Zrób wykres estymacji nieparametrycznej gęstości dwuwymiarowy dla umownych danych w R
- User
Zrób wykres estymacji nieparametrycznej gęstości dwuwymiarowy dla umownych danych w R
Assistant
Oczywiście, oto jak możesz stworzyć wykres estymacji nieparametrycznej gęstości dwuwymiarowej w R dla umownych danych:
1. Generowanie umownych danych
Najpierw, aby to zademonstrować, generujemy umowne dane dwuwymiarowe:
# Ustawienie ziarna losowości dla powtarzalności set.seed(123) # Liczba punktów danych n <- 200 # Generowanie danych z dwóch rozkładów normalnych x <- c(rnorm(n/2, mean = 2, sd = 1), rnorm(n/2, mean = 8, sd = 1.5)) y <- c(rnorm(n/2, mean = 3, sd = 1.2), rnorm(n/2, mean = 7, sd = 0.8)) # Połączenie w ramkę danych dane <- data.frame(x = x, y = y) # Wyświetlenie kilku pierwszych wierszy head(dane)2. Estymacja gęstości i wizualizacja
Użyjemy funkcji
kde2dz pakietuMASSdo estymacji gęstości dwuwymiarowej oraz pakietówggplot2iviridisdo wizualizacji:# Instalacja i załadowanie potrzebnych pakietów (jeśli jeszcze ich nie masz) if(!require(MASS)) install.packages("MASS") if(!require(ggplot2)) install.packages("ggplot2") if(!require(viridis)) install.packages("viridis") library(MASS) library(ggplot2) library(viridis) # Estymacja gęstości dwuwymiarowej dens <- kde2d(dane$x, dane$y, n = 100) # n - liczba punktów siatki # Przygotowanie danych do ggplot2 df <- data.frame(expand.grid(x = dens$x, y = dens$y), z = as.vector(dens$z)) # Wykres konturowy ggplot(df, aes(x=x, y=y, fill=z)) + geom_tile() + scale_fill_viridis(option="viridis") + # Użycie palety kolorów viridis geom_contour(color = "white", alpha = 0.5) + # Opcjonalne kontury labs(title = "Estymacja Nieparametryczna Gęstości Dwuwymiarowej", x = "Oś X", y = "Oś Y", fill = "Gęstość") + theme_bw() # Prosty motywWyjaśnienie kodu:
-
kde2d(dane$x, dane$y, n = 100): Ta funkcja z pakietuMASSwykonuje estymację jądrową gęstości dwuwymiarowej.dane$xidane$yto wektory danych dla osi X i Y. Argumentn = 100określa liczbę punktów siatki, na której obliczana jest gęstość. Większa liczba punktów daje bardziej szczegółowy (ale i bardziej zasobożerny) wynik. -
data.frame(expand.grid(x = dens$x, y = dens$y), z = as.vector(dens$z)): Przekształca wynikkde2d(który jest listą) w ramkę danych, która jest łatwiejsza do użycia zggplot2.expand.gridtworzy wszystkie kombinacje punktówxiyz siatki, aas.vector(dens$z)spłaszcza macierz gęstościzw wektor. -
ggplot(df, aes(x=x, y=y, fill=z)) + ...: To główna część koduggplot2, która tworzy wykres.aes(x=x, y=y, fill=z)określa, że zmiennexiysą mapowane na osie X i Y, a gęstośćzjest mapowana na kolor wypełnienia.geom_tile()tworzy kafelki, gdzie kolor każdego kafelka odpowiada wartości gęstości.scale_fill_viridis(option="viridis")używa palety kolorów Viridis, która jest postrzegana jako bardziej przystępna dla osób z zaburzeniami widzenia barw. Możesz zmienićoptionna inne warianty palety Viridis (np. "magma", "inferno").geom_contour(color = "white", alpha = 0.5)dodaje białe kontury do wykresu, co może pomóc w lepszym zrozumieniu kształtu gęstości.labs(...)dodaje tytuł i etykiety osi.theme_bw()ustawia prosty, czarno-biały motyw.
Alternatywne Wizualizacje (Dodatkowe opcje)
Oto kilka alternatywnych sposobów wizualizacji estymacji gęstości:
- Wykres konturowy (bez kafelków):
ggplot(df, aes(x=x, y=y, z=z)) + geom_contour2(aes(colour = ..level..)) + scale_colour_viridis() + labs(title = "Wykres Konturowy Gęstości") + theme_bw()geom_raster()(alternatywa dlageom_tile()):geom_raster()jest podobne dogeom_tile(), ale może być szybsze dla dużych zbiorów danych.
ggplot(df, aes(x=x, y=y, fill=z)) + geom_raster() + scale_fill_viridis() + labs(title = "Wykres Rasterowy Gęstości") + theme_bw()- Wykres 3D (wymaga dodatkowych pakietów): Możesz również użyć pakietów takich jak
plotlylubrgldo stworzenia interaktywnego wykresu 3D. To wymagałoby więcej kodu.
Dostosowanie:
h(Szerokość pasma):kde2dma argumenth(szerokość pasma), który kontroluje wygładzanie estymacji. Eksperymentowanie z różnymi wartościamihmoże dać różne wyniki. Można go podać jako pojedynczą liczbę lub jako wektor dwóch liczb (po jednej dla każdej osi). Domyślniehjest obliczane automatycznie.- Paleta kolorów: Wybierz paletę kolorów, która najlepiej pasuje do Twoich danych i preferencji estetycznych. Możesz użyć innych palet z pakietu
viridislub innych pakietów, takich jakRColorBrewer. - Kontury: Dostosuj kolory, grubość i przezroczystość konturów.
- Zakres osi: Ustaw zakres osi X i Y, aby skupić się na interesującym Cię obszarze danych.
Pamiętaj, aby zainstalować pakiety, których jeszcze nie masz, używając
install.packages("nazwa_pakietu").Mam nadzieję, że to pomoże! Daj znać, jeśli masz więcej pytań.
-
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.