搜索
搜索

如何使用 R 中 gplots 包中的 plotmeans() 函数绘制均值和置信区间条

Alice Hobbs 发表于 Dev
38
爱丽丝·霍布斯

问题：

我试图用生产函数曲线plotmeans（）在gplots包。我的目标是显示平均 FID 目击（请参阅下面称为“FID”和“Mean_FID”的数据框）以及相关的上下置信区间条和n 个标签

数据框结构

  • 我有一个名为“FID”的大型数据框，有 918 行，主要列标题是：-
  1. FID = 目击次数
  2. 年 = 2015-2017
  3. 月份 = 一月至十二月
  • 我修改了名为“FID”的数据框以显示每年每月的平均目击事件。数据框称为“Mean_FID”，有 36 行，用于生成图 4（见下文）。主要的列标题是：-
  1. 年 = 目击次数
  2. 月份 = 一月至二月
  3. 频率 FID = 每年每月平均目击次数

目标 - 欲望情节

我想使用函数 plotmeans() 将下面列出的所有功能合并到一个所需的图中

ci.label = 我想在每个置信区间条的末尾显示实际的上下区间值。

数字= 我希望所有置信区间标签都具有 3 个有效数字（见图 4）。

n.label = 我想在绘图空间中 x 轴上每个间隔条的底部显示每组中的观察数（见图 1）

日期= 所有月份都需要按时间顺序显示在 x 轴上的 1 月至 12 月之间

调整 y 轴= 图 1 + 2（见下文）中的 y 轴限制不正确，因为这些值表示名为“FID”的数据框中的行数，而不是实际平均目击数，例如 April 包含111 次目击，但图 1 和图 2 中的 y 轴表明有 390 次目击，这是不正确的。图 3 和图 4（见下文）显示了正确的 y 轴限制。

问题

到目前为止，我已经制作了 4 个图，其中每个图至少显示了上面列出的 1 或 2 个所需特征。但是，我无法生成包含所有所需特征的图。我感到非常困惑，因为我修改了 R 代码和数据框以尝试生成所需的图。我已经尝试了很多次，我真的无法理解我做错了什么。

如果有人能帮我解决这个问题，我要表示最深切的感谢。

谢谢 ：）

汇总数据帧

#To begin with, I tried to find the correct values for 
#the mean count of observations with associated standard 
#deviation, standard error, and the upper and lower confidence 
#intervals using dplyr() based on Dan Chaltiel's suggestions (below):

library(dplyr)

##Count the number of row observations and count by "Year" and "Month"

  Summarised_FID_Count<-FID %>% 
                        dplyr::mutate(Month=ordered(Month, levels=month_levels)) %>%
                        dplyr::count(Year, Month)
     
##Summarise the data frame "FID'


Summarise_FID_Data<-Summarised_FID_Count %>%
                                  group_by(Month) %>%
                                  dplyr::summarise(mean.month = mean(n, na.rm = TRUE),
                                  sd.month = sd(n, na.rm = TRUE),
                                  n.month = n()) %>%
                                  dplyr::mutate(se.month = sd.month / sqrt(n.month),
                                  lower.ci.month = mean.month - qt(1 - (0.05 / 2), n.month - 1) * se.month,
                                  upper.ci.month = mean.month + qt(1 - (0.05 / 2), n.month - 1) * se.month)

##One problem, the output produces negative lower 
##confidence interval values which I don't think is 
##correct because you cannot have a negative number of 
##observations. 

# A tibble: 11 x 7
   Month     mean.month sd.month n.month se.month lower.ci.month upper.ci.month
   <ord>          <dbl>    <dbl>   <int>    <dbl>          <dbl>          <dbl>
 1 January         37.7     5.69       3     3.28          23.5            51.8
 2 February        31.3     4.93       3     2.85          19.1            43.6
 3 March           37       5.29       3     3.06          23.9            50.1
 4 April           37      12.3        3     7.09           6.47           67.5
 5 May             11       7.94       3     4.58          -8.72           30.7
 6 July             8       1.41       2     1             -4.71           20.7
 7 August          29.7     9.29       3     5.36           6.59           52.7
 8 September       28.7    16.4        3     9.49         -12.2            69.5
 9 October         27.3    12.5        3     7.22          -3.73           58.4
10 November        27      17.7        3    10.2          -16.9            70.9
11 December        33.7     4.04       3     2.33          23.6            43.7

