如何在每个数据类别中绘制多个多边形？
How to plot numerous polygons in each data category?
我正在与 ggplot 一起使用一组单独的工具来绘制组中的双变量数据以及这些数据的标准椭圆。这些 return n=100 x,y 坐标定义每个椭圆，然后对于每个组，我想绘制大约 10-25 个椭圆。
从概念上讲，如何实现？我可以使用 geom_polygon 轻松绘制单个椭圆，但我对如何组织数据以使其工作感到困惑，因此绘制了多个椭圆并为每个组应用了参考线（颜色、填充、线型等）。
在传统的 R 绘图中，我可以使用 for 循环继续添加线条。
谢谢！
更新：这是一个 CSV，包含单个椭圆的 100 个坐标。
假设我有三组应用了椭圆拟合的双变量数据：绿色、红色、蓝色。对于每个组，我想绘制几个椭圆。
我不知道如何以这种方式组织数据以使用 ggplot 首选的长格式并保留组从属关系。列表有用吗？
更新2：
这里是原始 x 和 y 数据的 csv，分为两组：河流和湖泊
数据图如下：
test.data <- read.csv("ellipse_test_data.csv")
ggplot(test.data) +
geom_point(aes(x, y, color = group)) +
theme_classic()
我正在使用一个名为 SIBER 的包，它将贝叶斯椭圆拟合到数据中，以便通过椭圆面积等比较组。以下输出创建了一个列表，其中元素数 = 数据组数，并且每个元素包含每个拟合椭圆的 6 x n（n = 绘制数） - 前四列是向量格式的协方差矩阵 Sigma，最后两列是双变量均值：
# options for running jags
parms <- list()
parms$n.iter <- 2 * 10^5 # number of iterations to run the model for
parms$n.burnin <- 1 * 10^3 # discard the first set of values
parms$n.thin <- 100 # thin the posterior by this many
parms$n.chains <- 2 # run this many chains
# define the priors
priors <- list()
priors$R <- 1 * diag(2)
priors$k <- 2
priors$tau.mu <- 1.0E-3
# fit the ellipses which uses an Inverse Wishart prior
# on the covariance matrix Sigma, and a vague normal prior on the
# means. Fitting is via the JAGS method.
ellipses.test <- siberMVN(siber.test, parms, priors)
列表中第一个元素的前几行：
$`1.river`
Sigma2[1,1] Sigma2[2,1] Sigma2[1,2] Sigma2[2,2] mu[1] mu[2]
[1,] 1.2882740 2.407070e-01 2.407070e-01 1.922637 -15.52846 12.14774
[2,] 1.0677979 -3.997169e-02 -3.997169e-02 2.448872 -15.49182 12.37709
[3,] 1.1440816 7.257331e-01 7.257331e-01 4.040416 -15.30151 12.14947
我希望能够提取这些椭圆的随机数并使用 ggplot 使用 alpha 透明度绘制它们。
SIBER 包有一个函数 (addEllipse) 可以将“6 x n”条目转换为一组定义椭圆的 x 和 y 点，但我不知道如何为 ggplot 组织该输出。我认为可能有一种优雅的方式可以在内部使用 ggplot。
理想的输出应该是这样的，但在 ggplot 中，省略号可以匹配数据级别的美学：
在 SIBER 的捆绑演示数据集上执行此操作的一些代码。
在此示例中，我们尝试使用 ggplot2 创建后椭圆的多个样本的一些图。
library(SIBER)
library(ggplot2)
library(dplyr)
library(ellipse)
将基本的 SIBER 模型与包中捆绑的示例数据相匹配。
# load in the included demonstration dataset
data("demo.siber.data")
#
# create the siber object
siber.example <- createSiberObject(demo.siber.data)
# Calculate summary statistics for each group: TA, SEA and SEAc
group.ML <- groupMetricsML(siber.example)
# options for running jags
parms <- list()
parms$n.iter <- 2 * 10^4 # number of iterations to run the model for
parms$n.burnin <- 1 * 10^3 # discard the first set of values
parms$n.thin <- 10 # thin the posterior by this many
parms$n.chains <- 2 # run this many chains
# define the priors
priors <- list()
priors$R <- 1 * diag(2)
priors$k <- 2
priors$tau.mu <- 1.0E-3
# fit the ellipses which uses an Inverse Wishart prior
# on the covariance matrix Sigma, and a vague normal prior on the
# means. Fitting is via the JAGS method.
ellipses.posterior <- siberMVN(siber.example, parms, priors)
