r - 在ggplot2中累积图

Question

是否可以在 x 轴上创建一个 0% 到 100% 的图表形式，在 y 上创建一个单位，并从 y=0 累积到 y=max，所以我可以说“我的元素的 X 出现在第一个 Y 单位内” . ggplot2 中是否有预定义的统计数据允许我这样做？

这是一些数据：http ://sprunge.us/XYJK

Answer 1

您可以在使用 ggplot 处理之前或在以下情况下应用它：

例如：

library(ggplot2)
library(scales)
library(XML) 
x <- eval(parse(file("http://sprunge.us/XYJK"))) # Your data
d <- data.frame(x=x,y=1:length(x)) 
d$z <- cumsum(d$x) / sum(d$x) # As percent

ggplot(d, aes(z,y)) + geom_line() + scale_x_continuous(label=percent)

或者

library(ggplot2)
library(scales)
d <- data.frame(x=x,y=1:100)
ggplot(d, aes(cumsum(x)/sum(x),y) + geom_line() + scale_x_continuous(label=percent)

我假设这是销售数据或类似的东西。因此，在这种情况下，50% 的收入来自前 5000 笔交易。

Answer 2

在我看来，您好像在寻找经验 CDF。您的数据在许多地方都复制了值，因此我根据排序值的频率表创建了经验 CDF。我将您的数据复制到向量 x 中，然后执行以下操作：

tf <- as.data.frame(table(x), stringsAsFactors = FALSE)
tf <- within(tf, {
          Var1 <- as.numeric(Var1)
          pct <- 100 * cumsum(Freq)/sum(Freq)
                 } )
ggplot(tf, aes(x = Var1, y = pct)) + 
    geom_step(size = 1) +
    labs(x = "Value", y = "Cumulative percentage")

问题是您的数据严重偏斜，以至于直方图模拟了一条双曲线，因此绝大多数数据都远低于 1000，并且有几个严重的异常值。给你个思路，

quantile(x, c(0.005, 0.01, 0.05, 0.10, 0.25, 0.5, 0.75, 0.9, 0.95, 0.99, 0.995))
   0.5%          1%          5%         10%         25%         50% 
 1.64425      2.79850     7.54500    11.77500    21.76000    39.35000 
    75%         90%         95%         99%       99.5% 
 73.28000   398.05000   1695.78750 10499.99000 11638.55600

和

summary(tst$y)
Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
0.00    21.76    39.35   434.90    73.28 18520.00

平均值大于分布的第 90 个百分位！在这种情况下，我认为 ecdf 图不会提供非常丰富的信息。要找出向量中值的比例小于或等于给定值，请尝试以下小函数：

cumprop <- function(x, val) mean(x <= val)
cumprop(x, 1000)
cumprop(x, mean(x))  # proportion of values <= mean(x)