Skip to content
TheChatArchiveThe Chat Archive
Geminigemini-2.0-flash-001· GoogleHugging Face LMArena Human Preference 140K

Zrób wykres estymacji nieparametrycznej gęstości dwuwymiarowy dla umownych danych w R

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with Mistralmagistral-medium-2506’s answer.
  1. User

    Zrób wykres estymacji nieparametrycznej gęstości dwuwymiarowy dla umownych danych w R

  2. Gemini 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 kde2d z pakietu MASS do estymacji gęstości dwuwymiarowej oraz pakietów ggplot2 i viridis do 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 motyw
    

    Wyjaśnienie kodu:

    • kde2d(dane$x, dane$y, n = 100): Ta funkcja z pakietu MASS wykonuje estymację jądrową gęstości dwuwymiarowej. dane$x i dane$y to wektory danych dla osi X i Y. Argument n = 100 określa 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$z)): Przekształca wynik kde2d (który jest listą) w ramkę danych, która jest łatwiejsza do użycia z ggplot2. expand.grid tworzy wszystkie kombinacje punktów x i y z siatki, a as.vector(dens$z) spłaszcza macierz gęstości z w wektor.

    • ggplot(df, aes(x=x, y=y, fill=z)) + ...: To główna część kodu ggplot2, która tworzy wykres.

      • aes(x=x, y=y, fill=z) określa, że zmienne x i y są mapowane na osie X i Y, a gęstość z jest 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 zmienić option na 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 dla geom_tile()): geom_raster() jest podobne do geom_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 plotly lub rgl do stworzenia interaktywnego wykresu 3D. To wymagałoby więcej kodu.

    Dostosowanie:

    • h (Szerokość pasma): kde2d ma argument h (szerokość pasma), który kontroluje wygładzanie estymacji. Eksperymentowanie z różnymi wartościami h może dać różne wyniki. Można go podać jako pojedynczą liczbę lub jako wektor dwóch liczb (po jednej dla każdej osi). Domyślnie h jest obliczane automatycznie.
    • Paleta kolorów: Wybierz paletę kolorów, która najlepiej pasuje do Twoich danych i preferencji estetycznych. Możesz użyć innych palet z pakietu viridis lub innych pakietów, takich jak RColorBrewer.
    • 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.

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.