r - geom_histogram : wrong bins?

Question

我正在使用 ggplot 2.1.0 来绘制直方图，并且我有一个关于直方图箱的意外行为。
我在这里放了一个带有左封闭 bin(即 [ 0, 0.1 [ )，binwidth 为 0.1 的示例。

mydf <- data.frame(myvar=c(-1,-0.5,-0.4,-0.1,-0.1,0.05,0.1,0.1,0.25,0.5,1))
myplot <- ggplot(mydf, aes(myvar)) + geom_histogram(aes(y=..count..),binwidth = 0.1, boundary=0.1,closed="left")
myplot
ggplot_build(myplot)$data[[1]]

在这个例子中，人们可能期望值 -0.4 在 bin [-0.4, -0.3[ 内，但它反而(神秘地)落在 bin [-0.5,-0.4[.对于落在 [-0.2,-0.1[ 而不是 [-0.1,0[... 等] 中的值 -0.1 也是如此。

这里有什么我不完全理解的东西(尤其是新的“中心”和“边界”参数)？或者 ggplot2 在那里做奇怪的事情？

提前致谢，
此致，
阿诺

PS:这里也问: https://github.com/hadley/ggplot2/issues/1651

Answer 1

编辑:以下描述的问题已在 ggplot2 的最新版本中得到修复。 .

正如 Roland 的评论中所建议的那样，您的问题是可重现的，并且似乎是由舍入错误引起的。在这一点上，这在我看来就像版本 ggplot2_2.0.0 中引入的错误。 .我在下面推测它的起源，但首先让我提出一个基于 boundary 的解决方法。选项。

问题 :

df <- data.frame(var = seq(-100,100,10)/100)
as.list(df) # check the data
$var
 [1] -1.0 -0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 -0.2
[10] -0.1  0.0  0.1  0.2  0.3  0.4  0.5  0.6  0.7
[19]  0.8  0.9  1.0
library("ggplot2")
p <- ggplot(data = df, aes(x = var)) + 
    geom_histogram(aes(y = ..count..), 
        binwidth = 0.1, 
        boundary = 0.1, 
        closed = "left")
p

解决方案

调整 boundary参数 .在这个例子中，设置略低于 1，比如 0.99，有效。您的用例也应该可以进行调整。

ggplot(data = df, aes(x = var)) + 
    geom_histogram(aes(y = ..count..), 
        binwidth = 0.05, 
        boundary = 0.99, 
        closed = "left")

(为了更好的视觉效果，我使 binwidth 变窄了)



另一种解决方法是引入您自己的模糊性，例如将数据乘以 1 加上略小于机器零(参见下面的 eps)。在 ggplot2模糊度乘以 1e-7(早期版本)或 1e-8(后期版本)。

原因:
ncount中问题明显:

str(ggplot_build(p)$data[[1]])
##  'data.frame':   20 obs. of  17 variables:
##   $ y       : num  1 1 1 1 1 2 1 1 1 0 ...
##   $ count   : num  1 1 1 1 1 2 1 1 1 0 ...
##   $ x       : num  -0.95 -0.85 -0.75 -0.65 -0.55 -0.45 -0.35 -0.25 -0.15 -0.05 ...
##   $ xmin    : num  -1 -0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 -0.2 -0.1 ...
##   $ xmax    : num  -0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 -0.2 -0.1 0 ...
##   $ density : num  0.476 0.476 0.476 0.476 0.476 ...
##   $ ncount  : num  0.5 0.5 0.5 0.5 0.5 1 0.5 0.5 0.5 0 ...
##   $ ndensity: num  1.05 1.05 1.05 1.05 1.05 2.1 1.05 1.05 1.05 0 ...
##   $ PANEL   : int  1 1 1 1 1 1 1 1 1 1 ...
##   $ group   : int  -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 ...
##   $ ymin    : num  0 0 0 0 0 0 0 0 0 0 ...
##   $ ymax    : num  1 1 1 1 1 2 1 1 1 0 ...
##   $ colour  : logi  NA NA NA NA NA NA ...
##   $ fill    : chr  "grey35" "grey35" "grey35" "grey35" ...
##   $ size    : num  0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 ...
##   $ linetype: num  1 1 1 1 1 1 1 1 1 1 ...
##   $ alpha   : logi  NA NA NA NA NA NA ...

