如何用ggplot2制作按类别着色且基于整体密度的密度直方图

要让直方图的密度基于整个数据集而非分组后的数据，你需要手动计算密度（替代默认按组计算的density统计量），确保分母使用全局总样本数而非组内样本数。结合stage()函数可以清晰实现这一点，它允许你在统计变换前后分别指定变量逻辑：

library(ggplot2)

# 数据预处理
d <- diamonds
priceBreaks <- c(0,5000,10000,20000)
d$priceCat <- cut(diamonds$price, breaks = priceBreaks, labels = c('low','med','high'))

# 生成目标直方图
ggplot(d) +
  geom_histogram(
    aes(
      x = price,
      # 使用stage：原始x用于分箱，统计后用全局总样本数计算密度
      y = stage(
        x = price,
        after_stat = count / (nrow(d) * binwidth)
      ),
      fill = priceCat
    ),
    breaks = seq(0,20000,by=1000),
    color = "white" # 可选：添加组间分隔线，提升可读性
  ) +
  labs(y = "Density")

原理说明 #

• 默认的after_stat(density)会按fill分组计算：每个组的密度 = 组内bin计数 / (组内样本数 × 组距)，导致各组密度之和大于1。
• 手动计算时，用nrow(d)（整个数据集的总样本数）替代组内样本数，得到的是整体数据的密度：每个bin的密度 = bin计数 / (全局总样本数 × 组距)，所有bin的密度之和为1。

stage()函数的作用 #

这里stage()的核心是分离"原始数据映射"和"统计后计算"两个阶段：

• x = price：指定分箱时使用原始的price变量（基于整个数据集的范围分箱，不受分组影响）；
• after_stat = ...：在统计完成（生成count和binwidth等统计量）后，用全局总样本数计算密度，确保密度基于整体分布。

你也可以不用stage()，直接在after_stat()里写计算式，效果一致：

ggplot(d) +
  geom_histogram(
    aes(x = price, y = after_stat(count / (nrow(d) * binwidth)), fill = priceCat),
    breaks = seq(0,20000,by=1000)
  )

内容的提问来源于stack exchange，提问作者S. Robinson