# The posterior estimates of the ellipses for each group can be used to
# calculate the SEA.B for each group.
SEA.B <- siberEllipses(ellipses.posterior)
siberDensityPlot(SEA.B, xticklabels = colnames(group.ML),
xlab = c("Community | Group"),
ylab = expression("Standard Ellipse Area " ('\u2030' ^2) ),
bty = "L",
las = 1,
main = "SIBER ellipses on each group"
)
现在我们要根据这些分布创建一些样本椭圆的图。我们需要为每个组创建一个包含所有椭圆的 data.frame 对象。在这个例子中，我们简单地采用前 10 个后验图，假设它们彼此独立，但如果你愿意，你可以随机抽样。
# how many of the posterior draws do you want?
n.posts <- 10
# decide how big an ellipse you want to draw
p.ell <- 0.95
# for a standard ellipse use
# p.ell <- pchisq(1,2)
# a list to store the results
all_ellipses <- list()
# loop over groups
for (i in 1:length(ellipses.posterior)){
# a dummy variable to build in the loop
ell <- NULL
post.id <- NULL
for ( j in 1:n.posts){
# covariance matrix
Sigma <- matrix(ellipses.posterior[[i]][j,1:4], 2, 2)
# mean
mu <- ellipses.posterior[[i]][j,5:6]
# ellipse points
out <- ellipse::ellipse(Sigma, centre = mu , level = p.ell)
ell <- rbind(ell, out)
post.id <- c(post.id, rep(j, nrow(out)))
}
ell <- as.data.frame(ell)
ell$rep <- post.id
all_ellipses[[i]] <- ell
}
ellipse_df <- bind_rows(all_ellipses, .id = "id")
# now we need the group and community names
# extract them from the ellipses.posterior list
group_comm_names <- names(ellipses.posterior)[as.numeric(ellipse_df$id)]
# split them and conver to a matrix, NB byrow = T
split_group_comm <- matrix(unlist(strsplit(group_comm_names, "[.]")),
nrow(ellipse_df), 2, byrow = TRUE)
ellipse_df$community <- split_group_comm[,1]
ellipse_df$group <- split_group_comm[,2]
ellipse_df <- dplyr::rename(ellipse_df, iso1 = x, iso2 = y)
现在开始创建地块。首先绘制我们想要的所有原始数据。
first.plot <- ggplot(data = demo.siber.data, aes(iso1, iso2)) +
geom_point(aes(color = factor(group):factor(community)), size = 2)+
ylab(expression(paste(delta^{15}, "N (\u2030)")))+
xlab(expression(paste(delta^{13}, "C (\u2030)"))) +
theme(text = element_text(size=15))
print(first.plot)
现在我们可以尝试在顶部和小平面上按组添加后椭圆
second.plot <- first.plot + facet_wrap(~factor(group):factor(community))
print(second.plot)
# rename columns of ellipse_df to match the aesthetics
third.plot <- second.plot +
geom_polygon(data = ellipse_df,
mapping = aes(iso1, iso2,
group = rep,
color = factor(group):factor(community),
fill = NULL),
fill = NA,
alpha = 0.2)
print(third.plot)
Facet-wrapped plot of sample of posterior ellipses by group
我正在与 ggplot 一起使用一组单独的工具来绘制组中的双变量数据以及这些数据的标准椭圆。这些 return n=100 x,y 坐标定义每个椭圆，然后对于每个组，我想绘制大约 10-25 个椭圆。
从概念上讲，如何实现？我可以使用 geom_polygon 轻松绘制单个椭圆，但我对如何组织数据以使其工作感到困惑，因此绘制了多个椭圆并为每个组应用了参考线（颜色、填充、线型等）。
在传统的 R 绘图中，我可以使用 for 循环继续添加线条。
谢谢！
更新：这是一个 CSV，包含单个椭圆的 100 个坐标。
假设我有三组应用了椭圆拟合的双变量数据：绿色、红色、蓝色。对于每个组，我想绘制几个椭圆。
我不知道如何以这种方式组织数据以使用 ggplot 首选的长格式并保留组从属关系。列表有用吗？
更新2：
这里是原始 x 和 y 数据的 csv，分为两组：河流和湖泊
数据图如下：
test.data <- read.csv("ellipse_test_data.csv")
ggplot(test.data) +
geom_point(aes(x, y, color = group)) +
theme_classic()
我正在使用一个名为 SIBER 的包，它将贝叶斯椭圆拟合到数据中，以便通过椭圆面积等比较组。以下输出创建了一个列表，其中元素数 = 数据组数，并且每个元素包含每个拟合椭圆的 6 x n（n = 绘制数） - 前四列是向量格式的协方差矩阵 Sigma，最后两列是双变量均值：
# options for running jags
parms <- list()
parms$n.iter <- 2 * 10^5 # number of iterations to run the model for
parms$n.burnin <- 1 * 10^3 # discard the first set of values
parms$n.thin <- 100 # thin the posterior by this many
parms$n.chains <- 2 # run this many chains
# define the priors
priors <- list()
priors$R <- 1 * diag(2)
