DNK avec beaucoup de données

Le code fourni crée un DNK de base de percentage_over_limit pour toutes les contraventions. À première vue, les paramètres semblent logiques. Nous avons beaucoup de données, donc nous choisissons une largeur de classe étroite : seulement un pour cent. De plus, le graphique à tapis (rug plot), ajouté judicieusement, a une transparence (alpha) réduite à 0.7.

Après exécution, vous verrez tout de suite que le graphique n'est pas idéal. L'estimation de densité ressemble à un porc-épic et le rug plot devient essentiellement une épaisse barre noire à cause d'un énorme chevauchement.

Corrigez le tir en augmentant la largeur de classe à 2.5 et en abaissant alpha du rug plot à 0.05 pour mieux percevoir le chevauchement des points. N'oubliez pas de modifier le sous-titre pour refléter le changement de largeur du noyau !

Cette activité fait partie du cours

Les meilleures pratiques de visualisation avec R

Voir le cours

Instructions de l’exercice

Changer l'écart-type du noyau à 2.5
Régler alpha du rug plot à 0.05
Changer le subtitle à "Gaussian kernel SD = 2.5" pour refléter la nouvelle largeur du noyau.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

ggplot(md_speeding, aes(x = percentage_over_limit)) +
    # Increase bin width to 2.5
    geom_density(fill = 'steelblue', bw = 1,  alpha = 0.7) + 
    # lower rugplot alpha to 0.05
    geom_rug(alpha = 0.5) + 
    labs(
        title = 'Distribution of % over speed limit', 
        # modify subtitle to reflect change in kernel width
        subtitle = "Gaussian kernel SD = 1"
    )

Modifier et exécuter le code