如何用geom_hline与yintercept正确绘制均值的均值？ggplot2均值计算答疑

问题背景 #

使用ggplot2绘制样本小提琴图时，尝试添加“均值的均值”水平线，但绘制的线位置低于预期。同时想了解ggplot中均值的计算方式，以及如何正确计算目标值来得到准确的水平线位置。

用户提供的代码：

set.seed(101)
#create the data frame
cdat <- as.data.frame(matrix(runif(1000),nrow=10))
#create the long table (or how it is called)
mutcdat <- reshape2::melt(t(log(as.matrix(cdat),2)))
#calculate the mean of means
mutline <- mean(rowMeans(log(as.matrix(cdat),2)))
ggplot2::ggplot(mutcdat,aes(x=factor(Var2),y=value, fill = Var2))+
  ggplot2::geom_violin()+
  geom_boxplot(aes(x = factor(Var2), y = value), width = 0.2)+
  ggplot2::guides(fill=guide_legend(title="samples")) +
  ggplot2::geom_hline(aes(yintercept = mutline))

关键问题分析 #

1. ggplot箱线图的均值显示逻辑：geom_boxplot默认展示的是中位数（箱子中间的线），而非均值。如果需要在箱线图上显示每个样本的均值，可添加stat_summary(fun = mean, geom = "point", color = "red")来标记。

2. 水平线计算的逻辑偏差：

   • 当前代码中mutline的计算逻辑是：先对所有原始数据取log2转换，计算每行的均值，再求这些均值的平均值。这本质上等于所有log2转换后数据的整体均值。
   • 如果你预期的是“每个样本（原数据行）的均值的log2值的平均值”，计算顺序完全搞反了——根据Jensen不等式，凹函数（如log）满足E[log(X)] ≤ log(E[X])，所以当前计算的结果会远小于“均值的log”，这就是水平线位置低于预期的核心原因。

修正方案 #

1. 正确计算目标水平线值 #

根据需求选择对应的计算方式：

• 若需求是所有log2转换后数据的整体均值：当前代码的计算逻辑正确，水平线位置符合数据实际分布，只需确认预期是否匹配。
• 若需求是每个样本均值的log2值的平均，修改mutline的计算代码：

# 先计算每行的原始均值，再取log2，最后求这些值的平均
mutline <- mean(log2(rowMeans(cdat)))

2. 优化后的完整代码 #

set.seed(101)
cdat <- as.data.frame(matrix(runif(1000), nrow = 10))
# 优化数据转换流程：先转置原数据，再取log2，最后melt
mutcdat <- reshape2::melt(t(cdat)) |> 
  dplyr::mutate(value = log2(value))

# 按需求选择计算方式
# 方式1：所有log2数据的整体均值（原逻辑）
# mutline <- mean(rowMeans(log2(as.matrix(cdat))))
# 方式2：每个样本均值的log2值的平均（修正后逻辑）
mutline <- mean(log2(rowMeans(cdat)))

ggplot2::ggplot(mutcdat, aes(x = factor(Var2), y = value, fill = Var2)) +
  ggplot2::geom_violin() +
  # 继承顶层aes，无需重复定义
  geom_boxplot(width = 0.2) +
  # 可选：添加每个样本的均值标记点
  stat_summary(fun = mean, geom = "point", color = "white", size = 2) +
  ggplot2::guides(fill = guide_legend(title = "samples")) +
  ggplot2::geom_hline(aes(yintercept = mutline), color = "red", linetype = "dashed")

补充说明 #

ggplot中stat_summary(fun = mean)的均值计算逻辑，就是对每个分组（这里是Var2）的value列求算术均值，和手动用dplyr::group_by(mutcdat, Var2) |> dplyr::summarize(mean_val = mean(value))计算的结果完全一致。

内容的提问来源于stack exchange，提问作者sunta3iouxos