为何用ggplot2绘制的累积线与直方图百分比显示错误？

我用ggplot叠加某列的累积占比时，百分比显示错误。红色累积线起始于95%左右，但第一个直方图柱的累积占比仅约82%。

错误原因 #

问题出在分箱规则不统一以及超大值对累积计算的影响：

• 数据中存在多个极大值（如125、186、233），breaks = 0:max(df$col)会生成从0到233的所有整数分箱，大部分数据集中在0-10区间，但有4个值落在10以上的分箱中，占总数据的4%。
• 仅在geom_histogram中指定了分箱规则，geom_line的stat="bin"使用默认分箱逻辑，导致两者统计的分箱不一致；同时累积计算基于全部分箱的总数据量（100条），0-10区间的总累积占比为96%，这就导致红色线在0-10区间内的起始累积值直接跳到95%左右。

解决方案 #

方法一：统一分箱规则 #

在geom_line中指定和geom_histogram相同的breaks参数，确保两者使用同一组分箱统计累积值：

library(ggplot2); library(dplyr)

df %>%
  ggplot(aes(x = col)) +
  geom_histogram(aes(y = after_stat(cumsum(count / sum(count)))), 
                 breaks = 0:max(df$col, na.rm = T), 
                 fill = "blue", color = "black") +
  geom_line(stat = "bin", 
            aes(y = after_stat(cumsum(count / sum(count)))), 
            breaks = 0:max(df$col, na.rm = T),
            color = "red") +
  scale_y_continuous(breaks = seq(0, 1, by = 0.1), labels = scales::percent) +
  coord_cartesian(xlim=c(0, 10), ylim=c(0, 1)) +
  scale_x_continuous(breaks = seq(0, 10, by = 1))

方法二：提前计算累积占比（更推荐） #

手动对数据分箱、计算累积占比后再绘图，完全避免stat参数的差异问题：

library(ggplot2); library(dplyr)

# 提前分箱并计算累积占比
df_stats <- df %>%
  mutate(bin = cut(col, breaks = 0:max(df$col, na.rm = T), include.lowest = TRUE)) %>%
  count(bin) %>%
  mutate(
    bin_start = as.numeric(sub("\\[(.*),.*\\]", "\\1", bin)), # 提取分箱左边界
    cum_pct = cumsum(n / sum(n))
  ) %>%
  filter(bin_start <= 10) # 只保留0-10区间的分箱

# 绘图
ggplot(df_stats, aes(x = bin_start)) +
  geom_col(aes(y = cum_pct), fill = "blue", color = "black", width = 1) +
  geom_line(aes(y = cum_pct, x = bin_start + 0.5), color = "red", size = 1) +
  scale_y_continuous(breaks = seq(0, 1, by = 0.1), labels = scales::percent) +
  scale_x_continuous(breaks = seq(0, 10, by = 1)) +
  coord_cartesian(ylim = c(0, 1))

调整后，红色累积线会和直方图的累积占比完全匹配，第一个柱的累积值为82%左右，逐步递增到95%（0-10区间的总占比）。

内容的提问来源于stack exchange，提问作者Julien