Viele Verteilungen vergleichen

Schauen wir uns das facettierte Diagramm von vorhin noch einmal an – diesmal mit unseren neuen Techniken. Können wir mit den neuen Plot-Typen die Zusammenhänge besser erkennen?

Der bereitgestellte Code erzeugt dieselbe Visualisierung wie in der letzten Lektion. Ändere den Code so, dass Violin-Plots die Dichte zeigen, statt Jitter-Plots für die einzelnen Datenpunkte zu verwenden. Wie in der letzten Übung: Verkleinere die Breite der Boxplots, sodass sie größtenteils innerhalb der Violin-Plots liegen. Und vergiss nicht, dem Plot eine Unterzeile hinzuzufügen, die die Breite der Kernel des Violin-Plots angibt!

Diese Übung ist Teil des Kurses

Best Practices für Visualisierung in R

Kurs anzeigen

Anleitung zur Übung

Ersetze geom_jitter() durch geom_violin().
Setze fill = 'steelblue' und die Standardabweichung des Kernels für die Violin-Geometrie auf 2.5.
Verkleinere die width von geom_boxplot() auf 0.3.
Füge die Unterzeile Gaussian kernel width: 2.5' hinzu.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

md_speeding %>% 
    ggplot(aes(x = gender, y = speed)) + 
    # replace with violin plot with kernel width of 2.5, change color argument to fill 
    geom_jitter(alpha = 0.3, color = 'steelblue') +
    # reduce width to 0.3
    geom_boxplot(alpha = 0) +
    facet_wrap(~vehicle_color) +
    labs(
        title = 'Speed of different car colors, separated by gender of driver'
        # add a subtitle w/ kernel width

    )

Code bearbeiten und ausführen