了解日期并使用R中的ggplot2绘制直方图

时间:2012-05-27 00:08:45

标签: r datetime ggplot2 histogram

主要问题

我在理解为什么处理日期,标签和中断的工作没有像我在R中尝试用ggplot2制作直方图时那样有问题。

我正在寻找:

  • 我的约会频率的直方图
  • 以匹配栏为中心的刻度线
  • %Y-b格式的日期标签
  • 适当的限制;最小化网格空间边缘和最外边栏之间的空白区域

uploaded my data to pastebin让这个可以重现。我已经创建了几个列,因为我不确定最好的方法:

> dates <- read.csv("http://pastebin.com/raw.php?i=sDzXKFxJ", sep=",", header=T)
> head(dates)
       YM       Date Year Month
1 2008-Apr 2008-04-01 2008     4
2 2009-Apr 2009-04-01 2009     4
3 2009-Apr 2009-04-01 2009     4
4 2009-Apr 2009-04-01 2009     4
5 2009-Apr 2009-04-01 2009     4
6 2009-Apr 2009-04-01 2009     4

这是我试过的:

library(ggplot2)
library(scales)
dates$converted <- as.Date(dates$Date, format="%Y-%m-%d")

ggplot(dates, aes(x=converted)) + geom_histogram()
+      opts(axis.text.x = theme_text(angle=90))

产生this graph。我想要%Y-%b格式化,所以我根据this SO进行了搜索并尝试了以下内容:

ggplot(dates, aes(x=converted)) + geom_histogram()
+    scale_x_date(labels=date_format("%Y-%b"),
+    breaks = "1 month")
+    opts(axis.text.x = theme_text(angle=90))

stat_bin: binwidth defaulted to range/30. Use 'binwidth = x' to adjust this.

这给了我this graph

  • 更正x轴标签格式
  • 频率分布改变了形状(binwidth issue?)
  • 刻度线标记不会显示在条形图中心
  • xlims也发生了变化

我在scale_x_date部分的ggplot2 documentation处完成了示例,geom_line()似乎在我使用相同的x轴数据时正确打破,标记和居中。我不明白为什么直方图不同。


根据来自edgeter和gauden

的答案进行更新

我最初认为高登的答案帮助我解决了我的问题,但现在看起来更加困惑了。请注意代码后两个答案的结果图之间的差异。

假设两者:

library(ggplot2)
library(scales)
dates <- read.csv("http://pastebin.com/raw.php?i=sDzXKFxJ", sep=",", header=T)

根据@ edgester的回答,我能够做到以下几点:

freqs <- aggregate(dates$Date, by=list(dates$Date), FUN=length)
freqs$names <- as.Date(freqs$Group.1, format="%Y-%m-%d")

ggplot(freqs, aes(x=names, y=x)) + geom_bar(stat="identity") +
       scale_x_date(breaks="1 month", labels=date_format("%Y-%b"),
                    limits=c(as.Date("2008-04-30"),as.Date("2012-04-01"))) +
       ylab("Frequency") + xlab("Year and Month") +
       theme_bw() + opts(axis.text.x = theme_text(angle=90))

这是我根据gauden的答案进行的尝试:

dates$Date <- as.Date(dates$Date)
ggplot(dates, aes(x=Date)) + geom_histogram(binwidth=30, colour="white") +
       scale_x_date(labels = date_format("%Y-%b"),
                    breaks = seq(min(dates$Date)-5, max(dates$Date)+5, 30),
                    limits = c(as.Date("2008-05-01"), as.Date("2012-04-01"))) +
       ylab("Frequency") + xlab("Year and Month") +
       theme_bw() + opts(axis.text.x = theme_text(angle=90))

基于edgeter方法的绘图:

edgester-plot

基于高登的方法的情节:

gauden-plot

请注意以下事项:

  • 2009年12月和2010年3月份高登的情节差距; table(dates$Date)显示数据中有19个2009-12-01个实例和26个2010-03-01个实例
  • edgeter的情节从2008年4月开始,到2012年5月结束。根据2008-04-01数据中的最小值和2012-05-01的最大日期,这是正确的。出于某种原因,高登的情节始于2008年至3月,并且仍然以某种方式设法在2012年至5月结束。在计算垃圾箱并沿着月份标签阅读之后,对于我的生活,我无法弄清楚哪个地块有额外的或者缺少直方图的垃圾箱!

有关这些差异的任何想法吗? edgeter创建单独计数的方法


相关参考资料

顺便说一句,这里有其他位置有关于日期和ggplot2的信息供路人寻求帮助:

  • Started here在Learnr.wordpress,一个受欢迎的R博客。它表示我需要将我的数据转换为POSIXct格式,我现在认为这种格式是假的,浪费了我的时间。
  • Another learnr post在ggplot2中重新创建了一个时间序列,但并不适用于我的情况。
  • r-bloggers has a post on this,但它似乎过时了。简单的format=选项对我不起作用。
  • This SO question正在玩休息和标签。我试图将Date向量视为连续的,并且认为它不能很好地工作。看起来它一遍又一遍地覆盖相同的标签文字,所以字母看起来很奇怪。分布是正确的,但有一些奇怪的休息。我根据接受的答案进行的尝试是这样的(result here)。

4 个答案:

答案 0 :(得分:31)

