Compréhension des dates et traçage d'un histogramme avec ggplot2 en R

Question

Question principale

Je rencontre des problèmes pour comprendre pourquoi la gestion des dates, des libellés et des interruptions ne fonctionne pas comme je l'aurais attendu dans R lorsque j'essaie de faire un histogramme avec ggplot2.

Je recherche :

• Un histogramme de la fréquence de mes dates
• Des repères centrés sous les barres correspondantes
• Des libellés de date au format %Y-b
• Des limites appropriées ; espace vide minimisé entre le bord de l'espace de la grille et les barres les plus extérieures

J'ai mis mes données en ligne sur pastebin pour que vous puissiez reproduire ceci. J'ai créé plusieurs colonnes car je n'étais pas sûr de la meilleure façon de le faire :

> dates <- read.csv("http://pastebin.com/raw.php?i=sDzXKFxJ", sep=",", header=T)
> head(dates)
       YM       Date Year Month
1 2008-Apr 2008-04-01 2008     4
2 2009-Apr 2009-04-01 2009     4
3 2009-Apr 2009-04-01 2009     4
4 2009-Apr 2009-04-01 2009     4
5 2009-Apr 2009-04-01 2009     4
6 2009-Apr 2009-04-01 2009     4

Voici ce que j'ai essayé :

library(ggplot2)
library(scales)
dates$converted <- as.Date(dates$Date, format="%Y-%m-%d")

ggplot(dates, aes(x=converted)) + geom_histogram()
+      opts(axis.text.x = theme_text(angle=90))

Cela donne ce graphique. Je voulais un format %Y-%b, donc j'ai cherché autour et essayé ce qui suit, basé sur ce SO :

ggplot(dates, aes(x=converted)) + geom_histogram()
+    scale_x_date(labels=date_format("%Y-%b"),
+    breaks = "1 month")
+    opts(axis.text.x = theme_text(angle=90))

stat_bin: binwidth defaulted to range/30. Use 'binwidth = x' to adjust this.

Cela me donne ce graphique

• Format correct de l'axe x
• La distribution de fréquence a changé de forme (problème de binwidth?)
• Les repères ne semblent pas centrés sous les barres
• Les limites ont également changé

J'ai travaillé sur l'exemple dans la documentation de ggplot2 dans la section scale_x_date et geom_line() semble casser, libeller et centrer correctement les repères quand je l'utilise avec les mêmes données sur l'axe x. Je ne comprends pas pourquoi l'histogramme est différent.

---

Mises à jour basées sur les réponses d'edgester et gauden

Je pensais initialement que la réponse de gauden m'avait aidé à résoudre mon problème, mais je suis maintenant perplexe après avoir examiné de plus près. Notez les différences entre les graphiques résultants des deux réponses après le code.

Supposez pour les deux :

library(ggplot2)
library(scales)
dates <- read.csv("http://pastebin.com/raw.php?i=sDzXKFxJ", sep=",", header=T)

D'après la réponse de @edgester ci-dessous, j'ai pu faire ce qui suit :

freqs <- aggregate(dates$Date, by=list(dates$Date), FUN=length)
freqs$names <- as.Date(freqs$Group.1, format="%Y-%m-%d")

ggplot(freqs, aes(x=names, y=x)) + geom_bar(stat="identity") +
       scale_x_date(breaks="1 month", labels=date_format("%Y-%b"),
                    limits=c(as.Date("2008-04-30"),as.Date("2012-04-01"))) +
       ylab("Fréquence") + xlab("Année et mois") +
       theme_bw() + opts(axis.text.x = theme_text(angle=90))

Voici ma tentative basée sur la réponse de gauden :

dates$Date <- as.Date(dates$Date)
ggplot(dates, aes(x=Date)) + geom_histogram(binwidth=30, colour="white") +
       scale_x_date(labels = date_format("%Y-%b"),
                    breaks = seq(min(dates$Date)-5, max(dates$Date)+5, 30),
                    limits = c(as.Date("2008-05-01"), as.Date("2012-04-01"))) +
       ylab("Fréquence") + xlab("Année et mois") +
       theme_bw() + opts(axis.text.x = theme_text(angle=90))

Graphique basé sur l'approche de edgester :

