在 R 中创建 2D bin
Creating 2D bins in R
我在 R 中有坐标数据，我想确定我的点所在位置的分布。整个 space 个点是一个边长 100 的正方形。
我想将点分配给正方形上的不同部分，例如四舍五入到最接近的 5。我看过使用 cut 和 findinterval 的示例，但我不确定如何在创建 2d bin 时使用它。
实际上，我想要做的是平滑分布，这样网格的相邻区域之间就不会出现巨大的跳跃。
例如（这只是为了说明问题）：
set.seed(1)
x <- runif(2000, 0, 100)
y <- runif(2000, 0, 100)
plot(y~x)
points( x = 21, y = 70, col = 'red', cex = 2, bg = 'red')
红点显然在一个偶然没有很多其他点的区域，所以这里的密度会比邻近区域的密度跳跃，我希望能够平滑它出来
如果您愿意使用 ggplot2，有一些不错的选择。
ggplot(data.frame(x,y), aes(x,y)) + geom_bin2d()
ggplot(data.frame(x,y), aes(x,y)) + stat_density2d(aes(fill = ..level..), geom = "polygon")
更新：要计算 2d 分箱，您可以使用 2d（双变量）正常核密度平滑：
library(KernSmooth)
bins <- bkde2D(as.matrix(data.frame(x, y)), bandwidth = c(2, 2), gridsize = c(25L, 25L))
也可以画成
library(reshape2)
ggplot(melt(bins$fhat), aes(Var1, Var2, fill = value)) + geom_raster()
bins 对象包含 x 和 y 值以及归一化密度 fhat。调整网格大小（每个方向的网格点数）和带宽（平滑比例）以获得您想要的结果。
您可以使用 ash 库中的 bin2 函数获取分箱数据。
关于红点周围区域数据稀疏的问题，一种可能的解决方案是平均平移直方图。它在多次移动直方图并对 bin 计数取平均值后对您的数据进行分箱。这缓解了 bin 来源的问题。例如，想象一下，如果红点位于 bin 的左上角或 bin 的右下角，则包含红点的 bin 中的点数将如何变化。
library(ash)
bins <- bin2(cbind(x,y))
f <- ash2(bins, m = c(5,5))
image(f$x,f$y,f$z)
contour(f$x,f$y,f$z,add=TRUE)
如果您想要更平滑的分箱，您可以尝试增加参数 m，这是一个长度为 2 的向量，用于控制每个变量的平滑参数。
f2 <- ash2(bins, m = c(10,10))
image(f2$x, f2$y, f2$z)
contour(f2$x,f2$y,f2$z,add=TRUE)
比较 f 和 f2
binning 算法是用 fortran 实现的，速度非常快。
我在 R 中有坐标数据，我想确定我的点所在位置的分布。整个 space 个点是一个边长 100 的正方形。
我想将点分配给正方形上的不同部分，例如四舍五入到最接近的 5。我看过使用 cut 和 findinterval 的示例，但我不确定如何在创建 2d bin 时使用它。
实际上，我想要做的是平滑分布，这样网格的相邻区域之间就不会出现巨大的跳跃。
例如（这只是为了说明问题）：
set.seed(1)
x <- runif(2000, 0, 100)
y <- runif(2000, 0, 100)
plot(y~x)
points( x = 21, y = 70, col = 'red', cex = 2, bg = 'red')
红点显然在一个偶然没有很多其他点的区域，所以这里的密度会比邻近区域的密度跳跃，我希望能够平滑它出来
如果您愿意使用 ggplot2，有一些不错的选择。
ggplot(data.frame(x,y), aes(x,y)) + geom_bin2d()
ggplot(data.frame(x,y), aes(x,y)) + stat_density2d(aes(fill = ..level..), geom = "polygon")
更新：要计算 2d 分箱，您可以使用 2d（双变量）正常核密度平滑：
library(KernSmooth)
bins <- bkde2D(as.matrix(data.frame(x, y)), bandwidth = c(2, 2), gridsize = c(25L, 25L))
也可以画成
library(reshape2)
ggplot(melt(bins$fhat), aes(Var1, Var2, fill = value)) + geom_raster()
bins 对象包含 x 和 y 值以及归一化密度 fhat。调整网格大小（每个方向的网格点数）和带宽（平滑比例）以获得您想要的结果。
您可以使用 ash 库中的 bin2 函数获取分箱数据。
关于红点周围区域数据稀疏的问题，一种可能的解决方案是平均平移直方图。它在多次移动直方图并对 bin 计数取平均值后对您的数据进行分箱。这缓解了 bin 来源的问题。例如，想象一下，如果红点位于 bin 的左上角或 bin 的右下角，则包含红点的 bin 中的点数将如何变化。
library(ash)
bins <- bin2(cbind(x,y))
f <- ash2(bins, m = c(5,5))
image(f$x,f$y,f$z)
contour(f$x,f$y,f$z,add=TRUE)
如果您想要更平滑的分箱，您可以尝试增加参数 m，这是一个长度为 2 的向量，用于控制每个变量的平滑参数。
f2 <- ash2(bins, m = c(10,10))
image(f2$x, f2$y, f2$z)
contour(f2$x,f2$y,f2$z,add=TRUE)
比较 f 和 f2
binning 算法是用 fortran 实现的，速度非常快。