Довольно тикает для нормальной шкалы журнала, используя ggplot2 (динамический не ручной)

Ответ 1

Поведение базовой графики можно воспроизвести с помощью специальной функции breaks:

base_breaks <- function(n = 10){
    function(x) {
        axisTicks(log10(range(x, na.rm = TRUE)), log = TRUE, n = n)
    }
}

Применение этого к данным примера дает тот же результат, что и при использовании trans_breaks('log10', function(x) 10^x):

ggplot(M, aes(x = X, y = Y)) + geom_line() +
    scale_y_continuous(trans = log_trans(), breaks = base_breaks()) + 
    theme(panel.grid.minor = element_blank())

Однако мы можем использовать одну и ту же функцию в подмножестве данных, причем значения y от 50 до 600:

M2 <- subset(M, Y > 50 & Y < 600)
ggplot(M2, aes(x = X, y = Y)) + geom_line() +
    scale_y_continuous(trans = log_trans(), breaks = base_breaks()) + 
    theme(panel.grid.minor = element_blank())

Поскольку полномочия десяти уже не подходят здесь, base_breaks создает альтернативные симпатичные разрывы:

Обратите внимание, что я отключил второстепенные линии сетки: в некоторых случаях имеет смысл иметь линии сетки на полпути между основными линиями сетки по оси y, но не всегда.

Edit

Предположим, что мы модифицируем M так, чтобы минимальное значение равно 0,1:

M <- M - min(M) + 0.1

Функция base_breaks() по-прежнему выбирает довольно разрывы, но метки находятся в научной нотации, которая не может рассматриваться как "симпатичная":

ggplot(M, aes(x = X, y = Y)) + geom_line() +
    scale_y_continuous(trans = log_trans(), breaks = base_breaks()) + 
    theme(panel.grid.minor = element_blank())

Мы можем управлять форматированием текста, передавая функцию форматирования текста в аргумент labels scale_y_continuous. В этом случае prettyNum из базового пакета выполняет работу красиво:

ggplot(M, aes(x = X, y = Y)) + geom_line() +
scale_y_continuous(trans = log_trans(), breaks = base_breaks(),
                   labels = prettyNum) + 
theme(panel.grid.minor = element_blank())

Ответ 2

Когда я строю графики в логарифмическом масштабе, я нахожу следующие работы довольно хорошо:

library(ggplot2)
library(scales)

g = ggplot(M,aes(x=X,y=Y)) + geom_line()
g +  scale_y_continuous(trans = 'log10',
                        breaks = trans_breaks('log10', function(x) 10^x),
                        labels = trans_format('log10', math_format(10^.x)))

Пара отличий:

1. Метки осей показаны как степени десяти - что мне нравится
2. Малая линия сетки находится в середине основных линий сетки (сравните этот график с линиями сетки в ответе Андри).
3. Ось х лучше. По какой-то причине на графике Андри диапазон оси X отличается.

Дать

Ответ 3

Базовая графическая функция axTicks() возвращает осевые разрывы для текущего графика. Таким образом, вы можете использовать это, чтобы вернуть разрывы, идентичные базовой графике. Единственным недостатком является то, что вы сначала должны построить график базовой графики.

library(ggplot2)
library(scales)


plot(M, type="l",log="y")
breaks <- axTicks(side=2)
ggplot(M,aes(x=X,y=Y)) + geom_line() +
  scale_y_continuous(breaks=breaks) +
  coord_trans(y="log")

Ответ 4

Эта функция позволяет указать как желаемое количество основных, так и второстепенных тиков. Это должно быть указано дважды для этого эффекта:

#' log scale
#'
#' Creates a function which returns ticks for a given data range. It uses some
#' code from scales::log_breaks, but in contrast to that function it not only
#' the exponentials of the base b, but log minor ticks (f*b^i, where f and i are 
#' integers), too.
#'
#' @param n Approximate number of ticks to produce
#' @param base Logarithm base
#'
#' @return
#'
#' A function which expects one parameter:
#'
#' * **x**: (numeric vector) The data for which to create a set of ticks.
#'
#' @export
logTicks <- function(n = 5, base = 10){
  # Divisors of the logarithm base. E.g. for base 10: 1, 2, 5, 10.
  divisors <- which((base / seq_len(base)) %% 1 == 0)
  mkTcks <- function(min, max, base, divisor){
    f <- seq(divisor, base, by = divisor)
    return(unique(c(base^min, as.vector(outer(f, base^(min:max), '*')))))
  }

  function(x) {
    rng <- range(x, na.rm = TRUE)
    lrng <- log(rng, base = base)
    min <- floor(lrng[1])
    max <- ceiling(lrng[2])

    tck <- function(divisor){
      t <- mkTcks(min, max, base, divisor)
      t[t >= rng[1] & t <= rng[2]]
    }
    # For all possible divisors, produce a set of ticks and count how many ticks
    # result
    tcks <- lapply(divisors, function(d) tck(d))
    l <- vapply(tcks, length, numeric(1))

    # Take the set of ticks which is nearest to the desired number of ticks
    i <- which.min(abs(n - l))
    if(l[i] < 2){
      # The data range is too small to show more than 1 logarithm tick, fall
      # back to linear interpolation
      ticks <- pretty(x, n = n, min.n = 2)
    }else{
      ticks <- tcks[[i]]
    }
    return(ticks)
  }
}

Ваш пример:

library(ggplot2)
library(scales)

# fix RNG
set.seed(seed=1)

# simulate returns
y=rnorm(999,0.02,0.2)

# M$Y are the cummulative returns (like an index)
M=data.frame(X=1:1000,Y=100)

for (i in 2:1000)
  M[i,"Y"]=M[i-1,"Y"]*(1+y[i-1])

ggplot(M,aes(x=X,y=Y))+geom_line()+
  scale_y_log10(breaks = logTicks(n = 4), minor_breaks = logTicks(n = 40))