图 1、2、3 和 4 的 R 代码（见下文）：

##Download package
library(gplots)

#Convert `month_vector` to a factor with ordered level
Month.label<- factor(FID, order = TRUE, levels =c('January', 
                                                  'February',
                                                  'March',
                                                  'April',
                                                  'May', 
                                                  'June',
                                                  'July',
                                                  'August',
                                                  'September',
                                                  'October',
                                                  'November',
                                                  'December'))

##Code for figure 1
    dev.new()
    plotmeans(FID~Month, data=FID,
              ylab="Mean Blue Whale Sightings",
              xlab="Months")
    
    ##Code for sample 2
    dev.new
    plotmeans(FID~Month, data=FID,
              ci.label = TRUE,
              xaxt = n,
              digits = 3,
              ylab="Mean Blue Whale Sightings",
              xlab="Months")
    
    axis(side = 1, at = seq(1, 12, by = 1), labels = FALSE)
    text(seq(1, 12, by=1), par("usr")[3] - 0.2, labels=unique(month.label), srt = 75, pos = 1, xpd = TRUE, cex=0.3)
    
    ##Code for sample 3:
    
    ##Filter the data frame using the function count() in dplyr
    
    New_FID<-FID %>% dplyr::select(Month, FID) %>% 
                     dplyr::count(Month) %>% as.data.frame
    
    ##Examine the structure of the filtered data frame showing the month and total whale sightings
    
    str(New_FID)
    
    ##Produce a new data frame
    
    FID_Plotmeans<-as.data.frame(New_FID)
    
    ##Rename the columns
    
    colnames(FID_Plotmeans)<-c("Month", "FID_Sightings")
    
    ##Plot the means
    
    dev.new()
    plotmeans(FID_Sightings,
              data=New_Blue_Plotmeans,
              ylab="Mean Blue Whale Sightings",
              xlab="Months")
    
    ##Code for sample 4:
    
    plotmeans(Frequency_FID~Month, data=Mean_FID,
              text.n.label = Month.label,
              ci.label = TRUE,
              digits = 3,
              ylab="Mean Blue Whale Sightings",
              xlab="Months")
    
    Warning messages:
    1: In arrows(x, li, x, pmax(y - gap, li), col = barcol, lwd = lwd,  :
      zero-length arrow is of indeterminate angle and so skipped
    2: In arrows(x, ui, x, pmin(y + gap, ui), col = barcol, lwd = lwd,  :
      zero-length arrow is of indeterminate angle and so skipped

图 1、2、3 和 4 的问题（见下文）：

图 1（见下文）：

  1. y 轴限制不正确 - 该图显示数据框中的平均行数，而不是 FID 目击的平均数（例如，4 月有 111 次目击，但 y 轴限制表明目击的平均数为 390，这是不正确的。
  2. x 轴上的月份不按时间顺序排列 - 一月至十二月
  3. 好消息，因为n.labels显示在 x 轴上。

图2（见下文）：

  1. y 轴限制不正确 - 该图显示数据框中的平均行数，而不是 FID 目击的平均数（例如，4 月有 111 次目击，但 y 轴限制表明目击的平均数为 390，这是不可能的。
  2. x 轴上的月份不按时间顺序排列 - 一月至十二月
  3. 缺少连接每个月平均目击点的相邻线
  4. ci.labels 丢失
  5. n.labels 丢失

图 3（见下文）：

  1. x 轴上的月份不按时间顺序排列 - 一月至十二月
  2. n.labels 显示为每个分组的 n=1，这是不正确的
  3. 缺少置信区间条
  4. ci.labels 丢失
  5. 好消息，因为 y 轴限制是正确的。

示例 4（见下文）：

  1. x 轴上的月份不按时间顺序排列 - 一月至十二月
  2. n.labels 显示为每个分组的 n=3，这是不正确的
  3. 好消息，说明上下置信区间的 ci.labels 显示在图上
  4. ci.labels 之一与 11 月份的 n.label 重叠，因此这些值不合格

