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很有用。然而，最上面的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：

代码：

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')

是否有简单的解决方法（以及应该在哪里发布）？

Answer 1

stat_summary_bin 实际上是从 bin 中排除具有最大 x 值的两行，这两个值以 bin = NA 结尾。这两个排除值的平均值绘制为常规 bin 右侧的单独 bin。首先，我展示了您的原始情节中出了什么问题，然后我提供了一种解决方法以获得所需的行为。

原剧情哪里出了问题

要查看原始图中出了什么问题，请创建一个包含两次调用 stat_summary_bin 的图，我们会在其中计算每个 bin 的平均值和每个 bin 中的值数。然后使用 ggplot_build 捕获 ggplot 生成的所有内部数据以创建绘图。

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)

现在让我们分别查看 mean 和 length 层的数据。为简洁起见，我只打印了 9 到 11 号箱（最右边的三个箱）。 Bin 11 是 "extra" bin，您可以看到它仅包含 2 个值（它的 label 在下面的第二个 table 中是 2），并且这些值的平均值两个值是-0.1309998，如下面的第一个table。

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

那是哪两个值？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 stat_summary_bin 如何对数据进行分箱以排除两个最高的 x 值。

获得所需行为的解决方法

解决方法是自己汇总数据，这样您就可以完全控制 bin 的创建方式。下面的示例使用您的原始代码，然后以蓝色绘制预汇总值，以便您可以比较行为。我包含了 dplyr 包，这样我就可以使用链接运算符 (%>%) 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()

Answer 2

@eipi10 ，为什么会这样。

也许最简单的解决方案是在您的绘图中添加一个带有限制的 scale_x_continuous，以便从绘图中排除额外的 "NA" bin。

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') +
  scale_x_continuous(limits = range(x))

这对于大数据应该是可以接受的，例如在示例中，从 bin 中排除的少量数据点不会显着影响统计数据。但是，如果处理摘要统计中缺少几个数据点的情况很重要，那么@eipi 提供的解决方案会更好。

ggplot stat_summary_bin 故障？

ggplot stat_summary_bin glitch?

r

ggplot2

binning

原剧情哪里出了问题

获得所需行为的解决方法