R：ggplot 中的因子水平被视为连续数据集

Posted 2023-02-16

【中文标题】R：ggplot 中的因子水平被视为连续数据集

【英文标题】：R: Factor level in ggplot treated as continuous data set

【发布时间】：2021-10-05 14:48:06

【问题描述】：

我正在使用分类变量为 ggplot 创建的绘图中的线条、标签和色带着色。数值阈值用于区分三个不同的类别，这些类别被分配为绿色、蓝色或红色线条/标签/色带。我所拥有的在大多数情况下都运作良好，但在一种情况下它会崩溃。如果我的数据从一个类别转换到另一个类别，然后又回到原始类别，则第一组和最后一组中的数据将被视为连续数据。下面是一个最小的可重现示例，但首先我包含两个 CSV 格式的数据集，它们被读入数据帧（一个“好”集，然后是一个“坏”集）：

良好的数据：

drug,dose,value,samples,conf,lower,upper
verapamil,1,72.56565,800,0.95,69.8194345,75.33907125
verapamil,2,72.44075,800,0.95,69.44212025,75.1824985
verapamil,3,70.79216,800,0.95,67.52461925,73.76032875
verapamil,4,68.91252,800,0.95,65.1242505,71.9545765
verapamil,5,66.91399,800,0.95,62.3466355,70.25188075
verapamil,6,65.07556,800,0.95,59.776704,68.484171
verapamil,7,63.52973,800,0.95,57.2319935,66.67006225
verapamil,8,62.22067,800,0.95,54.90753525,65.26015775
verapamil,9,60.65876,800,0.95,52.87391825,64.0331005
verapamil,10,59.57872,800,0.95,50.9498555,63.08050025
verapamil,15,56.44804,800,0.95,42.66295,73.614082
verapamil,20,55.23902,800,0.95,29.75458325,109.266985
verapamil,25,55.16381,800,0.95,23.006594,120.3280525

错误数据：

drug,dose,value,samples,conf,lower,upper
ranolazine,1,70.481,800,0.95,67.05068975,73.7571095
ranolazine,2,70.37064,800,0.95,66.865067,73.9150805
ranolazine,3,69.93621,800,0.95,66.70263375,74.0239275
ranolazine,4,69.53205,800,0.95,66.58873925,73.8851205
ranolazine,5,69.15334,800,0.95,66.0595545,73.833377
ranolazine,6,68.59902,800,0.95,65.4348675,73.7104295
ranolazine,7,68.09159,800,0.95,64.82512825,73.588261
ranolazine,8,67.53056,800,0.95,63.9937705,73.09860775
ranolazine,9,66.89892,800,0.95,63.253657,72.61998375
ranolazine,10,66.58314,800,0.95,62.4634455,71.94309325
ranolazine,15,67.00043,800,0.95,49.49385475,70.59155425
ranolazine,20,75.5989,800,0.95,33.52134225,86.43966325
ranolazine,25,88.64885,800,0.95,31.974256,104.275215

还有 R 脚本：

infile <-"good.csv"
#infile <-"bad.csv"
cidf <- read.csv(file = infile, stringsAsFactors = FALSE)

# prepare results for plotting
cidf[,c("value","lower","upper")]<-cidf[,c("value","lower","upper")]/1e3 # convert units

# assign value used to color lines, labels, and ribbons
for (row in 1:nrow(cidf)) 
  if(is.na(cidf$value[row])) 
    cidf$CiPA[row] = 2
   else if (cidf$value[row] > 0.0689) 
    cidf$CiPA[row] = 0
   else if (cidf$value[row] > 0.0579) 
    cidf$CiPA[row] = 1 
   else cidf$CiPA[row] = 2

cidf$CiPA<-factor(cidf$CiPA, levels=c(2,1,0)) # THIS IS CAUSING THE WEIRD ISSUE WITH THE RANOLAZINE PLOT!
#cidf$CiPA<-factor(cidf$CiPA, levels=c(0))
#cidf$CiPA<-factor(cidf$CiPA, levels=c(1))

#cidf <- droplevels(cidf)
#cidf$CiPA <- as.numeric(as.character(cidf$CiPA))

# data frame of drug labels
newdf<-aggregate(dose ~ drug, data=cidf, max)
colnames(newdf)<-c("drug","max")
newdf<-merge(cidf,newdf,by.x="drug",by.y="drug",all=TRUE)
newdf<-newdf[newdf$dose==newdf$max,]
tofix<-which(is.na(newdf$value))
for(fixi in tofix)
  newdf[fixi,"value"]<-mean(as.numeric(newdf[fixi, c("lower","upper")]))

figfile<-"plot.pdf"
pdf(figfile, width=8, height=4.5)

p<-ggplot(cidf, aes(dose, value, group=interaction(drug, CiPA))) + 
  scale_color_manual(values = c("2" = "#e82929", "1"="#337cb4", "0"="#44ae52")) + 
  scale_fill_manual(values = c("2" = "#e82929", "1"="#337cb4", "0"="#44ae52"), name="fill") + 
  geom_line(aes(color=CiPA)) + 
  geom_ribbon(aes(ymin=lower, ymax=upper, fill = CiPA), alpha=0.3) + 
  geom_text(data=newdf, aes(label=drug, color=CiPA), hjust=-0.2, vjust=0.5, size=3, show.legend=F)  + 
  coord_cartesian(xlim=c(0,max(cidf$dose)*1.2)) + 
  xlab(~"Concentration (\u00D7"~C[max]*")") + 
  ylab(~"qNet ("*mu*"C/"*mu*"F)") + 
  theme_bw() + 
  theme(legend.position="none")

x11(title="Plot")   # switch dev from pdf to x11
show(p)                              # show the plot in a window
while(names(dev.cur()) !='pdf')     # dev changes from x11 back to pdf when window is closed
  print(names(dev.cur()))            # this conditional is required, otherwise window closes immediately
  Sys.sleep(1)


print(p)

dev.off()

我在 Ubuntu 中工作，所以如果你不是，你可以删除 X11 绘图显示。使用“好”的数据集，情节仍然不太正确。我必须操纵数据以在颜色变化的阈值处添加一些额外的点（我不想在此示例中包含该函数，因为它很大并且不直接涉及手头的问题）。当我这样做时，情节如下：

我们从一个分类变量开始，然后到下一个，最后是第三个。然而，使用“坏”数据集，问题是我们从一个分类变量到另一个分类变量，然后又回到第一个。在这种情况下，第一个和第三个数据块被视为连续的而不是离散的。当您将因子水平从 c(2,1,0) 更改为 c(1) 或 c(0) 时，这一点更容易看到。我最终得到的是：

添加了一条线，将 Cmax = 5 处的数据点连接到 Cmax = 15，将这两个离散集视为连续的。然后具有不同分类变量的中间数据集是单独的，不连接到相邻的数据点。这显然不是我想要的，我无法弄清楚我哪里出错了。如果我尝试使用数值，我最终会出现错误：

Error: Continuous value supplied to discrete scale

降低级别也不起作用。我不确定这里是否有一个简单的解决方案，但我希望会有。任何指针将不胜感激。

---

编辑：请求了 dput(cidf) 的输出。对于我收到的“好”数据：

> dput(cidf)
structure(list(drug = c("verapamil", "verapamil", "verapamil", 
"verapamil", "verapamil", "verapamil", "verapamil", "verapamil", 
"verapamil", "verapamil", "verapamil", "verapamil", "verapamil"
), dose = c(1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 10L, 15L, 20L, 
25L), value = c(0.07256565, 0.07244075, 0.07079216, 0.06891252, 
0.06691399, 0.06507556, 0.06352973, 0.06222067, 0.06065876, 0.05957872, 
0.05644804, 0.05523902, 0.05516381), samples = c(800L, 800L, 
800L, 800L, 800L, 800L, 800L, 800L, 800L, 800L, 800L, 800L, 800L
), conf = c(0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 
0.95, 0.95, 0.95, 0.95), lower = c(0.0698194345, 0.06944212025, 
0.06752461925, 0.0651242505, 0.0623466355, 0.059776704, 0.0572319935, 
0.05490753525, 0.05287391825, 0.0509498555, 0.04266295, 0.02975458325, 
0.023006594), upper = c(0.07533907125, 0.0751824985, 0.07376032875, 
0.0719545765, 0.07025188075, 0.068484171, 0.06667006225, 0.06526015775, 
0.0640331005, 0.06308050025, 0.073614082, 0.109266985, 0.1203280525
), CiPA = structure(c(3L, 3L, 3L, 3L, 2L, 2L, 2L, 2L, 2L, 2L, 
1L, 1L, 1L), .Label = c("2", "1", "0"), class = "factor")), row.names = c(NA, 
-13L), class = "data.frame")