图1

在此处输入图片说明

图2

在此处输入图片说明

图 3

在此处输入图片说明

图 4

在此处输入图片说明

名为“FID”的数据框

structure(list(FID = c(1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 10L, 
11L, 12L, 13L, 14L, 15L, 16L, 17L, 18L, 19L, 20L, 21L, 22L, 23L, 
24L, 25L, 26L, 27L, 28L, 29L, 30L, 31L, 32L, 33L, 34L, 35L, 36L, 
37L, 38L, 39L, 40L, 41L, 42L, 43L, 44L, 45L, 46L, 47L, 48L, 49L, 
50L, 51L, 52L, 53L, 54L, 55L, 56L, 57L, 58L, 59L, 60L, 61L, 62L, 
63L, 64L, 65L, 66L, 67L, 68L, 69L, 70L, 71L, 72L, 73L, 74L, 75L, 
76L, 77L, 78L, 79L, 80L, 81L, 82L, 83L, 84L, 85L, 86L, 87L, 88L, 
89L, 90L, 91L, 92L, 93L, 94L, 95L, 96L, 97L, 98L, 99L, 100L, 
101L, 102L, 103L, 104L, 105L, 106L, 107L, 108L, 109L, 110L, 111L, 
112L, 113L, 114L, 115L, 116L, 117L, 118L, 119L, 120L, 121L, 122L, 
123L, 124L, 125L, 126L, 127L, 128L, 129L, 130L, 131L, 132L, 133L, 
134L, 135L, 136L, 137L, 138L, 139L, 140L, 141L, 142L, 144L, 145L, 
146L, 147L, 148L, 149L, 150L, 151L, 152L, 153L, 154L, 155L, 156L, 
157L, 158L, 159L, 160L, 161L, 162L, 163L, 164L, 165L, 166L, 167L, 
168L, 169L, 170L, 171L, 172L, 173L, 174L, 175L, 176L, 177L, 178L, 
179L, 180L, 181L, 182L, 183L, 184L, 185L, 186L, 187L, 188L, 189L, 
190L, 191L, 192L, 193L, 194L, 195L, 196L, 197L, 198L, 199L, 200L, 
201L, 202L, 203L, 204L, 205L, 206L, 207L, 208L, 209L, 210L, 211L, 
212L, 213L, 214L, 215L, 216L, 217L, 218L, 219L, 220L, 221L, 222L, 
223L, 224L, 225L, 226L, 227L, 228L, 229L, 230L, 231L, 232L, 233L, 
234L, 235L, 236L, 237L, 238L, 239L, 240L, 241L, 242L, 243L, 244L, 
245L, 246L, 247L, 248L, 249L, 250L, 251L, 252L, 253L, 254L, 255L, 
256L, 257L, 258L, 259L, 260L, 261L, 262L, 263L, 264L, 265L, 266L, 
267L, 268L, 269L, 270L, 271L, 272L, 273L, 274L, 275L, 276L, 277L, 
278L, 279L, 280L, 281L, 282L, 283L, 284L, 285L, 286L, 287L, 288L, 
289L, 290L, 291L, 292L, 293L, 294L, 295L, 296L, 297L, 298L, 299L, 
300L, 301L, 302L, 303L, 304L, 305L, 306L, 307L, 308L, 309L, 310L, 
311L, 312L, 313L, 314L, 315L, 316L, 317L, 318L, 319L, 320L, 321L, 
322L, 323L, 324L, 325L, 326L, 327L, 328L, 329L, 330L, 331L, 332L, 
333L, 334L, 335L, 336L, 337L, 338L, 339L, 340L, 341L, 342L, 343L, 
344L, 345L, 346L, 347L, 348L, 349L, 350L, 351L, 352L, 353L, 354L, 
355L, 356L, 357L, 358L, 359L, 360L, 361L, 362L, 363L, 364L, 365L, 
366L, 367L, 368L, 369L, 370L, 371L, 372L, 373L, 374L, 375L, 376L, 
377L, 378L, 379L, 380L, 381L, 382L, 383L, 384L, 385L, 386L, 387L, 
388L, 389L, 390L, 391L, 392L, 393L, 394L, 395L, 396L, 397L, 398L, 
399L, 400L, 401L, 402L, 403L, 404L, 405L, 406L, 407L, 408L, 409L, 
410L, 411L, 412L, 413L, 414L, 415L, 416L, 417L, 418L, 419L, 420L, 
421L, 422L, 423L, 424L, 425L, 426L, 427L, 428L, 429L, 430L, 431L, 
432L, 433L, 434L, 435L, 436L, 437L, 438L, 439L, 440L, 441L, 442L, 
443L, 444L, 445L, 446L, 447L, 448L, 449L, 450L, 451L, 452L, 453L, 
454L, 455L, 456L, 457L, 458L, 459L, 460L, 461L, 462L, 463L, 464L, 
465L, 466L, 467L, 468L, 469L, 470L, 471L, 472L, 473L, 474L, 475L, 
476L, 477L, 478L, 479L, 480L, 481L, 482L, 483L, 484L, 485L, 486L, 
487L, 488L, 489L, 490L, 491L, 492L, 493L, 494L, 495L, 496L, 497L, 
498L, 499L, 500L, 501L, 502L, 503L, 504L, 505L, 506L, 507L, 508L, 
509L, 510L, 511L, 512L, 513L, 514L, 515L, 516L, 517L, 518L, 519L, 
520L, 521L, 522L, 523L, 524L, 525L, 526L, 527L, 528L, 529L, 530L, 
531L, 532L, 533L, 534L, 535L, 536L, 537L, 538L, 539L, 540L, 541L, 
542L, 543L, 544L, 545L, 546L, 547L, 548L, 549L, 550L, 551L, 552L, 
553L, 554L, 555L, 556L, 557L, 558L, 559L, 560L, 561L, 562L, 563L, 
564L, 565L, 566L, 567L, 568L, 569L, 570L, 571L, 572L, 573L, 574L, 
575L, 576L, 577L, 578L, 579L, 580L, 581L, 582L, 583L, 584L, 585L, 
586L, 587L, 588L, 589L, 590L, 591L, 592L, 593L, 594L, 595L, 596L, 
597L, 598L, 599L, 600L, 601L, 602L, 603L, 604L, 605L, 606L, 607L, 
608L, 609L, 610L, 611L, 612L, 613L, 614L, 615L, 616L, 617L, 618L, 
619L, 620L, 621L, 622L, 623L, 624L, 625L, 626L, 627L, 628L, 629L, 
630L, 631L, 632L, 633L, 634L, 635L, 636L, 637L, 638L, 639L, 640L, 
641L, 642L, 643L, 644L, 645L, 646L, 647L, 648L, 649L, 650L, 651L, 
652L, 653L, 654L, 655L, 656L, 657L, 658L, 659L, 660L, 661L, 662L, 
663L, 664L, 665L, 666L, 667L, 668L, 669L, 670L, 671L, 672L, 673L, 
674L, 675L, 676L, 677L, 678L, 679L, 680L, 681L, 682L, 683L, 684L, 
685L, 686L, 687L, 688L, 689L, 690L, 691L, 692L, 693L, 694L, 695L, 
696L, 697L, 698L, 699L, 700L, 701L, 702L, 703L, 704L, 705L, 706L, 
