Miksi käyttää histogrammeja?

Histogrammit visualisoivat jatkuvan (numeerisen) datan jakaumaa. Ne näyttävät, miten data jakautuu alueisiin (binneihin) ja auttavat:

• Havaitsemaan vinouman, poikkeamat tai aukot;
• Ymmärtämään frekvenssijakauman;
• Arvioimaan nopeasti, onko data normaalijakautunutta vai ei.

Parhaiten soveltuvat muuttujille kuten hinta, ajokilometrit tai ikä.

Histogrammin syntaksi ggplot2:ssa

Histogrammin voi luoda käyttämällä geom_histogram(), jossa x-muuttujan tulee olla numeerinen.

ggplot(data = df, aes(x = variable)) +
  geom_histogram()

Histogrammin ulkoasua voi muokata argumenteilla kuten bins (binien määrä), fill (palkkien väri), color (reunojen väri) ja theme tyylin määrittelyyn.

Esimerkki: Myyntihintojen jakauma

Histogrammia voidaan käyttää tarkastelemaan, miten autojen hinnat jakautuvat aineistossa. Tässä esimerkissä palkit täytetään teräksen sinisellä ja reunat ovat mustat, ja selkeyden vuoksi lisätään otsikot sekä minimaalinen teema.

ggplot(data = df, aes(x = selling_price)) +
  geom_histogram(fill = "steelblue", color = "black") +
  labs(title = "Distribution of Selling Prices",
       x = "Selling Price (in PKR)",
       y = "Count") +
  theme_minimal()

Tämä kuvaaja paljastaa myyntihintojen jakauman yleisen muodon, jolloin on helppo nähdä, sijoittuvatko suurin osa autoista tietylle hintavälille vai esiintyykö poikkeavia arvoja ylä- tai alapäässä.