数据可视化（直方图、累积分布图、箱线图、点阵图）

1 可视化探索

1.1 直方图

这是一种简单快速探索数据分布的方式。以Insurance数据集中过的“索赔量”变量Claims为例，观察该变量的分布情况。

hist(Insurance$Claims,main="Histogram of Freq of Insurance$Claims")

 

结果分析：从图中可以看出观测样本多集中与0-50组，一般开说，要求索赔人数大多小于50，且呈明显下降趋势，即索赔量越高的样本量越少。

将参数freq设置为F可以绘制密度直方图，以各组的概率密度来确定矩形高度，density参数用来为各矩形添加阴影，取值越大阴影越深。

hist(Insurance$Claims,freq=F,density=20,main="Histogram of Freq of Insurance$Claims")

lines(density(Insurance$Claims))   #添加概率密度曲线

 

hist(Insurance$Claims,breaks=20,labels=T,col="black",border="white",main="Histogram of Freq of Insurance$Claims")   

 

结果分析：将breaks值设置为20来绘图，labels,col,border这三个参数用来标注各矩形高度（频率），更改矩形的填充和轮廓颜色。

也可以用str来获取各组边界值breaks，频数counts，概率密度density，中间值mids，绘图对象名xname，是否等距分组equidist，这些信息。

1.2 累积分布图

该图形中(x,y)的含义为：共有y（百分数）的数据小于或等于该x值，因此，数据中x最大值所对应的y值为1，即100%。

使用Himsc软件包中的Ecdf()函数来绘制累积分布图：

library(Hmisc)

Ecdf(Insurance$Claims,xlab="Claims",main="Histogram of Freq of Insurance$Claims")

 

结果分析：与上图中的密度曲线相对比，累积分布图中0-100部分的曲线斜率比较大，且0-50部分尤其陡峭，正对应于密度曲线0-100的高取值，这正是两曲线间相互关系的体现。

绘制各年龄段Age中要求索赔人数Claims的累积分布图：

data_plot<-with(Insurance,

          rbind(data.frame(var1=Insurance$Claims[Insurance$Age=="<25"],var2="<25"),

                data.frame(var1=Insurance$Claims[Insurance$Age=="25-29"],var2="25-29"),

                data.frame(var1=Insurance$Claims[Insurance$Age=="30-35"],var2="30-35"),

                data.frame(var1=Insurance$Claims[Insurance$Age==">35"],var2=">35")))

 

....

 

LT=c(1:4)

Ecdf(data_plot$var1,lty=LT,group=data_plot$var2,label.curves=1:4,col="red",xlab="Claims",main="Cumulative Distribution of Claims by Age")

Ecdf(Insurance$Claims,add=T)

#四个参数lty用于设置曲线的类型，实线或者虚线，group用于设置分许变量，这里及那个Age作为分组变量，label.curves用于标出按分组变量划分的各曲线组名，比如四个组别：<25、25-29、30-35和>35，add参数表示是否在上一个输出图形中添加图形。

 

结果分析：Claims分组曲线与Claims总体曲线的基本趋势大致相同，都在0-100区间比较陡峭，之后基本平缓，其前三组曲线都止于100左右，最后一组>35则一直延续到400左右，这说明年龄较大投保人的要求索赔量较高。

1.3 箱线图

我们利用箱线图探究在各年龄段Age中要求索赔人数Claims的分布情况。

boxplot(var1~var2,data=data_plot,horizontal = T,main="Distribution of Claims by Age",xlab = "Claims",ylab="Age")

 

结果分析：>35的组最大值在400左右，这说明年龄较大投保人的要求索赔量较高。

1.4 点阵图

点阵图于条形图本质上是一样的，也是用于呈现离散型变量各取值水平的分布情况，不同之处在于用点和背景网格线的形式代替条形来表示。