R - 在条形图中按组大小加权

Question

假设我有一个如下所示的数据框：

groups <- floor(runif(1000, min=1, max=5))
activity <- rep(c("A1", "A2", "A3", "A4"), times= 250)
endorsement <- floor(runif(1000, min=0, max=2))
value1 <- runif(1000, min=1, max=10)
area <- rep(c("A", "A", "A", "A", "B", "C", "C", "D", "D", "E"), times = 100)

df <- data.frame(groups, activity, endorsement, value1, area)

印刷：

> head(df)
  groups activity endorsement   value1 area
1      1       A1           0 7.443375    A
2      1       A2           0 4.342376    A
3      1       A3           0 4.810690    A
4      4       A4           0 3.494974    A
5      3       A1           1 6.442354    B
6      1       A2           0 9.794138    C

我想计算一些描述性统计数据并创建一些条形图，但是如果您查看 area 变量，A 的表示非常好，而 B 和 E 则没有。

我对 area 变量本身不感兴趣，但统计/绘图将由数据集中具有高代表性的区域驱动，因此我需要对数据进行加权，但我不确定正确的方法在以下情况下这样做：

平均值和标准差

我正在计算平均值和 SD 或 value1，如下所示：

df %>% group_by(groups) %>% summarise(mean=mean(value1), sd=sd(value1))

计算加权平均值/标准差以补偿每个区域的样本量差异的正确方法是什么（即我想给每个 area 同等权重）？

堆积条形图

ggplot(df, aes(groups)) +
  geom_bar(aes(fill = activity), position = position_fill(reverse = F))

这些条形代表每个activity 在每个group 中出现的频率比例。同样，这主要是由来自 A 区的受访者推动的 - 有没有办法平衡这一点并计算比例，就好像 area 具有相同的代表性？

分组表示

ggplot(aes(x = activity, y = value1, fill=factor(groups)), data=df) +
  geom_bar(position="dodge", stat="summary", fun.y="mean")+
  guides(fill = guide_legend(reverse=F, title="group"))

这些条形代表每个 group 和 activity 组合的 value1 的平均值。同样，这些平均值的权重有利于区域 A，并且代表性不相等

分组计数比例

summary_df <- df %>% group_by(groups, activity) %>%
    summarise(n=n(), count=sum(endorsement)) %>% mutate(prop=(count/n)*100)

ggplot(aes(x = activity, y = prop, fill = factor(groups)), data=summary_df) +
  geom_bar(width=0.8, position = position_dodge(width=0.8), stat="identity") +
  guides(fill = guide_legend(reverse=F, title="group"))

对于每个 group 和 activity 组合，我正在计算支持该项目的人数（回复 1），并计算子组中总人数的比例

以上 4 个问题都源于同一个问题，都需要用area 加权以创建相等的表示。但是，可视化的创建方式都不同，并且显示了不同的内容（平均值、堆叠条、分组平均值、计数比例），我不确定在每种情况下考虑样本量差异的正确方法。是否有一个修复将传播到每个图形示例？

Answer 1

一种策略是 down- 或 up-sample 您的 dataframe，以便每个区域具有相同数量的观察值。我们可以使用caret 包中的便利函数downSample()或upSample()，根据文档：

“简单随机抽样用于对多数类进行下采样。请注意，少数类数据保持不变......”

举例说明：

library(dpyr)
library(caret)
# Before
df %>% group_by(area) %>% summarise(n())
#   area `n()`
#1      A   400
#2      B   100
#3      C   200
#4      D   200
#5      E   100

# After
set.seed(123)
test_down <- downSample(df, df$area)
test_down %>% group_by(area) %>% summarise(n())
#    area `n()`
#1      A   100
#2      B   100
#3      C   100
#4      D   100
#5      E   100

test_up <- upSample(df, df$area)
test_up %>% group_by(area) %>% summarise(n())
#    area `n()`
#1      A   400
#2      B   400
#3      C   400
#4      D   400
#5      E   400

那么你的第一张图就变成了：

library(ggplot2)
ggplot(test_down, aes(groups)) +
        geom_bar(aes(fill = activity), 
                 position = position_fill(reverse = F))

请注意，由于我们使用随机抽样，因此我们无法控制在使用 downSample() 时会忽略哪些观察结果。因此，在没有set.seed() 的情况下，每次运行的结果可能会略有不同。