如何按比例绘制小提琴图以进行比较？

我正在尝试绘制小提琴图，并想知道是否存在公认的最佳实践，可以在各个组之间进行缩放。这是我使用R mtcars数据集尝试过的三个选项（1973年的Motor Trend Cars，在此处找到）。

等宽

似乎是原始纸张 *和R的vioplot作用（示例）。适合比较形状。

均等面积

由于每个图都是概率图，因此感觉不错，因此在某个坐标空间中每个图的面积应等于1.0。适用于比较每个组中的密度，但如果将图重叠，则似乎更合适。

加权面积

面积相等，但按观察次数加权。6缸变得相对稀薄，因为这些汽车较少。适用于比较各组的密度。

*小提琴图：箱形图-密度踪迹协同效应（DOI：10.2307 / 2685478）

箱形图用于分配的示意图。小提琴图只是盒图，其中Q1，Q2和Q3盒被大范围的分位数代替。因此，我认为可以接受的做法是在各个组之间使用统一的宽度。

但是，您提出了一个很好的观点：应该如何比较组之间的密度？答案取决于您是将每个群体视为自己的种群，还是作为子种群。

$\Sigma_i P_i = 1$

老实说，我认为您是从错误的方向进行操作。这三个图都清楚地告诉您有价值的信息-否则，您将不会考虑使用哪个图。探索性数据分析与了解您的数据有关。符合期望的地方。没有的地方。它如何影响多个变量。

整点做EDA是评估我们的默认值，无论是他们分布或共线性的假设，这是将要使用的统计模型等方面都非常合理。因此，“默认” EDA的概念有些缺陷。

查看所有这些内容-或至少查看所有与您要提出的问题有关的情节。在EDA阶段，没有理由将自己束缚在“有趣的事情”和“我要忽略的事情”之中。而且，如果我们只是通过默认值来提供数据，那么它并不是真正意义上的EDA。

那带宽呢？你想到了吗？

如果使用软件的默认设置来获取pdf，则很可能使用经验法则来获得高斯内核的最佳带宽。对于每个子集，此“最佳带宽”可能会有所不同。现在问问自己，形状是否仍具有可比性？可能是，人们用双重标准测量了相同的变量（内核密度估计）。

对于内核密度估计，已经开发了明确的规则来获得正确的带宽（某种形式的交叉验证），但是对于小提琴图，它们通常被忽略。当样本数量相差很大时，可能很重要。

我现在有这个问题。你怎么看待这件事？您如何解决？任何意见，不胜感激。