<强>更新

版本2:使用日期类

我更新了示例以演示如何在绘图上对齐标签和设置限制。我还证明as.Date在使用时确实有效(实际上它可能比我之前的例子更适合你的数据)。

目标图v2

date-based histogram

守则v2

这是(有点过分)评论代码:

library("ggplot2")
library("scales")

dates <- read.csv("http://pastebin.com/raw.php?i=sDzXKFxJ", sep=",", header=T)
dates$Date <- as.Date(dates$Date)

# convert the Date to its numeric equivalent
# Note that Dates are stored as number of days internally,
# hence it is easy to convert back and forth mentally
dates$num <- as.numeric(dates$Date)

bin <- 60 # used for aggregating the data and aligning the labels

p <- ggplot(dates, aes(num, ..count..))
p <- p + geom_histogram(binwidth = bin, colour="white")

# The numeric data is treated as a date,
# breaks are set to an interval equal to the binwidth,
# and a set of labels is generated and adjusted in order to align with bars
p <- p + scale_x_date(breaks = seq(min(dates$num)-20, # change -20 term to taste
                                   max(dates$num), 
                                   bin),
                      labels = date_format("%Y-%b"),
                      limits = c(as.Date("2009-01-01"), 
                                 as.Date("2011-12-01")))

# from here, format at ease
p <- p + theme_bw() + xlab(NULL) + opts(axis.text.x  = theme_text(angle=45,
                                                                  hjust = 1,
                                                                  vjust = 1))
p

版本1:使用POSIXct

我尝试使用ggplot2中的所有内容,在没有聚合的情况下绘制,并在2009年初到2011年底之间设置x轴限制的解决方案。

目标图v1

plot with limits set in ggplot2

守则v1

library("ggplot2")
library("scales")

dates <- read.csv("http://pastebin.com/raw.php?i=sDzXKFxJ", sep=",", header=T)
dates$Date <- as.POSIXct(dates$Date)

p <- ggplot(dates, aes(Date, ..count..)) + 
    geom_histogram() +
    theme_bw() + xlab(NULL) +
    scale_x_datetime(breaks = date_breaks("3 months"),
                     labels = date_format("%Y-%b"),
                     limits = c(as.POSIXct("2009-01-01"), 
                                as.POSIXct("2011-12-01")) )

p

当然,它可以在轴上使用标签选项,但这是用绘图包中的干净短程序完成绘图。

答案 1 :(得分:5)

我认为关键是你需要在ggplot之外进行频率计算。将aggregate()与geom_bar(stat =“identity”)一起使用以获得没有重新排序因子的直方图。以下是一些示例代码:

require(ggplot2)

# scales goes with ggplot and adds the needed scale* functions
require(scales)

# need the month() function for the extra plot
require(lubridate)

# original data
#df<-read.csv("http://pastebin.com/download.php?i=sDzXKFxJ", header=TRUE)

# simulated data
years=sample(seq(2008,2012),681,replace=TRUE,prob=c(0.0176211453744493,0.302496328928047,0.323054331864905,0.237885462555066,0.118942731277533))
months=sample(seq(1,12),681,replace=TRUE)
my.dates=as.Date(paste(years,months,01,sep="-"))
df=data.frame(YM=strftime(my.dates, format="%Y-%b"),Date=my.dates,Year=years,Month=months)
# end simulated data creation

# sort the list just to make it pretty. It makes no difference in the final results
df=df[do.call(order, df[c("Date")]), ]

# add a dummy column for clarity in processing
df$Count=1

# compute the frequencies ourselves
freqs=aggregate(Count ~ Year + Month, data=df, FUN=length)

# rebuild the Date column so that ggplot works
freqs$Date=as.Date(paste(freqs$Year,freqs$Month,"01",sep="-"))

# I set the breaks for 2 months to reduce clutter
g<-ggplot(data=freqs,aes(x=Date,y=Count))+ geom_bar(stat="identity") + scale_x_date(labels=date_format("%Y-%b"),breaks="2 months") + theme_bw() + opts(axis.text.x = theme_text(angle=90))
print(g)

# don't overwrite the previous graph
dev.new()

# just for grins, here is a faceted view by year
# Add the Month.name factor to have things work. month() keeps the factor levels in order
freqs$Month.name=month(freqs$Date,label=TRUE, abbr=TRUE)
g2<-ggplot(data=freqs,aes(x=Month.name,y=Count))+ geom_bar(stat="identity") + facet_grid(Year~.) + theme_bw()
print(g2)

答案 2 :(得分:3)

我知道这是一个老问题,但对于在 2021 年(或之后)提出这个问题的任何人来说,使用 breaks=geom_histogram() 参数并创建一个小快捷函数可以更容易地做到这一点以制作所需的序列。

dates <- read.csv("http://pastebin.com/raw.php?i=sDzXKFxJ", sep=",", header=T)

dates$Date <- lubridate::ymd(dates$Date)

by_month <- function(x,n=1){
  seq(min(x,na.rm=T),max(x,na.rm=T),by=paste0(n," months"))
}

ggplot(dates,aes(Date)) +
  geom_histogram(breaks = by_month(dates$Date)) +
  scale_x_date(labels = scales::date_format("%Y-%b"),
               breaks = by_month(dates$Date,2)) + 
  theme(axis.text.x = element_text(angle=90))

histogram

答案 3 :(得分:0)

标题为“基于Gauden方法的绘图”下的错误图是由binwidth参数引起的: ... + Geom_histogram(binwidth = 30,color =“white”)+ ... 如果我们将30的值更改为小于20的值(例如10),您将获得所有频率。

在统计数据中,这些值比表示更重要,更重要的是一张平淡无奇的图片,但却有错误。