r - ggplot2 で累積プロット

Question

x 軸に 0% から 100%、y 軸に単位を表すグラフ形式を作成し、y=0 から y=max まで累積することはできますか? . ggplot2 には、それを可能にする事前定義された統計がありますか?

ここにいくつかのデータがあります: http://sprunge.us/XYJK

Answer 1

ggplot で処理する前、または次のときに適用できます。

例えば：

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)

また

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)

これは販売データか何かだと思います。つまり、収益の 50% は最初の 5000 件のトランザクションから発生します。

Answer 2

経験的 CDF を探しているように思えます。データには多くの場所で値が複製されているため、並べ替えられた値の度数分布表に基づいて経験的 CDF を作成しました。データをベクトル x にコピーしてから、次のことを行いました。

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")

問題は、データが極端に右に歪んでおり、ヒストグラムが双曲線をエミュレートしているため、データの大部分が 1000 をはるかに下回り、いくつかの重大な外れ値があることです。あなたにアイデアを与えるために、

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

と

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

平均は、分布の 90 パーセンタイルよりも大きいです! その文脈では、ecdf プロットが非常に有益になるとは思いません。ベクトル内の値が特定の値以下である割合を調べるには、次の小さな関数を試してください。

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