在心理学中，显示具有重叠正常曲线的直方图是常见的 . 同时用geom_line显示观察值的密度将有助于与正常曲线进行比较，因此我编写了另一个直方图函数来执行此操作（ userfriendlyscience 包中的 powerHist ） . 但是，对于大型向量（目前使用1670万个数据点），它的执行速度非常慢，所以我试图让它更快 . 我曾经使用 density 来手动计算密度估计值，然后将它们与bin中的最大数据点数相乘以对其进行缩放以匹配直方图 .
但这很慢，而且，我认为ggplot2应该可以做到这一点 . 由 stat_density 计算的变量之一是 ..scaled.. ，这是密度估计值，最大值为1.现在我只需将其乘以 . 但ggplot2赢了't find the variable I use. Multiplying it with a constant works fine, but whether I place the variable in the dataframe I pass on to ggplot2 or not doesn'似乎很重要：ggplot2无法找到它 .
scalingFactor <- max(table(cut(mtcars$mpg, breaks=20)));
dat <- data.frame(mpg = mtcars$mpg,
scalingFactor = scalingFactor);
ggplot(mtcars, aes(x=mpg)) +
geom_histogram(bins=20) +
geom_line(aes(y=..scaled.. * scalingFactor),
stat='density', color='red');
这会产生：
Error in eval(expr, envir, enclos) : object 'scalingFactor' not found
使用常规数字替换 scalingFactor 时，它可以：
ggplot(mtcars, aes(x=mpg)) +
geom_histogram(bins=20) +
geom_line(aes(y=..scaled.. * 10),
stat='density', color='red');
此外，当它自己只使用 scalingFactor 时，它也有效：
ggplot(mtcars, aes(x=mpg)) +
geom_histogram(bins=20) +
geom_line(aes(y=scalingFactor ),
stat='density', color='red');
所以 scalingFactor 似乎可用;乘法是可用的;显然 ..scaled.. 可用 . 但是，将它们组合似乎也失败了 . 我在这里想念的是什么？我可以使用stat'或其他东西生成的变量来计算't find anything on ' . . .
有没有人遇到这个？是否知道ggplot2的行为，我错过了？
1 回答
试试
aes_q(y=bquote(..scaled.. * .(scalingFactor)))（虽然我认为某处存在一个错误，因为？ggplot中的环境参数表明不需要这样做，实际上在处理不是来自stat的变量时不需要）