具有 2 个不同来源但有一个收敛/共享变量的冲积地块 [R]
Posted
技术标签:
【中文标题】具有 2 个不同来源但有一个收敛/共享变量的冲积地块 [R]【英文标题】:Alluvial plot with 2 different sources but a converging/shared variable [R] 【发布时间】:2022-01-13 21:32:09 【问题描述】:我有使用ggalluvial
包制作冲积地块的经验。但是,我遇到了一个问题,我试图用两个不同的来源创建一个冲积地块,这些来源汇聚到一个变量上。
这里是示例数据
library(dplyr)
library(ggplot2)
library(ggalluvial)
data <- data.frame(
unique_alluvium_entires = seq(1:10),
label_1 = c("A", "B", "C", "D", "E", rep(NA, 5)),
label_2 = c(rep(NA, 5), "F", "G", "H", "I", "J"),
shared_label = c("a", "b", "c", "c", "c", "c", "c", "a", "a", "b")
)
这是我用来制作情节的代码
#prep the data
data <- data %>%
group_by(shared_label) %>%
mutate(freq = n())
data <- reshape2::melt(data, id.vars = c("unique_alluvium_entires", "freq"))
data$variable <- factor(data$variable, levels = c("label_1", "shared_label", "label_2"))
#ggplot
ggplot(data,
aes(x = variable, stratum = value, alluvium = unique_alluvium_entires,
y = freq, fill = value, label = value)) +
scale_x_discrete(expand = c(.1, .1)) +
geom_flow() +
geom_stratum(color = "grey", width = 1/4, na.rm = TRUE) +
geom_text(stat = "stratum", size = 4) +
theme_void() +
theme(
axis.text.x = element_text(size = 12, face = "bold")
)
(显然我还不能嵌入图片)
如您所见,我可以删除 NA
值,但 shared_label
不能正确“堆叠”。在shared_label
列中,每个唯一行都应堆叠在一起。这也将解决大小问题,使它们沿 y 轴大小相等。
任何想法如何解决这个问题?我尝试过ggsankey
,但出现了同样的问题,我无法删除NA
值。非常感谢任何提示!
【问题讨论】:
【参考方案1】:此图是“流”统计变换的预期结果,是“流”图形对象的默认值。 (即geom_flow()
= geom_flow(stat = "flow")
。)看起来您想要指定“冲积层”统计转换。下面我使用了你所有的代码,但只复制和编辑了ggplot()
调用。
#ggplot
ggplot(data,
aes(x = variable, stratum = value, alluvium = unique_alluvium_entires,
y = freq, fill = value, label = value)) +
scale_x_discrete(expand = c(.1, .1)) +
geom_flow(stat = "alluvium") + # <-- specify alternate stat
geom_stratum(color = "grey", width = 1/4, na.rm = TRUE) +
geom_text(stat = "stratum", size = 4) +
theme_void() +
theme(
axis.text.x = element_text(size = 12, face = "bold")
)
#> Warning: Removed 2 rows containing missing values (geom_text).
由reprex package (v2.0.1) 于 2021 年 12 月 10 日创建
【讨论】:
这行得通。谢谢!以上是关于具有 2 个不同来源但有一个收敛/共享变量的冲积地块 [R]的主要内容,如果未能解决你的问题,请参考以下文章
更有效地进行多重回归模型(总共 8 个:2 个模型包含不同的预测变量和 4 个不同的结果)