Bedingte Verwendung von Jitter in ggplot2 mit geom_point

Question

Ich habe eine Grafik mit 12 Variablen in zwei Gruppen unterteilt. Ich kann keine Facetten verwenden, aber mit Farbe und Form konnte ich die Visualisierung leicht verständlich machen. Es gibt jedoch einige Punkte, die sich (teilweise oder ganz) überschneiden. Ich verwende Jitter, um mit diesen umzugehen, aber wie Sie aus der beigefügten Grafik sehen können, führt dies dazu, dass alle Punkte verschoben werden, nicht nur die mit Überlappung.

Gibt es eine Möglichkeit, Jitter zu verwenden oder bedingt auszuweichen? Noch besser, gibt es eine Möglichkeit, die sich teilweise überlappenden Punkte nebeneinander zu legen? Wie Sie sehen können, ist meine X-Achse diskrete Kategorien und eine leichte Verschiebung nach links/rechts spielt keine Rolle. Ich habe versucht, mit binaxis='y' Dotplot, aber das verdirbt komplett die X-Achse.

Bearbeiten: This graph hat es geschafft, genau das zu tun, was ich suche.

Weitere Bearbeitung: Hinzufügen des Codes hinter dieser Visualisierung.

disciplines <- c("Comp. Sc.\n(17.2%)", "Physics\n(19.6%)", "Maths\n(29.4%)", "Pol.Sc.\n(40.4%)", "Psychology\n(69.8%)") 

# To stop ggplot from imposing alphabetical ordering on x-axis 
disciplines <- factor(disciplines, levels=disciplines, ordered=T) 

# involved aspects 
intensive <- c(0.660, 0.438, 0.515, 0.028, 0.443) 
comparative <- c(0.361, 0.928, 0.270, 0.285, 0.311) 
wh_adverbs <- c(0.431, 0.454, 0.069, 0.330, 0.577) 
past_tense <- c(0.334, 0.229, 0.668, 0.566, 0.838) 
present_tense <- c(0.680, 0.408, 0.432, 0.009, 0.996) 
conjunctions <- c(0.928, 0.207, 0.162, -0.299, -0.045) 
personal  <- c(0.498, 0.521, 0.332, 0.01, 0.01) 
interrogative <- c(0.266, 0.202, 0.236, 0.02, 0.02) 
sbj_objective <- c(0.913, 0.755, 0.863, 0.803, 0.913) 
possessive <- c(0.896, 0.802, 0.960, 0.611, 0.994) 
thrd_person <- c(-0.244, -0.265, -0.310, -0.008, -0.384) 
nouns  <- c(-0.602, -0.519, -0.388, -0.244, -0.196) 

df1 <- data.frame(disciplines, 
       "Intensive Adverbs"=intensive, 
       "Comparative Adverbs"=comparative, 
       "Wh-adverbs (WRB)"=wh_adverbs, 
       "Verb: Past Tense"=past_tense, 
       "Verb: Present Tense"=present_tense, 
       "Conjunctions"=conjunctions, 
       "Personal Pronouns"=personal, 
       "Interrogative Pronouns"=interrogative, 
       "Subjective/Objective Pronouns"=sbj_objective, 
       "Possessive Pronouns"=possessive, 
       "3rd-person verbs"=thrd_person, 
       "Nouns"=nouns, 
       check.names=F) 

df1.m <- melt(df1) 
grp <- ifelse(df1.m$variable %in% c('3rd-person verbs','Nouns'), 'Informational Features', 'Involved Features') 
g <- ggplot(df1.m, aes(group=grp, disciplines, value, shape=grp, colour=variable)) 
g <- g + geom_hline(yintercept=0, size=9, color="white") 
g <- g + geom_smooth(method=loess, span=0.75, level=0.95, alpha=I(0.16), linetype="dashed") 
g <- g + geom_point(size=4, alpha=I(0.7), position=position_jitter(width=0.1, height=0)) 
g <- g + scale_shape_manual(values=c(17,19)) 

Answer 1

Ich bin gespannt, was andere könnte darauf hindeuten, aber den Side-by-Side-Effekt zu erzielen, könnten Sie die wichtigsten x-Achse Kategorien als Zahlen-Code (10, 20, .. 50) plus/minus einem kleiner Betrag wie (0..10)/2 basierend auf den Kategorien, die Sie für die Farbe verwenden. Sie könnten also die x-Achse als 9.6, 9.8, 10.0, 10.2 ... und dann als 20.0, 20.2, 20.4 bekommen. Dies könnte ein organisiertes Diagramm erstellen, anstatt diese fraktionellen Anpassungen nach dem Zufallsprinzip zuzuweisen.

Hier ist eine schnelle Implementierung dieser Idee für Ihren Datensatz. Es versetzt die Hauptvariable x disciplines von einem Sechstel der Unterkategorie variable und verwendet diese ohne Jitter für den x-Wert ...

M = df1.m 
ScaleFactor = 6 
xadj = as.numeric(M$variable)/ScaleFactor 
xadj = xadj - mean(xadj) # shift it to center around zero 
x10 = as.numeric(M$disciplines) * 10 
M$x = x10 + xadj 
g = ggplot(M, aes(group=grp, x, value, shape=grp, colour=variable)) 
g + geom_point(size=4,alpha=I(0.7)) + scale_x_discrete(breaks=x10,labels=disciplines) 

anzumerken, dass die Werte innerhalb jeder Kategorie gleichmäßig auf und in den gleichen Abstand auftreten, Auftrag. (Dieser Code enthält nicht alle Kurvenanpassungen usw., die in der Abbildung dargestellt sind).

Variation: Sie können den Effekt noch deutlicher sehen, wenn Sie „quantisiert“ Ihre y-Werte, so dass mehr von ihnen Grundstück nebeneinander.

M$valmod = M$value - M$value %% 0.2 + .1 

Dann valmod anstelle von value in der aes() Anweisung den Effekt zu sehen.

Um die Kategorieetiketten zurück zu erhalten, setzen Sie sie manuell mit scale_x_discrete. Diese Version verwendet einen anderen ScaleFactor für einen breiteren Abstand und die quantisiert y-Achse:

M=df1.m 
ScaleFactor = 3 
# Note this could just be xadj instead of adding to data frame 
M$xadj = as.numeric(M$variable)/ScaleFactor 
M$xadj = M$xadj - mean(M$xadj) # shift it to center around zero 
M$x10 = as.numeric(M$disciplines) * 10 
M$x = M$x10 + M$xadj 

Qfact = 0.2 # resolution to quantize y values 
M$valmod = M$value - M$value %% Qfact + Qfact/2 # clump y to given resolution 

g = ggplot(M, aes(group=grp, x, valmod, shape=grp, colour=variable)) + 
    scale_x_discrete(limits = M$x10, breaks=unique(M$x10),labels=levels(M$disciplines)) 
g + geom_point(size=3,alpha=I(0.7))