使用 R 使直方图中的 y 轴对数
您好,我正在使用 R 制作直方图,但是 Y 轴的数量太大,我需要将其转换为对数。请参阅下面的脚本:
hplot<-read.table("libl")
hplot
pdf("first_end")
hist(hplot$V1, breaks=24, xlim=c(0,250000000), ylim=c(0,2000000),main="first end mapping", xlab="Coordinates")
dev.off()
那么我应该如何更改我的脚本? 谢谢
Hi I'm making histogram using R, but the number of Y axis is so large that I need to turn it into logarithmic.See below my script:
hplot<-read.table("libl")
hplot
pdf("first_end")
hist(hplot$V1, breaks=24, xlim=c(0,250000000), ylim=c(0,2000000),main="first end mapping", xlab="Coordinates")
dev.off()
So how should I change my script?
thx
如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
发布评论
评论(4)
您可以在绘制之前保存直方图数据以进行调整:
You can save the histogram data to tweak it before plotting:
另一种选择是使用plot(密度(hplot$V1), log="y")。
它不是直方图,但它显示了几乎相同的信息,并且它避免了不合逻辑的部分,即计数为零的箱在日志空间中没有明确定义。
当然,这仅在数据连续时才有意义,而不是在真正分类或有序时才有意义。
Another option would be to use
plot(density(hplot$V1), log="y")
.It's not a histogram, but it shows just about the same information, and it avoids the illogical part where a bin with zero counts is not well-defined in log-space.
Of course, this is only relevant when your data is continuous and not when it's really categorical or ordinal.
y 轴位于对数刻度上的直方图将是一个相当奇怪的直方图。从技术上讲,它仍然符合定义,但它可能看起来相当具有误导性:相对于分布的其余部分,峰值将变得平坦。
,而不是使用对数转换
将计数除以 100 万:
h <- hist(hplot$V1,plot=FALSE)
h$counts <- h$counts/1e6
plot(h)
绘制直方图作为密度估计:
hist(hplot$V1, freq=FALSE)
A histogram with the y-axis on the log scale will be a rather odd histogram. Technically it will still fit the definition, but it could look rather misleading: the peaks will be flattened relative to the rest of the distribution.
Instead of using a log transformation, have you considered:
Dividing the counts by 1 million:
h <- hist(hplot$V1, plot=FALSE)
h$counts <- h$counts/1e6
plot(h)
Plotting the histogram as a density estimate:
hist(hplot$V1, freq=FALSE)
您可以记录绘图的 y 值,然后添加自定义对数 y 轴。
以下是随机正态分布数的表对象的示例:
You can log your y-values for the plot and add a custom log y-axis afterwards.
Here is an example for a table object of random normal distribution numbers: