r - ggplot stat_summary_bin 故障？

Question

我很高兴 discover ggplot 具有分箱散点图，这对于探索和可视化大数据中的关系非常有用。然而，顶部垃圾箱似乎行为不端。这是一个示例:所有 bin 平均值都大致线性对齐，正如它们应该的那样，但顶部的平均值在两个维度上都关闭:



编码:

library(ggplot2)

# simulate an example of linear data 
set.seed(1)
N <- 10^4
x <- runif(N)
y <- x + rnorm(N)
dt <- data.frame(x=x, y=y)

ggplot(dt, aes(x, y)) + 
  geom_point(alpha = 0.1, size = 0.01) +
  stat_summary_bin(fun.y='mean', bins=10, color='orange', size=5, geom='point')

有没有简单的解决方法(应该在哪里发布)？

Answer 1

stat_summary_bin实际上是从 bin 中排除了具有最大 x 值的两行，而这两个值的结尾是 bin = NA .这两个排除值的平均值绘制为常规 bin 右侧的单独 bin。首先，我展示了原始图中出了什么问题，然后我提供了一种解决方法来获得所需的行为。

原剧情出了什么问题

要查看原始绘图中出了什么问题，请创建一个带有两次调用 stat_summary_bin 的绘图。我们计算每个 bin 的平均值和每个 bin 中的值的数量。然后使用 ggplot_build捕获 ggplot 为创建绘图而生成的所有内部数据。

p1 = ggplot(dt, aes(x, y)) + 
  geom_point(alpha = 0.1, size = 0.01) +
  stat_summary_bin(fun.y=mean, bins=10, size=5, geom='text',
                   aes(label=..y..)) +
  stat_summary_bin(fun.y=length, bins=10, size=5, geom='text',
                   aes(label=..y.., y=0)) 

p1b = ggplot_build(p1)

现在让我们看看 mean 的数据和 length层，分别。为简洁起见，我只打印了 bin 9 到 11(最右边的三个 bin)。 Bin 11 是“额外的”bin，你可以看到它只包含两个值(它的 label 是下面第二个表中的 2)，并且这两个值的平均值是 -0.1309998 ，如下面的第一个表格所示。

p1b$data[[2]][9:11,c(1,2,4,6,7)]

        label bin          y         x      width
9   0.8158320   9  0.8158320 0.8498505 0.09998242
10  0.9235531  10  0.9235531 0.9498329 0.09998242
11 -0.1309998  11 -0.1309998 1.0498154 0.09998244

p1b$data[[3]][9:11,c(1,2,4,6,7)]

   label bin    y         x      width
9   1025   9 1025 0.8498505 0.09998242
10  1042  10 1042 0.9498329 0.09998242
11     2  11    2 1.0498154 0.09998244

那两个值是哪两个？看起来它们来自原始数据框中 x 值最高的两行:

mean(dt[order(-dt$x), "y"][1:2]) 

[1] -0.1309998

我不确定如何 stat_summary_bin正在设法对数据进行分箱，以便排除两个最高的 x 值。

获得所需行为的解决方法

一种解决方法是自己汇总数据，这样您就可以完全控制数据箱的创建方式。下面的示例使用您的原始代码，然后以蓝色绘制预先汇总的值，以便您可以比较行为。我已经包含了 dplyr包，以便我可以使用链接运算符 ( %>% ) 来动态汇总数据:

library(dplyr)

ggplot(dt, aes(x, y)) + 
  geom_point(alpha = 0.1, size = 0.01) +
  stat_summary_bin(fun.y='mean', bins=10, color='orange', size=5, geom='point') +
  geom_point(data=dt %>% 
               group_by(bins=cut(x,breaks=seq(min(x),max(x),length.out=11), include.lowest=TRUE)) %>%
               summarise(x=mean(x), y=mean(y)),
             aes(x,y), size=3, color="blue") +
  theme_bw()