Graphique basé sur l'approche de gauden :

Remarquez ce qui suit :

• des lacunes dans le graphique de gauden pour 2009-Dec et 2010-Mar; table(dates$Date) révèle qu'il y a 19 instances de 2009-12-01 et 26 instances de 2010-03-01 dans les données
• le graphique de edgester commence en avril 2008 et se termine en mai 2012. C'est correct en fonction d'une valeur minimale dans les données du 1er avril 2008 et d'une date maximale du 1er mai 2012. Pour une raison quelconque, le graphique de gauden commence en mars 2008 et se termine toujours en mai 2012. Après avoir compté les bacs et lu le long des libellés des mois, je ne peux vraiment pas comprendre quel graphique a un excès ou manque un bac de l'histogramme!

Des idées sur les différences ici ? la méthode de edgester pour créer un comptage séparé

---

Références connexes

À titre de remarque, voici d'autres sources d'informations sur les dates et ggplot2 pour les passants à la recherche d'aide :

• Commencé ici sur learnr.wordpress, un blog R populaire. Il indiquait que je devais obtenir mes données au format POSIXct, ce que je pense maintenant est faux et a gaspillé mon temps.
• Un autre article de learnr recrée une série temporelle dans ggplot2, mais n'était pas vraiment applicable à ma situation.
• r-bloggers a un article sur ceci, mais il semble obsolète. L'option simple format= n'a pas fonctionné pour moi.
• Cette question SO joue avec les interruptions et les libellés. J'ai essayé de traiter mon vecteur Date comme continu et je ne pense pas que cela a très bien fonctionné. On dirait qu'il superposait le même texte de libellé encore et encore donc les lettres avaient l'air un peu étranges. La distribution est assez correcte mais il y a des interruptions étranges. Ma tentative basée sur la réponse acceptée était comme ça (résultat ici).

Answer 1

METTRE À JOUR

Version 2: Utilisation de la classe Date

J'ai mis à jour l'exemple pour démontrer l'alignement des étiquettes et le paramétrage des limites sur le graphique. Je démontre également que as.Date fonctionne effectivement lorsqu'il est utilisé de manière cohérente (c'est probablement une meilleure option pour vos données que mon exemple précédent).

Le Graphique Cible v2

Le Code v2

Et voici le code (quelque peu excessivement) commenté :

library("ggplot2")
library("scales")

dates <- read.csv("http://pastebin.com/raw.php?i=sDzXKFxJ", sep=",", header=T)
dates$Date <- as.Date(dates$Date)

# convertir la Date en son équivalent numérique
# Notez que les Dates sont stockées en interne sous forme de nombre de jours,
# il est donc facile de faire la conversion mentalement d'un format à l'autre
dates$num <- as.numeric(dates$Date)

bin <- 60 # utilisé pour agréger les données et aligner les étiquettes

p <- ggplot(dates, aes(num, ..count..))
p <- p + geom_histogram(binwidth = bin, colour="white")

# Les données numériques sont traitées comme des dates,
# les intervalles sont définis en fonction de la largeur du bin,
# et un ensemble d'étiquettes est généré et ajusté pour s'aligner avec les barres
p <- p + scale_x_date(breaks = seq(min(dates$num)-20, # changer le terme -20 selon votre préférence
                                   max(dates$num), 
                                   bin),
                      labels = date_format("%Y-%b"),
                      limits = c(as.Date("2009-01-01"), 
                                 as.Date("2011-12-01")))

# à partir d'ici, formatez à votre aise
p <- p + theme_bw() + xlab(NULL) + opts(axis.text.x  = theme_text(angle=45,
                                                                  hjust = 1,
                                                                  vjust = 1))
p

Version 1: Utilisation de POSIXct

J'essaie une solution qui effectue tout dans ggplot2, dessinant sans agrégation et définissant les limites sur l'axe des x entre le début de 2009 et la fin de 2011.

