更改密度直方图的binwidth，使概率总和为1

Question

我已经发现了很多问题，但不知怎的，这对我没有帮助。我不明白如何在ggplot2中更改密度直方图中的binwidth，因此概率总和为1.看起来它只有在binwidth正好为1时才有效。 这是一个例子：

set.seed(1)
df = data.frame("data" = runif(1000, min=0, max=100))

a = ggplot(data = df, aes(x = data))+  
    geom_histogram(aes(y=..density..),colour="black", fill = "white", 
    breaks=seq(0, 100, by = 50)) 


b = ggplot(data = df, aes(x = data))+  
    geom_histogram(aes(y =..density..), 
             breaks=seq(0, 100, by = 30), 
             col="black", 
             fill="white") 
c = ggplot(data = df, aes(x = data))+  
    geom_histogram(aes(y =..density..), 
             breaks=seq(0, 100, by = 10), 
             col="black", 
             fill="white")

d = ggplot(data = df, aes(x = data))+  
    geom_histogram(aes(y =..density..), 
             breaks=seq(0, 100, by = 1), 
             col="black", 
             fill="white") 

grid.arrange(a,b,c,d, ncol= 2)

如果查看概率轴，可以看到前三个图形必定是错误的。这些不是正确的直方图，因为箱子总和不是1.根据直方图a，b，c或d，y轴甚至没有显着变化。我还尝试用“binwidth”命令替换“break”命令，但它更糟糕。 我还想知道如何计算直方图单个区间的概率来证明它总和为1？

感谢您的帮助。

Answer 1

模拟一些数据：

library(ggplot2)
library(dplyr)

set.seed(1)
df = data.frame("data" = runif(1000, min=0, max=100))

您可以得到的第一个情节是：

# y axis has the density estimate values 
ggplot(data = df, aes(x = data))+  
  geom_histogram(aes(y=..density..),colour="black", fill = "white", 
                 breaks=seq(0, 100, by = 50))

该图具有y轴的密度估计值。这些值对应于密度图，而不是您创建的柱。您可以看到覆盖密度图的此版本：

# y axis has the density estimate values and the density plot
ggplot(data = df, aes(x = data))+  
  geom_histogram(aes(y=..density..),colour="black", fill = "white", 
                 breaks=seq(0, 100, by = 50)) +
  geom_density(aes(data), col="red")

解释这一点的一种方法是红线上的每个点都有一个被选中的概率，而且是在y轴上（即很多点意味着概率往往接近于零）。

你可以用这个得到你想要的东西：

# y axis has the probabilities of each bar (bar counts / all counts)
ggplot(data = df, aes(x = data))+  
  geom_histogram(aes(y=..count../sum(..count..)),colour="black", fill = "white", 
                 breaks=seq(0, 100, by = 50)) 

执行上述操作的另一种方法是，保留数据（以备将来使用或只检查概率总和为1）是这样的：

# assign the breaks
breaks = cut(df$data, seq(0, 100, by = 50))

# count observations in each bar and probability of each bar
df %>%
  mutate(Breaks = breaks) %>%
  count(Breaks) %>%
  mutate(Prc = n/sum(n))

# # A tibble: 2 x 3
#     Breaks     n   Prc
#     <fctr> <int> <dbl>
# 1   (0,50]   520  0.52
# 2 (50,100]   480  0.48

# plot the above
df %>%
  mutate(Breaks = breaks) %>%
  count(Breaks) %>%
  mutate(Prc = n/sum(n)) %>%
  ggplot(aes(Breaks, Prc)) + geom_col()