如何使用R复现帖子互动量与发布数量的双对数散点图

核心问题说明 #

你现在的代码存在两处核心问题，导致结果和参考图不符：

1. 测试数据分布不符合真实社交场景互动特征：你用正态分布生成点赞/评论值，这类分布数值集中在均值附近，无头部高互动样本；而真实社交平台的互动量是典型的重尾分布，少量头部帖子贡献绝大多数互动量，这是你得到两条平行直线的核心原因。
2. 数据处理逻辑遗漏排序步骤：你直接取原始数据集前2^n行求和，正确逻辑是先将所有帖子按对应互动指标（点赞/评论）降序排序，再取前k行计算累计总和，才能反映头部帖子累计互动量随帖子数量增加的变化趋势。

修正后可运行代码 #

# 加载依赖
library(tidyverse)
library(ggplot2)
library(scales)

# 可复现性设置
set.seed(12345)

# 构造符合真实分布的测试数据：用对数正态模拟重尾互动量
df <- tibble(
  like = floor(rlnorm(200000, meanlog = 6, sdlog = 2)), 
  comment = floor(rlnorm(200000, meanlog = 5, sdlog = 2))
)

# 先按互动指标降序排序
df_sorted_like <- df %>% arrange(desc(like))
df_sorted_comment <- df %>% arrange(desc(comment))

# 计算累计互动量
df_new <- lapply(
  1:14,
  function(n) {
    k <- 2^n
    # 计算前k条的累计点赞、累计评论
    tibble(
      No_of_rows = k,
      like = sum(df_sorted_like$like[1:k]),
      comment = sum(df_sorted_comment$comment[1:k])
    )
  }
) %>% bind_rows()

# 归一化处理（如果参考图Y轴是占总互动量的比例，可开启这段）
# total_like <- sum(df$like)
# total_comment <- sum(df$comment)
# df_new <- df_new %>% mutate(
#   like = like / total_like,
#   comment = comment / total_comment
# )

# 绘图
df_new %>% 
  pivot_longer(-No_of_rows, names_to = "Variable", values_to = "Value") %>%
  ggplot(aes(x = No_of_rows, y = Value, color = Variable))+
  geom_point() +
  geom_line() +
  scale_x_log10(breaks = trans_breaks("log10", function(x) 10^x),
                labels = trans_format("log10", math_format(10^.x))) +
  # 如果用了归一化，Y轴可以换成百分比格式
  # scale_y_continuous(labels = percent_format()) +
  scale_y_log10(breaks = trans_breaks("log10", function(x) 10^x),
                labels = trans_format("log10", math_format(10^.x))) +
  labs(x = "帖子数量", y = "累计互动量", color = "指标") +
  theme_bw()

补充说明 #

如果参考图的X轴是单条帖子的互动量、Y轴是对应互动量的帖子数量（即分布直方图），可以调整统计逻辑为按互动量区间统计帖子数后绘图，可根据你参考图的实际轴定义调整上述代码的指标映射。

内容的提问来源于stack exchange，提问作者AneesBaqir