Från histogram till KDE

I dessa övningar tittar vi på ett urval av data med böter utfärdade till "Heavy Duty Truck"s. Tänk dig att du är en datakunnig lastbilsförare som vill veta när det är farligast att vara ute på vägarna. Observera att urvalet här bara består av 32 observationer.

Nedan finns kod för att skapa ett standardhistogram med ggplot. Som väntat är resultatet inte särskilt bra. Det finns inte tillräckligt med data för att fylla ens 30 staplar, vilket gör det svårt att läsa eller få en känsla för datan. Byt geometri till ett KDE med hjälp av geom_density(). Lägg slutligen till en underrubrik i diagrammet som informerar läsaren om vilken binbredd som används för ditt KDE.

Den här övningen är en del av kursen

Visualiseringsmetoder i R

Visa kurs

Övningsinstruktioner

Byt histogramgeometrin till en täthetskurva (geom_density()).
Ändra standardbinbredden till 1.5 enheter.
Lägg till subtitle "Gaussian kernel SD = 1.5" i ditt diagram, så att läsaren ser vilken binbredd som används för kerneln.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# filter data to just heavy duty trucks
truck_speeding <- md_speeding %>% 
    filter(vehicle_type == "Heavy Duty Truck")
 
ggplot(truck_speeding, aes(x = hour_of_day)) +
    # switch to density with bin width of 1.5, keep fill 
    geom_histogram(fill = 'steelblue') +
    # add a subtitle stating binwidth
    labs(title = 'Citations by hour')

Redigera och kör kod