Лабораторная работа №9 (R) — Шаблон

Визуализация в ggplot2 — файл для заполнения

0. Подготовка окружения

library(ggplot2); library(dplyr); set.seed(42)

Присоединяю пакет: 'dplyr'

Следующие объекты скрыты от 'package:stats':

    filter, lag

Следующие объекты скрыты от 'package:base':

    intersect, setdiff, setequal, union

1. Данные для заданий

n <- 80
df <- data.frame(
  age = sample(18:70, n, replace=TRUE),
  weight = rnorm(n, 70, 12),
  height = rnorm(n, 170, 10),
  gender = sample(c("Male","Female"), n, replace=TRUE),
  sport = sample(c("Yes","No"), n, replace=TRUE)
) |> mutate(BMI = weight/(height/100)^2)
head(df,8)

  age   weight   height gender sport      BMI
1  66 53.58063 169.9818 Female    No 18.54399
2  54 75.19382 165.7174   Male    No 27.38078
3  18 60.26328 163.8633 Female    No 22.44344
4  42 87.32922 149.7532   Male   Yes 38.94101
5  27 64.82265 157.7525   Male    No 26.04799
6  53 77.86777 171.7952 Female   Yes 26.38371
7  35 73.86310 175.6762 Female    No 23.93325
8  66 60.59393 165.0712   Male    No 22.23752

2. Задания

A. Распределение

# Гистограмма BMI + плотность (Ваш код здесь)
df |>
  ggplot(aes(x = BMI, fill = gender)) +
  geom_histogram(
    aes(y = after_stat(density)),
    position = "identity",
    alpha = 0.4,
    bins = 20
  ) +
  geom_density(alpha = 0.6) +
  labs(
    x = "Индекс массы тела (BMI)",
    y = "Плотность",
    fill = "Пол"
  ) +
  theme_minimal()

B. Взаимосвязь

# Scatter age vs BMI + lm-тренд (Ваш код здесь)
df |>
  ggplot(aes(x = age, y = BMI, color = gender, shape = sport)) +
  geom_point(alpha = 0.7, size = 2) +
  geom_smooth(
    aes(x = age, y = BMI),
    method = "lm",
    se = FALSE,
    color = "black",
    inherit.aes = FALSE
  ) +
  labs(
    x = "Возраст",
    y = "Индекс массы тела (BMI)",
    color = "Пол",
    shape = "Спорт"
  ) +
  theme_minimal()

`geom_smooth()` using formula = 'y ~ x'

C. Сравнение групп

# Boxplot BMI по gender (Ваш код здесь)
df |>
  ggplot(aes(x = gender, y = BMI, fill = gender)) +
  geom_boxplot(alpha = 0.6) +
  labs(
    x = "Пол",
    y = "Индекс массы тела (BMI)",
    fill = "Пол"
  ) +
  theme_minimal()

# Violin height по gender + медиана (Ваш код здесь)
df |>
  ggplot(aes(x = gender, y = height, fill = gender)) +
  geom_violin(trim = FALSE, alpha = 0.6) +
  stat_summary(
    fun = median,
    geom = "point",
    size = 2,
    color = "black"
  ) +
  labs(
    x = "Пол",
    y = "Рост (см)",
    fill = "Пол"
  ) +
  theme_minimal()

D. Средние по группам

# Групповые средние и barplot (Ваш код здесь)
bmi_means <- df |>
  group_by(gender, sport) |>
  summarise(mean_BMI = mean(BMI), .groups = "drop")

bmi_means

# A tibble: 4 × 3
  gender sport mean_BMI
  <chr>  <chr>    <dbl>
1 Female No        24.4
2 Female Yes       24.7
3 Male   No        24.4
4 Male   Yes       25.0

bmi_means |>
  ggplot(aes(x = gender, y = mean_BMI, fill = sport)) +
  geom_col(position = "dodge") +
  labs(
    x = "Пол",
    y = "Средний BMI",
    fill = "Спорт"
  ) +
  theme_minimal()

E. Дополнительно

# Facets и пользовательские цвета/темы (Ваш код здесь)

3. Краткие выводы

Опишите основные наблюдения (1–2 абзаца).
Так как данные были синтетически сгенерированы, то рассматривать кореляции не имеет смысла, все распределения либо равномерные либо нормальные и указаны во втором чанке с кодом.