如何基于员工数加权，用ggplot绘制薪资分布直方图

我要展示某一职业的薪资分布，用的是BLS按县统计的数据。现在用ggplot画直方图的代码里，y轴统计的是县的数量，这导致只有10名员工、平均薪资5万的县，和有100名员工、平均薪资8万的县权重完全一样。我知道可以把每行数据按员工数展开，但想找更高效的方法。试过去设置y=avg_employees，但geom_histogram不允许同时用x和y参数。

现有绘图代码 #

ggplot(Construction[which(Construction$avg_annual_pay>0),], aes(x=avg_annual_pay)) + 
  geom_histogram(binwidth = 5000, colour="black", fill="white") + 
  scale_x_continuous(labels = label_comma())

数据示例 #

数据获取补充代码 #

qcewGetIndustryData <- function (year, qtr, industry) {
  url <- "http://data.bls.gov/cew/data/api/YEAR/QTR/industry/INDUSTRY.csv"
  url <- sub("YEAR", year, url, ignore.case=FALSE)
  url <- sub("QTR", tolower(qtr), url, ignore.case=FALSE)
  url <- sub("INDUSTRY", industry, url, ignore.case=FALSE)
  read.csv(url, header = TRUE, sep = ",", quote="\"", dec=".", na.strings=" ", skip=0)
}

Construction <- qcewGetIndustryData("2015", "a", "1012")

数据预览 #

> head(Construction[,1:5])
  area_fips own_code industry_code agglvl_code size_code
1     01000        3          1012          53         0
2     01000        5          1012          53         0
3     01001        5          1012          73         0
4     01003        5          1012          73         0
5     01005        5          1012          73         0
6     01007        5          1012          73         0

解决方案 #

不用展开数据，直接在aes里添加weight参数，用员工数作为权重即可：

ggplot(Construction[which(Construction$avg_annual_pay>0),], 
       aes(x=avg_annual_pay, weight = avg_employees)) + 
  geom_histogram(binwidth = 5000, colour="black", fill="white") + 
  scale_x_continuous(labels = label_comma()) +
  labs(y = "员工总数") # 修改y轴标签，明确统计的是员工数量而非县数

原理说明 #

• weight参数会让直方图在计算每个薪资区间的计数时，将每个县的基础计数（1）乘以对应的员工数，这样员工多的县会在直方图中占据更高的权重，反映真实的员工薪资分布，而非单纯的县域分布。
• 这种方法无需复制数据行，内存占用更低，处理大规模数据时效率更高。

内容的提问来源于stack exchange，提问作者creetz