R 在ggplot2直方图上自动对x轴进行精确排序

我有这样一个数据集（但有数百个样本）：

但正如你所看到的，酒吧并不是很有序，比较不同的样品并不容易

所以我在手边重新组织它，使它更“漂亮”（在某些方面）

---

data$sample没有明确的最佳方法。您必须做的第一件事是定义样本之间的某种差异性度量。一个减去相关性似乎是（许多）可能的候选者之一。
然后，您可以了解如何根据相似性度量对结果进行排序。分层聚类为您提供了一个可能的顺序

在下面的代码中，我使用的示例数据是有序的和完整的。否则你可能不得不调整

# unique samples
samples <- unique(data$sample)
## dissimilarity measure
dm <- matrix(mapply(function(x, y) 1-cor(data[data$sample == x, ]$count, data[data$sample == y, ]$count), 
                    rep(samples, times = length(samples)),
                    rep(samples, each = length(samples))), nrow = length(samples))
# single linkage clustering
hc <- hclust(as.dist(dm), method = "single")
# reorder
data$sample <- factor(data$sample, levels = samples[hc$order])
# plot
ggplot(data = data, aes(x = sample)) +
  geom_bar(aes(y = count, fill = class), color = "black", 
           position = "fill", stat = "identity")

#独特的示例
样本没有明确的最佳方法来做到这一点。您必须做的第一件事是定义样本之间的某种差异性度量。一个减去相关性似乎是（许多）可能的候选者之一。
然后，您可以了解如何根据相似性度量对结果进行排序。分层聚类为您提供了一个可能的顺序

在下面的代码中，我使用的示例数据是有序的和完整的。否则你可能不得不调整

# unique samples
samples <- unique(data$sample)
## dissimilarity measure
dm <- matrix(mapply(function(x, y) 1-cor(data[data$sample == x, ]$count, data[data$sample == y, ]$count), 
                    rep(samples, times = length(samples)),
                    rep(samples, each = length(samples))), nrow = length(samples))
# single linkage clustering
hc <- hclust(as.dist(dm), method = "single")
# reorder
data$sample <- factor(data$sample, levels = samples[hc$order])
# plot
ggplot(data = data, aes(x = sample)) +
  geom_bar(aes(y = count, fill = class), color = "black", 
           position = "fill", stat = "identity")

#独特的示例
示例它适用于我的更大数据集，我了解您的方法，因此非常完美：）它适用于我的更大数据集，我了解您的方法，因此非常完美：）
data$sample <- factor(data$sample, levels = c("C001", "C014", "C009", "C018",
                      "C012", "C004", "C016", "C002", "C015", "C011", "C003", "C007"))

ggplot(data = data, aes(x = sample)) +
  geom_bar(aes(y = count, fill = class), color = "black", 
           position = "fill", stat = "identity")

# unique samples
samples <- unique(data$sample)
## dissimilarity measure
dm <- matrix(mapply(function(x, y) 1-cor(data[data$sample == x, ]$count, data[data$sample == y, ]$count), 
                    rep(samples, times = length(samples)),
                    rep(samples, each = length(samples))), nrow = length(samples))
# single linkage clustering
hc <- hclust(as.dist(dm), method = "single")
# reorder
data$sample <- factor(data$sample, levels = samples[hc$order])
# plot
ggplot(data = data, aes(x = sample)) +
  geom_bar(aes(y = count, fill = class), color = "black", 
           position = "fill", stat = "identity")