假设我有一个变量在几个不同的迭代(想想数百万)中的蒙特卡罗模拟的输出。对于每次迭代,我都有每个时间点的变量值(从 t=1 到 t=365)。
我想产生以下情节:
对于 x 轴上的每个时间点 t 和给定范围内的每个可能值“y”,将 x,y 的颜色设置为“k”,其中“k”是一个计数内有多少观测值距离“d”到 x,y 的附近。
我知道你可以很容易地为一维数据制作密度热图,但是有没有一个很好的包可以在二维上做这个?我必须使用克里金法吗?
编辑:数据结构目前是一个矩阵。
data matrix
day number
[,1] [,2] [,3] [,4] [,5] ... [,365]
iteration [1,] 0.000213 0.001218 0.000151 0.000108 ... 0.000101
[2,] 0.000314 0.000281 0.000117 0.000103 ... 0.000305
[3,] 0.000314 0.000281 0.000117 0.000103 ... 0.000305
[4,] 0.000171 0.000155 0.000141 0.000219 ... 0.000201
.
.
.
[100000000,] 0.000141 0.000148 0.000144 0.000226 ... 0.000188
我想,对于每个“天”,像素都垂直穿过“天”,以颜色表示当天迭代值的概率密度。结果应该看起来像一个热图。
最佳答案
这是我认为您所追求的一种解决方案。
myData <- mapply(rnorm, 1000, 200, mean=seq(-50,50,0.5))
这是一个包含 1000 行(观察值)和 201 个时间点的矩阵。在每个时间点,数据的平均值从 -50 逐渐变为 50。每次移动 0.5。
myDensities <- apply(myData, 2, density, from=-500, to=500)
这将为您提供每列的密度列表。为了让它们可以并排绘制,我们手动指定了范围(从 -500 到 500)。
Ys <- sapply(myDensities, "[", "y")
这又是一个列表。你需要从中得到一个矩阵。
img <- do.call(cbind, Ys)
这只是简单地结合了所有
Ys
按列的元素。filled.contour(x=1:ncol(img), y=myDensities[[1]]$x, t(img))
我为此使用了filled.contour。但是您可以四处寻找其他二维绘图函数。我还使用了从密度获得的值
D[[1]]$x
.结果如下:
从 -50 到 50 的转变是可见的。
不确定这是否适用于数百万个时间点。但是绘制百万可能没有意义,因为无论如何你都会受到像素数的限制。可能需要某种预处理。
关于r - 在 R 中绘制随时间变化的概率密度热图,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/30820608/