R Hist: взаимосвязь между значением «перерывов» и количеством / размером ячеек

В документации для hist сказано, что когда вы указываете разрывы как одно число (как вы это делали), тогда

the number is a suggestion only; as the breakpoints will be set to pretty values

Если вы перейдете по ссылке на документацию для pretty, там написано

The values are chosen so that they are 1, 2 or 5 times a power of 10.

Вы не можете охватить промежуток между 10 и 35 в 4 равномерно распределенных кратных 1,2, 5 или 10, поэтому он выбрал 5 интервалов (6 точек разрыва). Если вам действительно нужны четыре равномерно расположенных ящика, вы можете использовать

hist(mtcars$mpg, seq(10,35, length.out=5))

Обратите внимание, что вам нужно использовать length.out = 5, чтобы получить четыре ячейки (четыре начальные точки плюс одна дополнительная конечная точка). Конечно, это не дает «хорошеньких» значений.

Если вам не нравится, что отметки на оси x не совпадают с ячейками (мне не нравится), вы можете оставить оси в hist и добавить их самостоятельно.

H = hist(mtcars$mpg, seq(10,35, length.out=5), axes=FALSE, ylim=c(0,14))
axis(side=1, at=seq(10,35, length.out=5))
axis(side=2, pretty(0:14))

Дальнейшее объяснение breaks

В документации ?hist под перерывами сказано, что существует 5 типов значений, которые вы можете использовать для перерывов. Вы используете:

a single number giving the number of cells for the histogram

НО, как указано выше, в документации добавлено:

the number is a suggestion only; the breakpoints will be set to pretty values.

Поэтому, когда вы даете hist аргумент breaks=4, он знает, что вы хочу 4 бина, но он также будет настаивать на использовании «красивых» значений для границ, то есть равномерно распределенных кратных 1,2, 5 раз в степени десяти. Также могут быть ограничения на конечные точки.

Давайте исследуем, что он делает с вашими данными mtcars $ mpg. Вы можете получить много информации о том, что делает hist, сохранив возвращаемое значение. Я также подавлю фактическое построение гистограммы, поскольку сейчас меня интересует только значение.

HV = hist(mtcars$mpg, 4, plot=FALSE)

Вы можете распечатать HV и увидеть, что там много информации насчет гистограммы. Все, о чем мы здесь заботимся, хранится в breaks.

HV$breaks
[1] 10 15 20 25 30 35

Это дает 6 граничных значений для ячеек (для 5 ячеек требуется 6 граничных значений). Но мы просили 4 ящика, а не 5! Если вы разделитесь диапазон 10-35 в четыре ячейки, вы получите границы 10, 16,25, 22,5, 28,75 и 35. Это не "красивые" граничные значения. Вместо этого hist использует функцию pretty, чтобы найти более подходящие значения для границ, но это означает, что он должен отказаться от использования 4 интервалов.

Сколько точек останова мы получаем для диапазона значений разрывов? Попробуем 2 перерыва до 20 перерывов.

sapply(2:20, function(n) 
    length(hist(mtcars$mpg, n, plot=FALSE)$breaks))
 [1]  4  4  6  6  6  6  6 13 13 13 13 13 13 13 13 25 25 25 25

Еще раз обратите внимание: 4 точки останова означают 3 ячейки. 6 точек останова означают 5 ячеек. Всего четыре разных расщепления, которые создаются. Кто они такие?

unique(lapply(2:20, function(n) hist(mtcars$mpg, n, plot=FALSE)$breaks))
[[1]]
[1] 10 20 30 40
[[2]]
[1] 10 15 20 25 30 35
[[3]]
 [1] 10 12 14 16 18 20 22 24 26 28 30 32 34
[[4]]
 [1] 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

Границы меняются на 10, 5 2 или 1 - красивые границы.

Если вы хотите иметь больший контроль, вам нужно указать где вы хотите границ. Это то, что я сделал в приведенном выше примере. Один из других вариантов указания breaks:

a vector giving the breakpoints between histogram cells

Это то, что я использовал, когда указывал seq(10,35, length.out=5). Но обратите внимание на значения:

seq(10,35, length.out=5)
[1] 10.00 16.25 22.50 28.75 35.00

Не очень.

Так что это может быть легко и красиво, но без хорошего контроля по количеству ящиков ИЛИ вы можете контролировать количество мусорных ведер за счет большего количества работы и более уродливых границ.