Tracer uniquement un sous-ensemble des points?

Question

J'essaie de tracer la courbe CDF pour un grand ensemble de données contenant environ 29 millions de valeurs en utilisant ggplot. La façon dont je suis informatique c'est comme ceci:

mycounts = ddply(idata.frame(newdata), .(Type), transform, ecd = ecdf(Value)(Value)) 
plot = ggplot(mycounts, aes(x=Value, y=ecd)) 

Cela prend les âges à tracer. Je me demandais s'il y avait une façon propre de tracer seulement un échantillon de cet ensemble de données (par exemple, tous les 10e ou 50e point) sans compromettre le résultat réel?

Answer 1

Je ne suis pas sûr de votre structure de données, mais un simple appel sample pourrait être suffisant:

n <- nrow(mycounts)        # number of cases in data frame 
mycounts <- mycounts[sample(n, round(n/10)), ] # get an n/10 sample to the same data frame 

Answer 2

Au lieu de prendre toutes les n points -ème, pouvez-vous quantifiez vos données établies à un niveau suffisant résolution avant de le tracer? De cette façon, vous n'aurez pas à tracer une résolution dont vous n'avez pas besoin (ou que vous ne pouvez pas voir).

Voici une façon de le faire. (La fonction que j'ai écrit ci-dessous est générique, mais l'exemple utilise des noms de votre question.)

library(ggplot2) 
library(plyr) 

## A data set containing two ramps up to 100, one by 1, one by 10 

tens <- data.frame(Type = factor(c(rep(10, 10), rep(1, 100))), 
        Value = c(1:10 * 10, 1:100)) 


## Given a data frame and ddply-style arguments, partition the frame 
## using ddply and summarize the values in each partition with a 
## quantized ecdf. The resulting data frame for each partition has 
## two columns: value and value_ecdf. 

dd_ecdf <- function(df, ..., .quantizer = identity, .value = value) { 
    value_colname <- deparse(substitute(.value)) 
    ddply(df, ..., .fun = function(rdf) { 
    xs <- rdf[[value_colname]] 
    qxs <- sort(unique(.quantizer(xs))) 
    data.frame(value = qxs, value_ecdf = ecdf(xs)(qxs)) 
    }) 
} 


## Plot each type's ECDF (w/o quantization) 

tens_cdf <- dd_ecdf(tens, .(Type), .value = Value) 
qplot(value, value_ecdf, color = Type, geom = "step", data = tens_cdf) 



## Plot each type's ECDF (quantizing to nearest 25) 

rounder <- function(...) function(x) round_any(x, ...) 
tens_cdfq <- dd_ecdf(tens, .(Type), .value = Value, .quantizer = rounder(25)) 
qplot(value, value_ecdf, color = Type, geom = "step", data = tens_cdfq) 

Alors que les dataset d'origine et l'ensemble de ECDF avait 110 lignes, l'ensemble quantifiée-ECDF est très réduite:

> dim(tens) 
[1] 110 2 
> dim(tens_cdf) 
[1] 110 3 
> dim(tens_cdfq) 
[1] 10 3 
> tens_cdfq 
    Type value value_ecdf 
1  1  0  0.00 
2  1 25  0.25 
3  1 50  0.50 
4  1 75  0.75 
5  1 100  1.00 
6 10  0  0.00 
7 10 25  0.20 
8 10 50  0.50 
9 10 75  0.70 
10 10 100  1.00 

J'espère que cela aide! :-)