707L, 708L, 709L, 710L, 711L, 712L, 713L, 714L, 715L, 716L, 717L, 
718L, 719L, 720L, 721L, 722L, 723L, 724L, 725L, 726L, 727L, 728L, 
729L, 730L, 731L, 732L, 733L, 734L, 735L, 736L, 737L, 738L, 739L, 
740L, 741L, 742L, 743L, 744L, 745L, 746L, 747L, 748L, 749L, 750L, 
751L, 752L, 753L, 754L, 755L, 756L, 757L, 758L, 759L, 760L, 761L, 
762L, 763L, 764L, 765L, 766L, 767L, 768L, 769L, 770L, 771L, 772L, 
773L, 774L, 775L, 776L, 777L, 778L, 779L, 780L, 781L, 782L, 783L, 
784L, 785L, 786L, 787L, 788L, 789L, 790L, 791L, 792L, 793L, 794L, 
795L, 796L, 797L, 798L, 799L, 800L, 801L, 802L, 803L, 804L, 805L, 
806L, 807L, 808L, 809L, 810L, 811L, 812L, 813L, 814L, 815L, 816L, 
817L, 818L, 819L, 820L, 821L, 822L, 823L, 824L, 825L, 826L, 827L, 
828L, 829L, 830L, 831L, 832L, 833L, 834L, 835L, 836L, 837L, 838L, 
839L, 840L, 841L, 842L, 843L, 844L, 845L, 846L, 847L, 848L, 849L, 
850L, 851L, 852L, 853L, 854L, 855L, 856L, 857L, 858L, 859L, 860L, 
861L, 862L, 863L, 864L, 865L, 866L, 867L, 868L, 869L, 870L, 871L, 
872L, 873L, 874L, 875L, 876L, 877L, 878L, 879L, 880L, 881L, 882L, 
883L, 884L, 885L, 886L, 887L, 888L, 889L, 890L, 891L, 892L, 893L, 
894L, 895L, 896L, 897L, 898L, 899L, 900L, 901L, 902L, 903L, 904L, 
905L, 906L, 907L, 908L, 909L, 910L, 911L, 912L, 913L, 914L, 915L, 
916L, 917L, 918L), Year = c(2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 
2015L, 2015L, 2015L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 2016L, 
2016L, 2016L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 2017L, 
2017L, 2017L, 2017L), Month = structure(c(5L, 5L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 4L, 
4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 
4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 7L, 7L, 7L, 7L, 7L, 
7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 
7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 
7L, 7L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
8L, 8L, 8L, 8L, 8L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 11L, 11L, 11L, 11L, 
11L, 11L, 11L, 11L, 11L, 11L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 
10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 9L, 9L, 9L, 9L, 9L, 9L, 
9L, 9L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
3L, 3L, 3L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 
4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 
4L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 
7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 8L, 8L, 8L, 8L, 8L, 8L, 8L, 8L, 6L, 
6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 
11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 
11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 
11L, 11L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 
10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 
10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 
10L, 10L, 10L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 
9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 
9L, 9L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 4L, 4L, 4L, 4L, 
4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 
4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 
4L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 
7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 
7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 8L, 8L, 8L, 8L, 8L, 8L, 8L, 8L, 8L, 8L, 8L, 8L, 
8L, 8L, 8L, 8L, 8L, 8L, 8L, 8L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 2L, 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 11L, 11L, 11L, 11L, 11L, 
11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 
11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 
11L, 11L, 11L, 11L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 
10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 
10L, 10L, 10L, 10L, 10L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 
9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 
9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 
9L, 9L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L), .Label = c("April", "August", 
"December", "February", "January", "July", "March", "May", "November", 
"October", "September"), class = "factor")), class = "data.frame", row.names = c(NA, 
-917L))

