GGRidges: слишком большой график плотности

Question

У меня есть фрейм данных, который состоит из одной зависимой переменной и нескольких независимых переменных. Группы отношений были взяты из разных тестов (но это не важно для решения проблемы, с которой я столкнулся).

Я использую пакет ggridges для представления одного графика с графиками плотности для каждого отношения. Когда для одного отношения существует только одно значение, ggridges создает точку вместо графика плотности. Моя проблема в том, что в этом случае график плотности ниже перекрывается с пространством выше. Возможно, потому что ggridges не видит другой график плотности и расширяет пространство, которое может занять график плотности ниже. Опция "масштаб" может использоваться, чтобы избежать наложения двух графиков плотности, но не для того, чтобы избежать наложения между графиком плотности и точкой (по крайней мере, я так думаю).

Если я установлю масштаб = 0,5, я смогу решить проблему, но это не лучшая вещь, потому что каждый график плотности становится меньше. Также те, которые не пересекаются с другими.

Ниже я приложил воспроизводимый пример, который создает график с проблемой, с которой я столкнулся. Спасибо, кто мог бы помочь мне.

library(magrittr)
library(dplyr)
#> 
#> Attaching package: 'dplyr'
#> The following objects are masked from 'package:stats':
#> 
#>     filter, lag
#> The following objects are masked from 'package:base':
#> 
#>     intersect, setdiff, setequal, union
library(forcats)
library(ggplot2)
library(ggridges)
library(RCurl)
#> Carico il pacchetto richiesto: bitops

y_ex <- c("y1","y1","y1","y1","y1","y1","y1","y1","y1","y1","y1","y1","y1","y1","y1","y1","y1","y1","y1","y1","y1","y1","y1")
x_ex <- c("x1","x1","x2","x3","x3","x3","x3","x3","x3","x4","x4","x4","x5","x5","x5","x5","x5","x5","x5","x5","x5","x5","x5")
value_ex <- c(0.26,0.40,0.47,0.72,0.71,0.69,0.74,0.73,0.24,0.39,0.43,0.46,0.21,0.18,0.14,0.10,0.16,-0.10,-0.11,0.56,0.50,0.49,0.43)

data_ex <- data.frame(y_ex,x_ex,value_ex)

r_ex <- data_ex %>% 
  dplyr::mutate(x_ex = forcats::fct_reorder(x_ex, desc(value_ex), fun = mean))

r_ex %>% 
  ggplot(aes(x = value_ex, y = x_ex)) + 
  ggtitle(paste0("Predictors of ",y_ex)) +
  geom_density_ridges(fill = "royalblue",
                      scale = 0.9,
                      color = NA, 
                      alpha = 0.7,
                      rel_min_height = 0.01) +
  geom_point(size = 0.5, alpha = 0.5, pch = 16) +
  geom_point(data = r_ex %>% group_by(x_ex) %>% dplyr::summarise(value_ex = mean(value_ex)),
             color = "firebrick",
             pch = 16,
             alpha = 0.5) +
  scale_y_discrete("") +
  scale_x_continuous("", limits = c(0, 1)) +
  theme_grey(base_size = 16, base_family = "serif") +
  theme(plot.title = element_text(hjust = 0.5,
                                  lineheight = .8, 
                                  face = "bold",
                                  margin = margin(10, 0, 20, 0),
                                  color = "gray15"),
        legend.position = "none") 
#> Picking joint bandwidth of 0.0453
#> Warning: Removed 2 rows containing non-finite values (stat_density_ridges).
#> Warning: Removed 2 rows containing missing values (geom_point).`

Answer 1

Происходит то, что эвристика масштабирования запутывается отсутствующими данными. Эвристика масштабирования берет полный диапазон базовых значений y и делит его на количество групп - 1, см. Здесь.

В вашем случае, эвристика масштабирования создает эталонную шкалу, которая в два раза больше, и поэтому вам следует использовать scale = 0.45 чтобы получить тот же эффект, который вы получаете с scale = 0.9 если бы не было пропущенных уровней.

Обратите внимание, что все области должны масштабироваться вместе, поскольку области под распределениями должны быть одинакового размера (1 в некоторых единицах). Ваш x5 распределения не такие высокие, потому что они бимодальные и, следовательно, намного шире.