为什么 R hist 和 ggplot 直方图输出如此不同？

Question

我在尝试用 ggplot 绘制一个非常标准的随机变量的直方图时得到了一些奇怪的结果。

RB = rbinom(10000000,100,.3)
qplot(RB)#histogram of the distrib with ggplot2. Assumes 30 buckets by default
dev.new()
hist(RB,breaks=30)#same with regular histogram
dev.new()
qplot(RB,binwidth=1)#if we force binwidth to 1 it seems to work
dev.new()
hist(RB,breaks=range(RB)[2]-range(RB)[1])

第一次调用 qplot 的结果很奇怪。根据抽奖次数，我们希望图表显示平滑分布。

我使用 ggplot2 版本 1.0.0 和 R 3.0.2

Answer 1

默认情况下，ggplot 按照提示使用range/30 作为binwidth。在你的情况下，它大约是 48/30（取决于种子），大于 1，大约是 1.5。

现在，您的数据不是连续的，您只能获得整数，因此对于任何两个相邻的直方图箱，您都会得到不规则性，这是由于第一个箱将仅包含一个可能的整数，而下一个箱将包含两个， 等等。因此，您会看到每隔一个 bin 的计数就会增加一倍左右。

说，你的数据看起来像

1 2 3 4 5 6
5 5 5 5 5 5

如果你从 0.5 开始计数，你会得到这些箱子：

(0.5, 2] (2, 3.5] (3.5 5] (5, 6.5]
      10        5      10        5

这正是您在第一个图上看到的那些尖峰。

正如您已经发现的那样，如果 binwidth 严格为 1，这将不是问题。

编辑：

正如@James 所指出的，使用以下内容重现 ggplot 给出的带有基图的图片：

hist(RB, breaks=seq(min(RB), max(RB), length.out=30))

它可能看起来有点不同，但尖峰是存在的。