R语言geom_histogram分组分箱不一致问题求助

我尝试绘制两个直方图的叠加图，一个代表全部数据，另一个代表符合条件的子集。导入.csv文件为数据框后，构建带分类的新数据框并使用ggplot绘图，但出现异常：蓝色（子集）出现了红色（全集）没有的实心区域，而子集本应是全集的一部分；单独绘制全集时这些分箱无数据，说明分箱方案不一致。我尝试修改数据集构建代码、调整分箱数、设置binwidth=0.01和boundary=0，但问题仍存在。

我的代码如下：

dataHaploid=read.csv("Graphes/Hap.csv")

dataHaploid$Group="All Loci"

dht=dataHaploid[dataHaploid$Divergence>.01, ]
dht$Group="Divergent Loci"
dataHaploid <- rbind(dataHaploid,dht)

dha=dataHaploid[dataHaploid$BetaDist==0, 
    ][dataHaploid[dataHaploid$BetaDist==0, ]$SignalWidth==10, 
    ][dataHaploid[dataHaploid$BetaDist==0, 
    ][dataHaploid[dataHaploid$BetaDist==0, ]$SignalWidth==10, 
    ]$EcolWidth==10, ]

dhaa =ggplot(dha, aes(MeanRecombinationRate, fill=Group)) + 
  geom_histogram(alpha=.5, position="identity", bins=25) +
  ylim(0,100)+xlim(0,.5)
dhaa  

问题根源 #

1. 数据集构建逻辑错误：你将子集dht与原数据dataHaploid行绑定后，再进行多重条件筛选，这导致All Loci组和Divergent Loci组的筛选范围并非严格的包含关系——本质上是在合并后的数据集里分别筛选了两个独立子集，而非保证Divergent Loci是All Loci的真子集。
2. 分箱规则不统一：ggplot默认会为每个分组单独计算分箱边界，即使设置了相同的bins或binwidth，也可能因两组数据的分布差异导致分箱错位，出现视觉上的异常。

解决步骤 #

1. 修正数据集构建逻辑，确保子集是全集的真子集 #

先筛选出符合BetaDist、SignalWidth、EcolWidth条件的基础数据集，再从中拆分出全集和子集，保证子集完全包含在全集内：

dataHaploid=read.csv("Graphes/Hap.csv")

# 先筛选共同的条件：BetaDist=0、SignalWidth=10、EcolWidth=10
dha_base <- subset(dataHaploid, BetaDist == 0 & SignalWidth == 10 & EcolWidth == 10)

# 生成全集分组
all_loci <- dha_base
all_loci$Group <- "All Loci"

# 从全集中筛选出Divergent Loci子集
divergent_loci <- subset(dha_base, Divergence > 0.01)
divergent_loci$Group <- "Divergent Loci"

# 合并两个分组（此时Divergent Loci是All Loci的严格子集）
dha <- rbind(all_loci, divergent_loci)

2. 强制使用统一分箱边界 #

通过breaks参数手动指定分箱的起止和步长，确保两个分组使用完全一致的分箱规则：

# 手动定义分箱边界：从0到0.5，步长0.02（对应25个分箱，与原代码bins=25匹配）
breaks_seq <- seq(from = 0, to = 0.5, by = 0.02)

# 绘制直方图，使用统一分箱
dhaa <- ggplot(dha, aes(MeanRecombinationRate, fill = Group)) + 
  geom_histogram(alpha = 0.5, position = "identity", breaks = breaks_seq) +
  ylim(0, 100) +
  xlim(0, 0.5)
dhaa

额外调试技巧 #

• 验证两组数据的数值范围：

  # 查看All Loci的MeanRecombinationRate范围
  range(all_loci$MeanRecombinationRate)
  # 查看Divergent Loci的MeanRecombinationRate范围
  range(divergent_loci$MeanRecombinationRate)
  

• 查看每个分箱的计数，确认子集计数不超过全集：

  table(cut(dha$MeanRecombinationRate, breaks = breaks_seq), dha$Group)
  

内容的提问来源于stack exchange，提问作者Isaac Linn