如何绘制出现 n 次或更多次的项的直方图？答案

【问题标题】：How do you plot a histogram of the terms that occur n or more times?如何绘制出现 n 次或更多次的项的直方图？
【发布时间】：2014-11-27 19:14:41
【问题描述】：

我有一个直接来自文件的单词列表，每行一个，我使用 read.csv 导入，生成一个 data.frame。我需要做的是计算和绘制每个单词的出现次数。那，我可以轻松做到，但问题是我有几百个单词，其中大部分在列表中只出现一两次，所以我对它们不感兴趣。

编辑 https://gist.github.com/anonymous/404a321840936bf15dd2#file-wordlist-csv 这是一个示例单词表，您可以使用它来尝试。它与我使用的不同，我不能分享它，因为它是来自实际实验的实际数据，我不允许分享它。出于所有意图和目的，此列表具有可比性。

一个“简单”

df <- data.frame(table(words$word))
df[df$Freq > 2, ]

成功了，我现在有一个出现两次以上的单词列表，以及为什么我必须从一个 data.frame 转到一个数组并返回一个 data.frame 只是一个令人头疼的问题要做到这一点，更不用说我必须在实际选择字符串中重复 data.frame 的名称。完全打败我。

问题是现在过滤后的 data.frame 对图表毫无用处。假设这是我过滤后得到的

        Var1 Freq
6     aspect    3
24    colour    7
41    differ   18
55    featur    7
58  function   19
81      look    4
82      make    3
85      mean    7
95   opposit   14
108 properti    3
109   purpos    6
112    relat    3
116   rhythm    4
118    shape    6
120  similar    5
123    sound    3

显然，如果我只是做一个

plot(df[df$Freq > 2, ])

我明白了

显然（显然？）在 x 轴上具有所有原始项，而 y 轴仅显示过滤后的值。所以下一个合乎逻辑的步骤是尝试强迫 R 的手

plot(x=df[df$Freq > 2, ]$Var1, y=df[df$Freq > 2, ]$Freq)

但显然 R 最了解并且已经这样做了，因为我得到了完全相同的结果。使用 ggplot2 会好一些

qplot(x=df[df$Freq > 2, ]$Var1, y=df[df$Freq > 2, ]$Freq)

（为了保持一致性）但我希望它显示一个实际的直方图，你知道，有条形图，就像他们在六年级教的那样，所以如果我问这个

qplot(x=df[df$Freq > 2, ]$Var1, y=df[df$Freq > 2, ]$Freq) + geom_bar()

我明白了

Error : Mapping a variable to y and also using stat="bin".
  With stat="bin", it will attempt to set the y value to the count of cases in each group.
  This can result in unexpected behavior and will not be allowed in a future version of ggplot2.
  If you want y to represent counts of cases, use stat="bin" and don't map a variable to y.
  If you want y to represent values in the data, use stat="identity".
  See ?geom_bar for examples. (Defunct; last used in version 0.9.2)

那么让我们试试最后一个建议，好吗？

qplot(df[df$Freq > 2, ]$Var1, stat='identity') + geom_bar()

还好，不过有我的吧？所以，回到基础

qplot(words$word) + geom_bar() # even if geom_bar() is probably unnecessary this time

给我这个

我是疯了还是[用一长串关于 R 的漫无边际的抱怨和抱怨来代替]？

【问题讨论】：

如果包含reproducible example 这样我们就可以重现情节并且咆哮并没有真正的帮助。您的话可能已被编码为因素。当您对因子进行子集化时，它们会记住所有级别（这通常是所需的行为），但如果您想忘记子集中未包含的那些，您可以使用droplevels()。所以我猜plot(droplevels(df[df$Freq > 2, ])) 会起作用，但没有办法在你的数据上测试它。
承认咆哮没有帮助。我没有包括一个完整的例子，因为我解释了我是如何得到它的：“我有一个直接来自文件的单词列表，每行一个，我用 read.csv 导入它会产生一个 data.frame”。我正在使用示例词汇表编辑问题。

标签： r plot histogram

【解决方案1】：

我生成一些随机数据

set.seed(1)
df <- data.frame(Var1 = letters, Freq = sample(1: 8, 26, T))

然后我使用dplyr::filter，因为它非常快速和简单。

library(ggplot2); library(dplyr)
qplot(data = filter(df, Freq > 2), Var1, Freq, geom= "bar", stat = "identity")

【讨论】：

你可以在这里使用subset，得到同样的结果（subset(df, Freq>2)）；无需加载 dplyr，尽管我同意它是一个有用的库
现在，如果我输入 qplot 行，我得到的只是Error in filter(df, Freq > 2) : object 'Freq' not found，但如果我使用subset，则完全没有问题。实际上，通过子集，我得到了我想要的字符。谈论不一致之处......无论如何，我将其标记为正确答案，因为它让我更接近，但为了清楚起见，如果你能阐明这个问题，那就太好了。
只有两个初步猜测：1) 你确定你使用的是 dplyr::filter 而不是 stats::filter 吗？ 2) 你确定你正在处理 data.frame 对象而不是矩阵（subset 适用于所有对象，而dplyr::filter 仅适用于 data.frame-type 对象）
补充一下我的想法：dplyr（和data.table）函数和处理数据帧的“base R”函数之间的计算时间差异非常明显。如果一个人正在处理小型数据集，那么使用 base R 是可以的，但否则为什么要避免加载包呢？

【解决方案2】：

首先，至少对于plot()，没有理由强制使用data.frame。 plot() 理解 table 对象。你可以这样做

plot(table(words$words))
# or 
plot(table(words$words), type="p")
# or 
barplot(table(words$words))

我们可以使用Filter 来过滤行，不幸的是这会删除table 类。但是我们可以使用as.table 重新添加它。这看起来像

plot(as.table(Filter(function(x) x>2, table(words$words))), type="p")

【讨论】：

好的，看，这行得通，谢谢。如果您正在学习 R 并且需要来回解决其不一致的行为，它仍然无济于事。为什么你会有一大堆等效的数据结构，根据你传递它们的任何功能的突发奇想，随意丢失和获得它们的状态？这就是您度过一个下午并最终在 SO 上咆哮的方式。
我试图通过使用过滤器来变得花哨。这可能不是对表进行子集化的最常见方式。其他人可能会做tt<-table(words$words);tt<-tt[tt>2]; barplot(tt)。但它真的无助于在这个论坛上抱怨 R。我们不会强迫你使用 R。没有语言是完美的；你只需要了解它们是如何工作的。