ggplot stat_summary_bin 故障？答案

【问题标题】：ggplot stat_summary_bin glitch?ggplot stat_summary_bin 故障？
【发布时间】：2016-09-04 19:29:13
【问题描述】：

我很高兴discover ggplot 已合并散点图，这对于探索和可视化大数据中的关系很有用。然而，顶部的垃圾箱似乎行为不端。下面是一个示例：所有 bin 平均值大致呈线性对齐，应该是这样，但顶部的两个维度上都关闭了：

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')

有没有简单的解决方法（应该在哪里发布）？

【问题讨论】：

我同意分箱发生了一些不直观的事情（但坦率地说，分箱算法在某种程度上几乎总是不直观）。您可能可以通过传递 origin = -0.01 来解决它（即，在您的最小 x 值之前的某个值）。我不得不花很多时间研究分箱功能来准确追踪正在发生的事情。也许更熟悉内部的人可以用更少的研究发表评论。
...origin = -0.05 看起来“最好”的事实让我怀疑分箱与轴扩展因子发生了某种冲突。

标签： r ggplot2 binning

【解决方案1】：

stat_summary_bin 实际上是从 bin 中排除 x 值最大的两行，这两个值以 bin = NA 结尾。这两个排除值的平均值被绘制为常规 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来获得所需的行为。

原剧情出了什么问题

要查看原始图中出了什么问题，请创建一个带有两次调用 stat_summary_bin 的图，我们在其中计算每个 bin 的平均值和每个 bin 中的值的数量。然后使用ggplot_build 捕获 ggplot 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)

现在让我们分别看看mean 和length 层的数据。为简洁起见，我只打印了 9 到 11 号垃圾箱（最右边的三个垃圾箱）。 Bin 11 是“额外”的 bin，你可以看到它只包含 2 个值（它的 label 在下面的第二个表中是 2），并且这两个值的平均值是 -0.1309998，可以是见下表第一个。

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

这两个值是哪两个？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stat_summary_bin 是如何管理数据的，以便排除两个最高的 x 值。

获得所需行为的解决方法

一种解决方法是您自己汇总数据，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，然后将预先汇总的值绘制为蓝色，以便您比较行为。我已经包含了 dplyr 包，这样我就可以使用链接运算符 (%>%) 即时汇总数据：

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()

【讨论】：

【解决方案2】：

@eipi10 has already explained，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带有限制的scale_x_continuous，以便从绘图中排除额外的“NA”箱。

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，如果处理从汇总统计中丢失几个数据点的情况很重要，那么@eipi 提供的解决方案会更好。

【讨论】：