ggplot_build(p)$data[[1]]$ncount
##  [1] 0.5 0.5 0.5 0.5 0.5 1.0 0.5 0.5 0.5 0.0 1.0 0.5
## [13] 0.5 0.5 0.0 1.0 0.5 0.0 1.0 0.5

舍入错误？

好像:

    df <- data.frame(var = as.integer(seq(-100,100,10)))
# eps <- 1.000000000000001 # on my system
eps <- 1+10*.Machine$double.eps
p <- ggplot(data = df, aes(x = eps*var/100)) + 
    geom_histogram(aes(y = ..count..), 
                   binwidth = 0.05, 
                   closed = "left")
p

(我已经完全删除了 boundary 选项)



此行为在 ggplot2_1.0.1 一段时间后出现.查看源代码，例如 bin.R和 stat-bin.r在 https://github.com/hadley/ggplot2/blob/master/R ，并跟踪 count 的计算导致功能 bin_vector() ，其中包含以下几行:

bin_vector <- function(x, bins, weight = NULL, pad = FALSE) {
 ... STUFF HERE I HAVE DELETED FOR CLARITY ...
cut(x, bins$breaks, right = bins$right_closed,
include.lowest = TRUE)
... STUFF HERE I HAVE DELETED FOR CLARITY ...
}

通过将这些函数的当前版本与旧版本进行比较，您应该能够找到不同行为的原因……有待继续……

总结调试

来自 "patching" bin_vector函数并将输出打印到屏幕上，看起来:

bins$fuzzy正确存储模糊参数

非模糊 bins$breaks用于计算，但据我所知(如果我错了，请纠正我)bins$fuzzy不是。

如果我简单地替换 bins$breaks与 bins$fuzzy顶部 bin_vector ，返回正确的图。不是一个错误的证明，而是一个建议，也许可以做更多的事情来模拟 ggplot2 以前版本的行为。 .

置顶 bin_vector我希望找到一个条件来返回 bins$breaks或 bins$fuzzy .我认为现在缺少了。

修补

致 "patch" bin_vector函数，从 github 源复制函数定义，或者更方便的是，从终端复制函数定义，使用:

 ggplot2:::bin_vector

修改(打补丁)并将其分配到命名空间中:

library("ggplot2")
bin_vector <- function (x, bins, weight = NULL, pad = FALSE) 
{
... STUFF HERE I HAVE DELETED FOR CLARITY ...
## MY PATCH: Replace bins$breaks with bins$fuzzy
bin_idx <- cut(x, bins$fuzzy, right = bins$right_closed,
include.lowest = TRUE)
... STUFF HERE I HAVE DELETED FOR CLARITY ...
ggplot2:::bin_out(bin_count, bin_x, bin_widths)
## THIS IS THE PATCHED FUNCTION
}
assignInNamespace("bin_vector", bin_vector, ns = "ggplot2")
df <- data.frame(var = seq(-100,100,10)/100)
ggplot(data = df, aes(x = var)) + geom_histogram(aes(y = ..count..), binwidth = 0.05, boundary = 1, closed = "left")

为了清楚起见，为了清晰起见，对上面的代码进行了编辑:该函数有很多类型检查和其他计算，我已将其删除，但您需要修补该函数。在运行补丁之前，重新启动 R session 或 detach您当前加载的 ggplot2 .

旧版本

意外行为是 不是 在版本中观察到 2.0.9.3或 2.1.0.1并且似乎源自当前版本 2.2.0.1 (或者可能是更早的 2.2.0.0 ，当我尝试调用它时给了我一个错误)。

要安装和加载旧版本，请说 ggplot2_0.9.3 , 创建一个单独的目录(覆盖当前版本没有意义)，比如 ggplot2093 :

URL <- "http://cran.r-project.org/src/contrib/Archive/ggplot2/ggplot2_0.9.3.tar.gz" 
install.packages(URL, repos = NULL, type = "source", 
    lib = "~/R/testing/ggplot2093") 

要加载旧版本，请从本地目录调用它:

library("ggplot2", lib.loc = "~/R/testing/ggplot2093")