对于我得到的“坏”数据：

> dput(cidf)
structure(list(drug = c("ranolazine", "ranolazine", "ranolazine", 
"ranolazine", "ranolazine", "ranolazine", "ranolazine", "ranolazine", 
"ranolazine", "ranolazine", "ranolazine", "ranolazine", "ranolazine"
), dose = c(1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 10L, 15L, 20L, 
25L), value = c(0.070481, 0.07037064, 0.06993621, 0.06953205, 
0.06915334, 0.06859902, 0.06809159, 0.06753056, 0.06689892, 0.06658314, 
0.06700043, 0.0755989, 0.08864885), samples = c(800L, 800L, 800L, 
800L, 800L, 800L, 800L, 800L, 800L, 800L, 800L, 800L, 800L), 
    conf = c(0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 0.95, 
    0.95, 0.95, 0.95, 0.95, 0.95), lower = c(0.06705068975, 0.066865067, 
    0.06670263375, 0.06658873925, 0.0660595545, 0.0654348675, 
    0.06482512825, 0.0639937705, 0.063253657, 0.0624634455, 0.04949385475, 
    0.03352134225, 0.031974256), upper = c(0.0737571095, 0.0739150805, 
    0.0740239275, 0.0738851205, 0.073833377, 0.0737104295, 0.073588261, 
    0.07309860775, 0.07261998375, 0.07194309325, 0.07059155425, 
    0.08643966325, 0.104275215), CiPA = structure(c(3L, 3L, 3L, 
    3L, 3L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L), .Label = c("2", 
    "1", "0"), class = "factor")), row.names = c(NA, -13L), class = "data.frame")

【问题讨论】：

这对我来说很多。我希望还有比我更勇敢的人。在这两种情况下分享dput(cidf) 的输出是否有意义，这样我们就可以跳过准备步骤，还是会错过您的问题的重点？

@JonSpring，不，它不会错过重点。数据仅在“坏”数据集中很重要，因为数据被分配了一个从 0 -> 1 -> 0 传播的分类变量，并且分类变量的因式分解将分配为 0 的两组数据视为连续的而不是离散的。我现在将使用该输出编辑问题。

【参考方案1】：

这能解决您的问题吗？我添加了一个变量来分隔 CiPA 中的每个更改，即使它会回到已使用的更改。这样它就不会连接共享 CiPA 级别的非连续部分。

编辑 - 此处显示在我的计算机上逐字运行的完整代码。

EDIT #2 - 为文本添加调整后的行以忽略 newdf 没有的 CiPA_grp 分组变量。该层中的aes(group = 1) 将指定它应该将所有元素（实际上只有一个）放在同一组中，而不是为此寻找CiPA_grp 变量。

library(dplyr)
cidf %>%   # using the "bad" version
  arrange(drug, dose) %>%
  group_by(drug) %>%
  mutate(CiPA_grp = cumsum(as.numeric(CiPA) != lag(as.numeric(CiPA), default = Inf))) %>%
  ungroup() %>%

ggplot(aes(dose, value, group=interaction(drug, CiPA_grp))) + 
  scale_color_manual(values = c("2" = "#e82929", "1"="#337cb4", "0"="#44ae52")) + 
  scale_fill_manual(values = c("2" = "#e82929", "1"="#337cb4", "0"="#44ae52"), name="fill") + 
  geom_line(aes(color=CiPA)) + 
  geom_ribbon(aes(ymin=lower, ymax=upper, fill = CiPA), alpha=0.3) + 
  geom_text(data=newdf, aes(label=drug, color=CiPA, group = 1), hjust=-0.2, vjust=0.5, size=3, show.legend=F)  +
  coord_cartesian(xlim=c(0,max(cidf$dose)*1.2)) + 
  xlab(~"Concentration (\u00D7"~C[max]*")") + 
  ylab(~"qNet ("*mu*"C/"*mu*"F)") + 
  theme_bw() + 
  theme(legend.position="none")

【讨论】：

从剧情来看，这正是我要找的。但是，我无法让它真正发挥作用。我很确定调用ungroup() 之后的悬空管道需要被移除。在上述最小示例的上下文中，没有数据框cidf_bad 也没有列CiPA_grp。而且我还认为 ggplot 调用缺少数据框。我还不能重现你的结果，所以如果你可以清理你的帖子，使其与上面的最小示例集成，我会非常乐意接受这个作为答案。非常感谢！

啊，我想您将数据框直接通过管道传输到 ggplot 中？

已编辑以显示适用于我的系统的确切代码。我喜欢将数据直接传输到 ggplot 中，但也可以将这些数据保存到数据框中并使用 ggplot(data = wrangled_data, ... 引用该数据框；这也有助于您如何在 coord_cartesian 中引用数据框，以帮助它们保持对齐。

如果您想分配给 p，您可以在任何管道步骤之前添加 p <- 或在所有步骤末尾添加 -> p。如果要分配绘图并显示一步打印的副作用，也可以使用(p <- all_the %>% wrangling %>% and %>% plotting %>% stuff %>% here)。

已修复。该层的数据没有在ggplot(aes(... 中定义的全局aes() 中引用的CiPA_grp 变量，但不需要它，因此我们可以告诉它使用aes(group = 1) 跳过它。