R — построение количества перекрывающихся точек, а не символа

Я делаю график, в котором есть перекрывающиеся значения, потому что и x, и y дискретны. Я искал и нашел примеры, в которых они делают площадь точки пропорциональной количеству точек данных, которые перекрываются в одной точке x-y, но я хотел бы иметь возможность построить число точек, которые перекрываются. Так, например, если точка (5, 7) повторяется 7 раз, я бы хотел, чтобы в этой точке отображалось число 7, а не символ. Я чувствую, что это должно быть возможно, но не могу понять, как это сделать.

Вот некоторый код, который генерирует сюжет, для которого я надеюсь сделать это:

рабочий ‹- 1:10

дефекты ‹- t(matrix(rbinom(200, 100, 0,1), ncol=10))

матплот (рабочий, дефекты)

Заранее благодарим за любую помощь, которую вы можете предоставить!

r plot overlap

21.01.2021

Почему бы вам просто не подсчитать количество дубликатов в отдельном столбце и не использовать его как символ. Просто удалите все дубликаты, и вы можете построить это 21.01.2021

Ответы:

1

Добро пожаловать в СО!

Вам нужно получить количество наблюдений для каждой пары x, y, а затем вы можете использовать аннотацию, чтобы получить свой график. Вот пример использования data.table и ggplot2:

library(data.table) library(ggplot2) # using a sample dataset dat <- as.data.table(mtcars) # creating a variable called "count" for no. of overlaps for a given (gear,carb) pair ggplot(dat[, .(count = .N), by = .(gear, carb)]) + geom_text(aes(x = gear, y= carb, label = count) )

Вы можете форматировать текст как хотите (шрифт, размер и т. д.) или комбинировать с другими элементами, например. добавьте geom_point, чтобы вы видели точку вместе с текстом — вы можете установить прозрачность или размер в зависимости от количества перекрывающихся точек (count в этом примере).

# Using nudge_x, nudge_y to avoid marker and text overlap ggplot(dat[, .(count = .N), by = .(gear, carb)]) + geom_text(aes(x = gear, y= carb, label = count), nudge_x = 0.05, nudge_y = 0.05) + geom_point(aes(x = gear, y = carb), color = 'dark red')

Надеюсь, это полезно!

21.01.2021

СУПЕР полезно! Большое спасибо! 22.01.2021

Хорошо, пожалуйста, примите ответ, если он работает для вас, поэтому он помечен как решенный. 22.01.2021

Мне просто нужно было проголосовать за это или есть что-то еще? Я не вижу кнопки принять. извините, новичок на сайте. Спасибо! 25.01.2021

@HaroldBuck, вы должны увидеть галочку под кнопкой «за», читайте здесь: meta.stackexchange.com/questions/5234/ 27.01.2021

Благодарю вас! Высоко оценил. 28.01.2021

Новые материалы

Объяснение документов 02: BERT

BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

Как проанализировать работу вашего классификатора?

Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)

Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]

Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter

Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js

Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!

Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..

Метки
Machine Learning JavaScript Data Science Artificial Intelligence Software Development Python Web Development Coding Deep Learning AI React Software Engineering Nodejs Java Front End Development Typescript Computer Science Data Algorithms Development NLP Tech Programming Languages CSS ChatGPT HTML Python Programming Javascript Tips Angular Computer Vision Startup Data Visualization Neural Networks Tutorial Statistics Productivity Reactjs Learning