名为“平均 FID”的数据框：

structure(list(Year = c(2015, 2016, 2017, 2015, 2016, 2017, 2015, 
2016, 2017, 2015, 2016, 2017, 2015, 2016, 2017, 2015, 2016, 2017, 
2015, 2016, 2017, 2015, 2016, 2017, 2015, 2016, 2017, 2015, 2016, 
2017, 2015, 2016, 2017, 2015, 2016, 2017), Month = structure(c(5L, 
5L, 5L, 4L, 4L, 4L, 8L, 8L, 8L, 1L, 1L, 1L, 9L, 9L, 9L, 7L, 7L, 
7L, 6L, 6L, 6L, 2L, 2L, 2L, 12L, 12L, 12L, 11L, 11L, 11L, 10L, 
10L, 10L, 3L, 3L, 3L), .Label = c("April", "August", "December", 
"February", "January", "July", "June", "March", "May", "November", 
"October", "September"), class = "factor"), Frequency_FID = c(28, 
23, 31, 21, 25, 28, 26, 20, 30, 29, 19, 30, 4, 7, 21, 0, 0, 0, 
0, 7, 7, 16, 30, 26, 9, 29, 27, 14, 31, 22, 8, 25, 28, 24, 24, 
29)), class = "data.frame", row.names = c(NA, -36L))
丹·丘蒂尔

我不知道gplots所以我无法帮助你，但这里有一些使用ggplot2.

ggplot2 is considered by many to be the more versatile R package to make plots. It is not as straightforward as gplots seems to be, but you usually end up to exactly what you want.

