ggplot2箱线图中位数的绘制结果与预期不符

Question

所以我有一个相当大的数据集(Dropbox：csv文件)，我正在尝试使用geom_boxplot进行绘图。以下内容产生了一个看起来合理的图形：

require(reshape2)
require(ggplot2)
require(scales)
require(grid)
require(gridExtra)

df <- read.csv("\\Downloads\\boxplot.csv", na.strings = "*")
df$year <- factor(df$year, levels = c(2010,2011,2012,2013,2014), labels = c(2010,2011,2012,2013,2014))

d <- ggplot(data = df, aes(x = year, y = value)) +
    geom_boxplot(aes(fill = station)) + 
    facet_grid(station~.) +
    scale_y_continuous(limits = c(0, 15)) + 
    theme(legend.position = "none"))
d

然而，当你深入挖掘时，问题开始出现并使我感到惊慌。当我标注箱线图中位数的值时，会得到以下图形结果。

df.m <- aggregate(value~year+station, data = df, FUN = function(x) median(x))
d <- d + geom_text(data = df.m, aes(x = year, y = value, label = value)) 
d

使用geom_boxplot绘制的中位数并不是真正的中位数。标签在正确的y轴值处绘制，但箱线图的中位数明显不在中位数位置上。我已经被这个问题难住了几天。

出现这种情况的原因是什么？如何制作具有正确中位数的此类型显示？如何调试或诊断此图？

- Ryan Pugh

---

你的示例代码存在不一致。你正在对temp.m调用geom_text，但中位数是计算在turb.m中的。这可能是问题所在吗？ - vpipkt

啊！你说得对，我试图从原始代码中删除不一致之处，但是我错过了那个。那个错误会导致geom_text层失败，但即使在绘图中没有添加geom_text，箱线图上的中位数仍然被错误地绘制。 - Ryan Pugh

你的数据框中 year 是什么数据类型？ - vpipkt

我已经尝试将df$year转换为数字、因子和整数，但都没有成功。这很奇怪，因为有些箱线图显示正确，中位数也如预期标记。当我将数据子集缩小到一个年份和站点时，它仍然无法正确绘制箱线图。我已经使用最小数据集仔细检查了数据，但是找不到任何问题！ - Ryan Pugh

我已经编辑了原始帖子，包括生成分面图的完整代码。正如您可以在这里看到的那样，在标签未能落在箱线图水平线上的地方存在问题。我已经将数据集缩减到单个站点（放电），仅使用2012年的数据，但仍然得到完全相同的箱线图。 - Ryan Pugh

Answer 1

解决这个问题的方法在于应用 scale_y_continuous。ggplot2会按照以下顺序执行操作：

1. 比例变换（Scale Transformations）
2. 统计计算（Statistical Computations）
3. 坐标变换（Coordinate Transformations）

在这种情况下，由于调用了比例变换，因此ggplot2会在箱线图上的统计计算中排除超出比例限制的数据。但是使用 aggregate 函数计算并在 geom_text 指令中使用的中位数将使用整个数据集。这可能导致不同的中位数箱和文本标签。

解决方案是省略 scale_y_continuous 指令，改为使用:

d <- ggplot(data = df, aes(x = year, y = value)) +
geom_boxplot(aes(fill = station)) + 
facet_grid(station~.) +
theme(legend.position = "none")) +
coord_cartesian(y = c(0,15))

这使得ggplot2可以使用整个数据集计算箱线图的分位数统计量，同时限制图形的大小。

- Ryan Pugh

---

在我看来，这是 ggplot2 的一个主要问题。我已经使用它很长一段时间了，却没有注意到这个问题 - 应该有警告提示。 - ajrwhite

这让我对数据的解释变得非常谨慎和紧张。当我第一次遇到这种情况时，我对R的一切都产生了质疑，直到最终理解了发生了什么。我相信有很多偶尔使用R/ggplot的用户并不知道这可能会影响他们的工作。 - Ryan Pugh

@Ryan Pugh，我很感激您能提供在ggplot代码中进行“统计计算”的示例！ - Agile Bean