如何存储ggplot分箱计算值并高效绘制大数据分组均值散点图？

完全可以通过预计算分箱均值得到小数据集，再基于这个数据集绘图，这能彻底解决每次修改图表元素都要重新计算分箱的耗时问题。以下是具体实现和其他优化方法：

1. 预计算分箱均值数据集 #

先对原始200万行数据做分箱汇总，生成仅1万行左右的小数据集，后续所有绘图操作都基于这个汇总数据，无需再重复处理原始大数据。

用dplyr实现（语法直观） #

library(dplyr)

# 对norm_location做10000个分箱，按class分组计算percentage的均值
summary_data <- data %>%
  # 创建分箱标签
  mutate(bin = cut(norm_location, breaks = 10000)) %>%
  # 按class和分箱分组
  group_by(class, bin) %>%
  summarise(
    mean_percentage = mean(percentage, na.rm = TRUE),
    # 提取分箱中点作为x轴值（比区间字符串更适合绘图）
    bin_midpoint = mean(as.numeric(bin)),
    .groups = "drop"
  )

用data.table实现（超大数据处理速度更快） #

如果原始数据集特别大，data.table的分组计算效率会显著高于dplyr：

library(data.table)
setDT(data)

summary_data <- data[, .(
  mean_percentage = mean(percentage, na.rm = TRUE),
  bin_midpoint = mean(norm_location)
), by = .(class, bin = cut(norm_location, breaks = 10000))]

基于汇总数据绘图 #

后续修改标题、轴名、颜色等元素时，直接在小数据集上操作，速度极快：

library(ggplot2)

ggplot(summary_data, aes(bin_midpoint, mean_percentage, colour = class)) +
  geom_point(size = 0.8) +
  labs(
    title = "分箱均值分布图",
    x = "位置（归一化）",
    y = "百分比均值"
  ) +
  scale_colour_brewer(palette = "Set1")

2. 其他高效绘图优化方法 #

• 使用base R绘图：如果不需要ggplot的图层语法，base R的plot()函数渲染速度远快于ggplot，适合快速生成图表：

# 按class分组绘制点图
unique_classes <- unique(summary_data$class)
color_palette <- rainbow(length(unique_classes))

# 初始化画布
plot(
  x = summary_data$bin_midpoint,
  y = summary_data$mean_percentage,
  col = color_palette[match(summary_data$class, unique_classes)],
  pch = 16,
  xlab = "位置（归一化）",
  ylab = "百分比均值",
  main = "分箱均值分布图"
)
# 添加图例
legend("topright", legend = unique_classes, col = color_palette, pch = 16)

• 简化ggplot渲染：如果坚持用ggplot，可通过减少点的大小、去掉不必要的美学映射来降低渲染压力，比如设置size = 0.5，避免使用复杂的颜色渐变。
• 提前清理数据：预处理时过滤掉norm_location或percentage的NA值，减少无效计算和绘图负载。

内容的提问来源于stack exchange，提问作者cookiemonster