library(tidyverse) #loads dplyr and ggplot2
month_levels = c('January', 'February', 'March', 'April', 'May', 'June', 
                 'July', 'August', 'September', 'October', 'November', 'December')

data_plot = FID %>% 
  mutate(Month=ordered(Month, levels=month_levels)) %>% #put months in the right order
  group_by(Month) %>% 
  summarise(m=mean(FID), #calculate the summaries you want on the plot
            n_FID=n(),
            sem=sd(FID)/sqrt(n()), 
            ci_low=m-1.96*sem, 
            ci_hi=m+1.96*sem) %>% 
  ungroup()

    
p = ggplot(data_plot, aes(x=Month, y=m, ymin=ci_low, ymax=ci_hi)) +
  geom_line(aes(group=1), size=1) +
  geom_errorbar(width=0.2, color="blue") + 
  geom_point(size=2) + 
  geom_label(aes(y=240, label=paste0("n=", n_FID)))

p
ggsave("p.png", p)

阴谋

You can customize the labels using labs(), xlab or ylab, maybe add facet by year using facet_wrap, and so on. There are gazillions of tutorial to learn about ggplot2.

Also, there seems to be a bit of misunderstanding in your problem. n=113 means that there was 113 observation in January (over those 3 years). The mean of all these observation was 307 so your plot might have been correct.

I don't think I solved your problem but I hope that helped a tiny bit.

PS:

无论是在您的示例示例中还是在我的理解中，都可能存在错误，因为 my 的data_plot值与您的data_plot.

本文收集自互联网，转载请注明来源。

如有侵权，请联系 [email protected] 删除。

编辑于
0

我来说两句

0 条评论
登录 后参与评论

相关文章

如何用R中的条件p值和置信区间绘制方差分析？

如何在R中绘制logistic glm预测值和置信区间

如何在R中的x和y轴上绘制具有置信区间的二元图？

如何使用R中的“引导函数”来计算置信区间

如何在R中绘制时间序列的置信区间？

在R中以置信区间绘制系数

使用stat_summary中的position_dodge作为均值和置信区间？

如何在R中求和后的置信区间？

R 中的置信区间 (CI) 模拟：如何？

置信区间鼠标R包中的错误

计算R中的置信区间

R 中的置信区间问题

测试 R 中的置信区间

如何通过编写我自己的函数将置信区间打印到r中的句子中

对多个新数据点使用 R 中的 survfit 函数求生存时间的置信区间

在Matlab中绘制置信区间

使用tidyverse，ggplot和扫帚为R中的比例测试（prop.test）添加置信区间

如何使用R获取Azure ML中的置信区间？

在R中编码置信区间时如何使用dplyr获得列的长度

嵌套函数中的置信区间

用 R 中的 lme4 或 LmerTest 模型绘制与置信区间的交互

在R中以95％置信区间绘制阈值/分段/变化点模型

如何计算回归预测的置信区间？以及如何在python中绘制

如何使用matplotlib在python中显示置信区间？

如何在python中绘制显示置信区间的时间序列数组？

如何在ggplot中绘制虚线95％置信区间

如何在pROC中以置信区间绘制多个roc曲线？

如何在 Python 中绘制时间序列数据的置信区间？

如何计算 R 中简单数据的置信区间

TOP 榜单

  1. 1

    隐藏发件人没有短信PHP

  2. 2

    Hashchange事件侦听器在将事件处理程序附加到事件之前进行侦听

  3. 3

    在浏览器中请求URL时会发生什么？

  4. 4

    flask-admin 如何自定义删除按钮

  5. 5

    材质UI垂直滑块。如何改变在垂直材料UI滑块导轨的厚度（反应）

  6. 6

    用日期数据透视表和日期顺序查询

  7. 7

    Jqgrid：多级别组摘要

  8. 8

    java io ioexception无法解析服务器地址解析器的响应

  9. 9

    Swift如何使用Base64Url编码JWT标头和有效负载之类的json对象

  10. 10

    sshd AllowGroups组未授予访问权限

  11. 11

    jQuery无限滚动固定div中的滚动

  12. 12

    android 背部按下

  13. 13

    Flexbox CSS 对齐属性环境惰性？

  14. 14

    为什么随机森林中的平均降低基尼系数取决于人口规模？

  15. 15

    ClickHouse 创建临时表

  16. 16

    为什么PlusShare.Builder setRecipients方法不起作用？

  17. 17

    如何在Android中识别MICR代码

  18. 18

    PyQt4.QtCore模块无法向sip模块注册

  19. 19

    正则表达式，用于查找所有以任何字母开头和数字开头的文件

  20. 20

    是否可以通过编程方式对很多动画进行重新着色？

  21. 21

    机器密钥生成

热门标签

归档