Le Graphique Cible v1

Le Code v1

library("ggplot2")
library("scales")

dates <- read.csv("http://pastebin.com/raw.php?i=sDzXKFxJ", sep=",", header=T)
dates$Date <- as.POSIXct(dates$Date)

p <- ggplot(dates, aes(Date, ..count..)) + 
    geom_histogram() +
    theme_bw() + xlab(NULL) +
    scale_x_datetime(breaks = date_breaks("3 months"),
                     labels = date_format("%Y-%b"),
                     limits = c(as.POSIXct("2009-01-01"), 
                                as.POSIXct("2011-12-01")) )

p

Bien sûr, il est possible de jouer avec les options d'étiquetage sur l'axe, mais cela permet de conclure le traçage avec une routine courte et propre dans le package de traçage.

Answer 2

Je sais que c'est une vieille question, mais pour quiconque y accède en 2021 (ou plus tard), cela peut être fait beaucoup plus facilement en utilisant l'argument breaks= pour geom_histogram() et en créant une petite fonction raccourci pour créer la séquence requise.

dates <- read.csv("http://pastebin.com/raw.php?i=sDzXKFxJ", sep=",", header=T)

dates$Date <- lubridate::ymd(dates$Date)

by_month <- function(x,n=1){
  seq(min(x,na.rm=T),max(x,na.rm=T),by=paste0(n," mois"))
}

ggplot(dates,aes(Date)) +
  geom_histogram(breaks = by_month(dates$Date)) +
  scale_x_date(labels = scales::date_format("%Y-%b"),
               breaks = by_month(dates$Date,2)) + 
  theme(axis.text.x = element_text(angle=90))

Answer 3

Je pense que la chose clé est que vous devez effectuer le calcul de fréquence en dehors de ggplot. Utilisez aggregate() avec geom_bar(stat="identity") pour obtenir un histogramme sans les facteurs réordonnés. Voici un exemple de code :

require(ggplot2)

# scales est utilisé avec ggplot et ajoute les fonctions scale* nécessaires
require(scales)

# nécessite la fonction month() pour le tracé supplémentaire
require(lubridate)

# données originales
#df<-read.csv("http://pastebin.com/download.php?i=sDzXKFxJ", header=TRUE)

# données simulées
years=sample(seq(2008,2012),681,replace=TRUE,prob=c(0.0176211453744493,0.302496328928047,0.323054331864905,0.237885462555066,0.118942731277533))
months=sample(seq(1,12),681,replace=TRUE)
my.dates=as.Date(paste(years,months,01,sep="-"))
df=data.frame(YM=strftime(my.dates, format="%Y-%b"),Date=my.dates,Year=years,Month=months)
# fin de la création de données simulées

# trier la liste juste pour l'aspect visuel. Cela ne fait aucune différence dans les résultats finaux
df=df[do.call(order, df[c("Date")]), ]

# ajouter une colonne factice pour plus de clarté dans le traitement
df$Count=1

# calculons nous-mêmes les fréquences
freqs=aggregate(Count ~ Year + Month, data=df, FUN=length)

# reconstruire la colonne Date pour que ggplot fonctionne
freqs$Date=as.Date(paste(freqs$Year,freqs$Month,"01",sep="-"))

# J'ai défini les pauses pour 2 mois pour réduire le désordre
g<-ggplot(data=freqs,aes(x=Date,y=Count))+ geom_bar(stat="identity") + scale_x_date(labels=date_format("%Y-%b"),breaks="2 months") + theme_bw() + opts(axis.text.x = theme_text(angle=90))
print(g)

# ne pas écraser le graphique précédent
dev.new()

# juste pour le plaisir, voici une vue facettée par année
# Ajoutez le facteur Month.name pour que les choses fonctionnent. month() garde les niveaux de facteur dans l'ordre
freqs$Month.name=month(freqs$Date,label=TRUE, abbr=TRUE)
g2<-ggplot(data=freqs,aes(x=Month.name,y=Count))+ geom_bar(stat="identity") + facet_grid(Year~.) + theme_bw()
print(g2)

Answer 4

Le graphique d'erreur sous le titre "Graphique basé sur l'approche de Gauden" est dû au paramètre binwidth : ... + Geom_histogram (binwidth = 30, color = "white") + ... Si nous changeons la valeur de 30 à une valeur inférieure à 20, comme 10, vous obtiendrez toutes les fréquences.

En statistiques, les valeurs sont plus importantes que la présentation ; il vaut mieux avoir un graphique simple qu'une image très jolie mais avec des erreurs.