.
Si nous prenons pour exemple notre boîte à moustaches de
lifeExp, il est facile de conclure que l’Océanie a une
espérance de vie plus élevée que les autres continents. Cependant, nous
ne pouvons pas voir la distribution sous-jacente des points de données
dans chaque groupe ou le nombre d’observations.
# Boîte à moustache basique de lifeExp précédente
ggplot(gapminder,
aes(x = reorder(continent, lifeExp),
y = lifeExp,
fill = continent,
color = continent)) +
geom_boxplot(alpha = 0.6)
Voyons ce qui se passe lorsque la boîte à moustaches est améliorée en utilisant des éléments supplémentaires.
Une façon d’afficher la distribution des points de données individuels est de tracer une couche supplémentaire de points sur la boîte à moustaches.
Nous pourrions faire cela en ajoutant simplement la fonction
geom_point().
ggplot(gapminder,
aes(x = reorder(continent, lifeExp),
y = lifeExp,
fill = continent)) +
geom_boxplot()+
geom_point()
Cependant, geom_point() a tracé tous les points de
données sur une ligne verticale. Ce n’est pas très utile car tous les
points d’un même continent se chevauchent et sont tracés les uns sur les
autres.
Une solution à cela est de décaler aléatoirement (jitter) les points
de données horizontalement. ggplot vous permet de le faire
avec la fonction geom_jitter().
ggplot(gapminder,
aes(x = reorder(continent, lifeExp),
y = lifeExp,
fill = continent)) +
geom_boxplot() +
geom_jitter()
Vous pouvez également contrôler la quantité de “jitter” avec
l’argument width et spécifier l’opacité
des points avec alpha.
ggplot(gapminder,
aes(x = reorder(continent, lifeExp),
y = lifeExp,
fill = continent)) +
geom_boxplot() +
geom_jitter(width = 0.25,
alpha = 0.5)
Ici, on se rend compte que l’Océanie a une plus petite taille d’échantillon par rapport aux autres groupes. C’est un élément important à prendre en compte avant de dire que l’Océanie a une espérance de vie plus élevée que les autres continents.
Les boîtes à moustaches sont limitées par le fait qu’elles résument les données en cinq nombres : le 1er quartile, la médiane (le 2ème quartile), le 3ème quartile, et les moustaches supérieure et inférieure. En faisant cela, nous pourrions passer à côté d’informations importantes sur les données. Une façon d’éviter cela est de visualiser les données avec des points.
Créez une boîte à moustaches montrant la distribution du PIB par habitant pour chaque continent, comme vous l’avez fait dans l’exercice 2. Puis ajoutez une couche de points décalés.
Ajustez votre réponse à la question précédente pour rendre les points 45% transparents et changez le “jitter” à 0.3mm.
Ajouter un indicateur de moyenne dans une boîte à moustaches
Il peut être intéressant de visualiser la moyenne des distributions sur une boîte à moustaches.
Nous pouvons le faire en ajoutant une couche de statistiques avec la
la fonction stat_summary().
# Ajouter un indicateur pour montrer la moyenne
ggplot(gapminder,
aes(x = reorder(continent, lifeExp),
y = lifeExp,
fill = continent,
color = continent)) +
geom_boxplot(alpha = 0.6) +
stat_summary(fun = "mean",
geom = "point",
size = 3,
shape = 23,
fill = "white")
8 En résumé
Les graphiques en boîte permettent de comparer la distribution d’une variable continue pour chaque niveau d’une autre variable. On peut voir où la médiane se situe pour les différents groupes en comparant les lignes à l’intérieur des boîtes.
Pour étudier la dispersion d’une variable continue à l’intérieur de l’une des boîtes, observez à la fois la longueur de la boîte et aussi jusqu’où les moustaches s’étendent de chaque extrémité de la boîte. Les valeurs aberrantes sont plus facilement identifiables sur une boîte à moustache qu’un histogramme car elles sont représentées par des points distincts.
9 Les acquis
- Tracer une boîte à moustaches (boxplot) pour visualiser la
distribution de données continues en utilisant
geom_boxplot(). - Réorganiser les boites à moustaches avec la fonction
reorder(). - Ajouter une couche de points de données sur une boîte à moustaches
en utilisant
geom_jitter().
Contributeurs
Les membres suivants ont contribué à ce cours :
JOY VAZ
Loves doing science and teaching science
ADMIN TEAM
The GRAPH Courses team is building epidemiological training courses to enhance disease surveillance and data science for public health across the globe
Références
Le contenu de ce cours est en partie adapté des sources suivantes :
- Ismay, Chester, and Albert Y. Kim. 2022. A ModernDive into R and the Tidyverse. https://moderndive.com/.
This work is licensed under the Creative Commons Attribution Share Alike license. 