используя stat_function и facet_wrap вместе в ggplot2 в R

Ответ 1

stat_function предназначен для наложения одной и той же функции на каждой панели. (Нет очевидного способа сопоставить параметры функции с различными панелями).

Как предлагает Ян, наилучшим способом является генерация нормальных кривых самостоятельно и построение их как отдельного набора данных (именно там вы ошибались раньше - слияние просто не имеет смысла для этого примера, и если вы внимательно посмотрите вы увидите, почему вы получаете странный пильный рисунок).

Вот как я решил решить проблему:

dd <- data.frame(
  predicted = rnorm(72, mean = 2, sd = 2),
  state = rep(c("A", "B", "C"), each = 24)
) 

grid <- with(dd, seq(min(predicted), max(predicted), length = 100))
normaldens <- ddply(dd, "state", function(df) {
  data.frame( 
    predicted = grid,
    density = dnorm(grid, mean(df$predicted), sd(df$predicted))
  )
})

ggplot(dd, aes(predicted))  + 
  geom_density() + 
  geom_line(aes(y = density), data = normaldens, colour = "red") +
  facet_wrap(~ state) 

Ответ 2

Думаю, вам нужно предоставить дополнительную информацию. Кажется, что это работает:

 pg <- ggplot(dd, aes(Predicted_value)) ## need aesthetics in the ggplot
 pg <- pg + geom_density() 
 ## gotta provide the arguments of the dnorm
 pg <- pg + stat_function(fun=dnorm, colour='red',            
            args=list(mean=mean(dd$Predicted_value), sd=sd(dd$Predicted_value)))
 ## wrap it!
 pg <- pg + facet_wrap(~State_CD)
 pg

Мы предоставляем одинаковые значения среднего и sd для каждой панели. Получение специальных средств и стандартных отклонений в качестве упражнения для читателя *;)

'*' Другими словами, не уверен, как это можно сделать...

Ответ 3

Думаю, лучше всего провести линию вручную с помощью geom_line.

dd<-data.frame(matrix(rnorm(144, mean=2, sd=2),72,2),c(rep("A",24),rep("B",24),rep("C",24)))
colnames(dd) <- c("x_value", "Predicted_value",  "State_CD")
dd$Predicted_value<-dd$Predicted_value*as.numeric(dd$State_CD) #make different by state

##Calculate means and standard deviations by level
means<-as.numeric(by(dd[,2],dd$State_CD,mean))
sds<-as.numeric(by(dd[,2],dd$State_CD,sd))

##Create evenly spaced evaluation points +/- 3 standard deviations away from the mean
dd$vals<-0
for(i in 1:length(levels(dd$State_CD))){
    dd$vals[dd$State_CD==levels(dd$State_CD)[i]]<-seq(from=means[i]-3*sds[i], 
                            to=means[i]+3*sds[i],
                            length.out=sum(dd$State_CD==levels(dd$State_CD)[i]))
}
##Create normal density points
dd$norm<-with(dd,dnorm(vals,means[as.numeric(State_CD)],
                        sds[as.numeric(State_CD)]))


pg <- ggplot(dd, aes(Predicted_value)) 
pg <- pg + geom_density() 
pg <- pg + geom_line(aes(x=vals,y=norm),colour="red") #Add in normal distribution
pg <- pg + facet_wrap(~State_CD,scales="free")
pg

Ответ 4

Если вы не хотите генерировать нормальный линейный график распределения "вручную", по-прежнему используйте stat_function и показывайте графики бок о бок - тогда вы можете рассмотреть возможность использования функции "multipot", опубликованной в "Cookbook" для R "в качестве альтернативы facet_wrap. Вы можете скопировать код мультимножества в свой проект отсюда.

После копирования кода выполните следующие действия:

# Some fake data (copied from hadley answer)
dd <- data.frame(
  predicted = rnorm(72, mean = 2, sd = 2),
  state = rep(c("A", "B", "C"), each = 24)
) 

# Split the data by state, apply a function on each member that converts it into a 
# plot object, and return the result as a vector.
plots <- lapply(split(dd,dd$state),FUN=function(state_slice){ 
  # The code here is the plot code generation. You can do anything you would 
  # normally do for a single plot, such as calling stat_function, and you do this 
  # one slice at a time.
  ggplot(state_slice, aes(predicted)) + 
    geom_density() + 
    stat_function(fun=dnorm, 
                  args=list(mean=mean(state_slice$predicted), 
                            sd=sd(state_slice$predicted)),
                  color="red")
})

# Finally, present the plots on 3 columns.
multiplot(plotlist = plots, cols=3)

Ответ 5

Если вы хотите использовать ggformula, то это довольно просто. (Также возможно смешивать, сопоставлять и использовать ggformula только для наложения дистрибутива, но я проиллюстрирую полный подход к ggformula.)

library(ggformula)
theme_set(theme_bw())

gf_dens( ~ Sepal.Length | Species, data = iris) %>%
  gf_fitdistr(color = "red") %>% 
  gf_fitdistr(dist = "gamma", color = "blue")

^{Создано в 2019-01-15 пакетом представлением (v0.2.1)}