R-条形图中按组大小加权

假设我有一个如下所示的数据帧：

groups <- floor(runif(1000, min=1, max=5))
activity <- rep(c("A1", "A2", "A3", "A4"), times= 250)
endorsement <- floor(runif(1000, min=0, max=2))
value1 <- runif(1000, min=1, max=10)
area <- rep(c("A", "A", "A", "A", "B", "C", "C", "D", "D", "E"), times = 100)

df <- data.frame(groups, activity, endorsement, value1, area)

我想计算一些描述性统计数据并创建一些条形图，但如果您查看

区域

变量，

A

表示得非常好，而

B

和

E

则不是

我对

区域

变量本身不感兴趣，但统计/绘图将由数据集中具有高表示性的区域驱动，因此我需要对数据进行加权，但我不确定在以下情况下正确的方法：

平均值和SD

我正在计算平均值和SD或

值1

，如下所示：

df %>% group_by(groups) %>% summarise(mean=mean(value1), sd=sd(value1))

计算加权平均值/sd以补偿每个区域样本量差异的正确方法是什么（即，我想给每个

区域
相等的权重）

堆叠条形图

ggplot(df, aes(groups)) +
  geom_bar(aes(fill = activity), position = position_fill(reverse = F))


条形图表示每个
组中每个
活动发生的频率比例。同样，这主要是由A区的受访者驱动的-是否有办法平衡这一点并计算出比例，就好像
区
具有相同的代表性

分组表示

ggplot(aes(x = activity, y = value1, fill=factor(groups)), data=df) +
  geom_bar(position="dodge", stat="summary", fun.y="mean")+
  guides(fill = guide_legend(reverse=F, title="group"))

summary_df <- df %>% group_by(groups, activity) %>%
    summarise(n=n(), count=sum(endorsement)) %>% mutate(prop=(count/n)*100)

ggplot(aes(x = activity, y = prop, fill = factor(groups)), data=summary_df) +
  geom_bar(width=0.8, position = position_dodge(width=0.8), stat="identity") +
  guides(fill = guide_legend(reverse=F, title="group"))


条形图表示每个
组
和
活动
组合的
值1
的平均值。同样，这些平均值的加权有利于A区，代表性也不相等

分组计数比例

ggplot(aes(x = activity, y = value1, fill=factor(groups)), data=df) +
  geom_bar(position="dodge", stat="summary", fun.y="mean")+
  guides(fill = guide_legend(reverse=F, title="group"))

summary_df <- df %>% group_by(groups, activity) %>%
    summarise(n=n(), count=sum(endorsement)) %>% mutate(prop=(count/n)*100)

ggplot(aes(x = activity, y = prop, fill = factor(groups)), data=summary_df) +
  geom_bar(width=0.8, position = position_dodge(width=0.8), stat="identity") +
  guides(fill = guide_legend(reverse=F, title="group"))

summary\u df%group\u by（组、活动）%>%
总结（n=n（），计数=sum（背书））%>%mutate（prop=（计数/n）*100）
ggplot（aes（x=活动，y=道具，填充=因子（组）），数据=汇总）+
几何图形栏（宽度=0.8，位置=位置减淡（宽度=0.8），stat=“identity”）+
辅助线（填充=辅助线\图例（反向=F，title=“group”））


对于每个
组
和
活动
组合，我正在计算支持该项目的人数（响应
1
），并计算该子组中总人数的比例

上述4个问题都源于同一个问题，所有问题都需要通过
面积
进行加权，以创建相等的表示。然而，可视化都是以不同的方式创建的，并显示不同的内容（平均值、堆叠条、分组平均值、计数比例），我不确定如何正确解释每种情况下的样本大小差异。是否有一个单一的修正会传播到每个图形示例？
一种策略是向下或向上采样您的
数据帧
，以便每个区域具有相同数量的观察值。我们可以使用
caret
软件包中的方便函数
downSample（）
或
upSample（）
，根据文档：

“简单随机抽样用于对多数类进行向下抽样。请注意，少数类数据保持不变…”

举例说明：

library(dpyr)
library(caret)
# Before
df %>% group_by(area) %>% summarise(n())
#   area `n()`
#1      A   400
#2      B   100
#3      C   200
#4      D   200
#5      E   100

# After
set.seed(123)
test_down <- downSample(df, df$area)
test_down %>% group_by(area) %>% summarise(n())
#    area `n()`
#1      A   100
#2      B   100
#3      C   100
#4      D   100
#5      E   100

test_up <- upSample(df, df$area)
test_up %>% group_by(area) %>% summarise(n())
#    area `n()`
#1      A   400
#2      B   400
#3      C   400
#4      D   400
#5      E   400


请注意，因为我们使用随机抽样，所以我们无法控制在使用
downSample（）
时忽略哪些观察值。因此，如果不使用
set.seed（）
谢谢，每次运行的结果可能会略有不同。除了下采样，还有其他选择吗？因为
区域
的分布非常不平衡-一些区域的数据比其他区域多100倍，所以下采样意味着我们将从过度代表的区域中损失很多