priors$k <- 2
priors$tau.mu <- 1.0E-3
# fit the ellipses which uses an Inverse Wishart prior
# on the covariance matrix Sigma, and a vague normal prior on the
# means. Fitting is via the JAGS method.
ellipses.test <- siberMVN(siber.test, parms, priors)
列表中第一个元素的前几行：
$`1.river`
Sigma2[1,1] Sigma2[2,1] Sigma2[1,2] Sigma2[2,2] mu[1] mu[2]
[1,] 1.2882740 2.407070e-01 2.407070e-01 1.922637 -15.52846 12.14774
[2,] 1.0677979 -3.997169e-02 -3.997169e-02 2.448872 -15.49182 12.37709
[3,] 1.1440816 7.257331e-01 7.257331e-01 4.040416 -15.30151 12.14947
我希望能够提取这些椭圆的随机数并使用 ggplot 使用 alpha 透明度绘制它们。
SIBER 包有一个函数 (addEllipse) 可以将“6 x n”条目转换为一组定义椭圆的 x 和 y 点，但我不知道如何为 ggplot 组织该输出。我认为可能有一种优雅的方式可以在内部使用 ggplot。
理想的输出应该是这样的，但在 ggplot 中，省略号可以匹配数据级别的美学：
在 SIBER 的捆绑演示数据集上执行此操作的一些代码。
在此示例中，我们尝试使用 ggplot2 创建后椭圆的多个样本的一些图。
library(SIBER)
library(ggplot2)
library(dplyr)
library(ellipse)
将基本的 SIBER 模型与包中捆绑的示例数据相匹配。
# load in the included demonstration dataset
data("demo.siber.data")
#
# create the siber object
siber.example <- createSiberObject(demo.siber.data)
# Calculate summary statistics for each group: TA, SEA and SEAc
group.ML <- groupMetricsML(siber.example)
# options for running jags
parms <- list()
parms$n.iter <- 2 * 10^4 # number of iterations to run the model for
parms$n.burnin <- 1 * 10^3 # discard the first set of values
parms$n.thin <- 10 # thin the posterior by this many
parms$n.chains <- 2 # run this many chains
# define the priors
priors <- list()
priors$R <- 1 * diag(2)
priors$k <- 2
priors$tau.mu <- 1.0E-3
# fit the ellipses which uses an Inverse Wishart prior
# on the covariance matrix Sigma, and a vague normal prior on the
# means. Fitting is via the JAGS method.
ellipses.posterior <- siberMVN(siber.example, parms, priors)
# The posterior estimates of the ellipses for each group can be used to
# calculate the SEA.B for each group.
SEA.B <- siberEllipses(ellipses.posterior)
siberDensityPlot(SEA.B, xticklabels = colnames(group.ML),
xlab = c("Community | Group"),
ylab = expression("Standard Ellipse Area " ('\u2030' ^2) ),
bty = "L",
las = 1,
main = "SIBER ellipses on each group"
)
现在我们要根据这些分布创建一些样本椭圆的图。我们需要为每个组创建一个包含所有椭圆的 data.frame 对象。在这个例子中，我们简单地采用前 10 个后验图，假设它们彼此独立，但如果你愿意，你可以随机抽样。
# how many of the posterior draws do you want?
n.posts <- 10
# decide how big an ellipse you want to draw
p.ell <- 0.95
# for a standard ellipse use
# p.ell <- pchisq(1,2)
# a list to store the results
all_ellipses <- list()
# loop over groups
for (i in 1:length(ellipses.posterior)){
# a dummy variable to build in the loop
ell <- NULL
post.id <- NULL
for ( j in 1:n.posts){
# covariance matrix
Sigma <- matrix(ellipses.posterior[[i]][j,1:4], 2, 2)
# mean
mu <- ellipses.posterior[[i]][j,5:6]
# ellipse points
out <- ellipse::ellipse(Sigma, centre = mu , level = p.ell)
ell <- rbind(ell, out)
post.id <- c(post.id, rep(j, nrow(out)))
}
ell <- as.data.frame(ell)
ell$rep <- post.id
all_ellipses[[i]] <- ell
}
ellipse_df <- bind_rows(all_ellipses, .id = "id")
# now we need the group and community names
# extract them from the ellipses.posterior list
group_comm_names <- names(ellipses.posterior)[as.numeric(ellipse_df$id)]
# split them and conver to a matrix, NB byrow = T
split_group_comm <- matrix(unlist(strsplit(group_comm_names, "[.]")),
nrow(ellipse_df), 2, byrow = TRUE)
ellipse_df$community <- split_group_comm[,1]
ellipse_df$group <- split_group_comm[,2]
ellipse_df <- dplyr::rename(ellipse_df, iso1 = x, iso2 = y)
现在开始创建地块。首先绘制我们想要的所有原始数据。
first.plot <- ggplot(data = demo.siber.data, aes(iso1, iso2)) +
geom_point(aes(color = factor(group):factor(community)), size = 2)+
ylab(expression(paste(delta^{15}, "N (\u2030)")))+
xlab(expression(paste(delta^{13}, "C (\u2030)"))) +
theme(text = element_text(size=15))
print(first.plot)
现在我们可以尝试在顶部和小平面上按组添加后椭圆
second.plot <- first.plot + facet_wrap(~factor(group):factor(community))
print(second.plot)
# rename columns of ellipse_df to match the aesthetics
third.plot <- second.plot +
geom_polygon(data = ellipse_df,
mapping = aes(iso1, iso2,
group = rep,
color = factor(group):factor(community),
fill = NULL),
fill = NA,
alpha = 0.2)
print(third.plot)
Facet-wrapped plot of sample of posterior ellipses by group