氨基甲酸酯0.9.9.9的累积图

Question

我找不到先前发布的问题来充分回答该问题。在以前的帖子中，接受的答案使用shadow_mark来保持先前渲染的图层持久。

How to keep previous layers of data while doing animation in R gganimate?

Keep points in gganimate

这是在散点图中显示输出时可以的解决方法，但它不是累积度量，并且在尝试进行堆叠的条形图时会失败。

请考虑以下数据。我想使用df中的过渡状态建立一个累积堆积的条形图。

df <- data.frame(t = c(2000, 2000, 2001, 2001, 2002, 2002), f = c("y", "n", "y", "n", "y", "n"), x = c("a", "a", "b", "c", "a", "c"), y = c(2,3,5,1,4,8))

> df t f x y 1 2000 y a 2 2 2000 n a 3 3 2001 y b 5 4 2001 n c 1 5 2002 y a 4 6 2002 n c 8

我想显示2000年的数据，并在下一层中将2001年的数据与上一层相加。再次，对于下一层，我想将2002年的数据添加为2000年和2001年的累积数据。

这说明了为什么shadow_mark不是累积数据的解决方案：

ggplot(df, aes(x=x, y=y, fill=f)) +
geom_col() + labs(x=NULL, y=NULL, fill=NULL, title="{closest_state}") +
transition_states(t, transition_length = 2, state_length = 1) +
shadow_mark() + enter_fade() + exit_shrink() + ease_aes('sine-in-out') + theme_bw() 

添加对shadow_mark的调用将无法获得所需的累积绘图结果。 “ a”的总数应为9。

有可能将数据c(2000)，c(2000,2001)和c(2000,2001,2002)的子集分成3个不同的df，然后在创建新的states列后进行rbind，但这看起来像一个非常骇人听闻的方法。

是否有一种更清洁的方法来使用gganimate内置的工具显示累积数据？

Answer 1

您可以在数据中创建一个新列，其中包含每年的累加结果，并直接对其进行绘图。在下面的代码中，我们使用cumsum函数。我们还使用complete确保t和f的每种组合都有一个x行（在这些添加的行中设置y=0）。如果我们不这样做，则在t和f的某些组合中缺少某些年份（x值）时，累积总和将是不正确的。所有数据转换都是通过dplyr管道动态完成的：

library(tidyverse)
library(gganimate)

ggplot(df %>% 
         complete(t, nesting(f, x), fill=list(y=0)) %>% 
         arrange(t) %>%  
         group_by(x,f) %>%
         mutate(y_cum = cumsum(y)), 
       aes(x=x, y=y_cum, fill=f)) +
  geom_col() + 
  labs(x=NULL, y=NULL, fill=NULL, title="{closest_state}") +
  transition_states(t, transition_length = 2, state_length = 1) +
  enter_fade() + ease_aes('sine-in-out') + 
  theme_bw() +
  scale_y_continuous(breaks=0:10)

Answer 2

我发现直方图的诀窍是复制早期的过渡值以确保累积构建。

# packages my mac needs for gganimate to work
if (!require("pacman")) install.packages("pacman")
pacman::p_load(dplyr, gganimate, gifski, png)

# vector of values to plot in histogram
sampling_dist_v1 <- rnorm(1e3)

# create a transition sequence variable
init_seq <- c(1, rep(2,10), rep(3,10))

observed_rates <- 
  tibble(
    observed_rate = sampling_dist_v1,
    transition_sequence = c(init_seq, rep(4, length(sampling_dist_v1) - length(init_seq)))
  )

# duplicate earlier entries to ensure animation is cumulative
t_sub_4 <- 
  observed_rates %>% 
  filter(transition_sequence < 4) %>% 
  mutate(transition_sequence = 4)

t_sub_3 <- 
  observed_rates %>% 
  filter(transition_sequence < 3) %>% 
  mutate(transition_sequence = 3)

t_sub_2 <- 
  observed_rates %>% 
  filter(transition_sequence < 2) %>% 
  mutate(transition_sequence = 2)

observed_rates <- 
  bind_rows(
    observed_rates,
    t_sub_4, 
    t_sub_3, 
    t_sub_2
  ) 

# animate
anim <- observed_rates %>% 
  ggplot(aes(x = observed_rate)) + 
  geom_histogram(binwidth = .25, fill = 'blue') + 
  transition_states(
    transition_sequence,
    state_length = 4,
    wrap = FALSE
    )

[![enter image description here][1]][1]


  [1]: https://i.stack.imgur.com/vyJ8m.gif