跳到主要内容

密度曲线图

密度曲线图用高斯核估计一列数值的概率密度,画成一条平滑曲线。它是直方图的连续版:同样的形状, 却没有任意选定的分箱边界,而且几组曲线天然可以叠在一起。

SELECT kuva_render(to_json({
'title': 'Fragment length',
'x_axis': {'name': 'length (bp)', 'tick_format': 'integer'},
'y_axis': {'name': 'density'},
'series': [{
'type': 'density',
'values': list(value),
'color': 'steelblue'
}]
})) AS chart
FROM read_csv_auto('{{DFK_BASE_URL}}data/histogram.tsv');

带宽默认按 Silverman 经验法则自动选。y 轴是真正的概率密度:在所画区间上,曲线积分约为 1。

尾部行为

曲线从 最小值 − 3×带宽 一直算到 最大值 + 3×带宽,所以高斯尾部会平缓地收向零,而不是在最外侧的数据点上硬 停(ggplot2 的 cut = 3)。x 轴会自动把这两段尾巴包进来。数据本身有物理边界时,就该把它夹住 —— 见下面「有界 数据」。

填充​

filled 把曲线下方填色,用的是曲线自己的颜色、透明度很低 —— 具体值由 opacity 决定(默认 0.2)。

SELECT kuva_render(to_json({
'title': 'Filled density',
'x_axis': {'name': 'length (bp)', 'tick_format': 'integer'},
'y_axis': {'name': 'density'},
'series': [{
'type': 'density',
'values': list(value),
'color': 'steelblue',
'filled': true,
'opacity': 0.25
}]
})) AS chart
FROM read_csv_auto('{{DFK_BASE_URL}}data/histogram.tsv');

多组​

一组一个 density series,各带 color,叠在同一对坐标轴上。填色的曲线自己就能靠颜色分开;几组离得远时把 opacity 提到 0.4 左右,重叠得厉害时压低到 0.15–0.2。

SELECT kuva_render(to_json({
'title': 'Expression by group',
'x_axis': {'name': 'expression'},
'y_axis': {'name': 'density'},
'legend': {'position': 'outside_right_top'},
'series': list({
'type': 'density',
'values': vals,
'legend': g,
'filled': true,
'opacity': 0.3,
'color': CASE g WHEN 'Control' THEN '#4c72b0'
WHEN 'Drug_A' THEN '#dd8452'
ELSE '#55a868' END
} ORDER BY g)
})) AS chart
FROM (
SELECT "group" AS g, list(expression) AS vals
FROM read_csv_auto('{{DFK_BASE_URL}}data/samples.tsv')
WHERE "group" IN ('Control', 'Drug_A', 'Drug_B')
GROUP BY "group"
);

有界数据​

物理上出不了某个区间的数据 —— 相似度分数 [0, 1]、甲基化 β 值、等位基因频率、百分比 —— 默认的核密度会越过这些 边界,把密度画到不可能取到的值上。片段长度在下方有同样的问题:没有比零更短的。

x_range 把估计范围夹到 [lo, hi]。它不是裁剪:离边界 3×带宽 以内的数据会被镜像反射过去(ggplot2 的 geom_density(bounds = …) 就是这个办法),所以堆在边界上的分布会在那里平滑收向零,而不会被拦腰切断。

SELECT kuva_render(to_json({
'title': 'Bounded below at zero',
'x_axis': {'name': 'length (bp)', 'tick_format': 'integer'},
'y_axis': {'name': 'density'},
'series': [{
'type': 'density',
'values': list(value),
'color': 'steelblue',
'filled': true,
'x_range': [0, 600]
}]
})) AS chart
FROM read_csv_auto('{{DFK_BASE_URL}}data/histogram.tsv');

x_range 是一次钉两侧。只有一侧真的有物理限制时,就只给那一侧 —— x_lo 在下界反射、上侧的尾巴照旧自由, x_hi 正好相反:

字段在哪反射另一侧
x_rangelo 与 hi 都反射两侧都反射
x_lo只反射 lo照旧自由
x_hi只反射 hi照旧自由
SELECT kuva_render(to_json({
'title': 'Only the lower bound pinned',
'x_axis': {'name': 'length (bp)', 'tick_format': 'integer'},
'y_axis': {'name': 'density'},
'series': [{
'type': 'density',
'values': list(value),
'color': 'seagreen',
'filled': true,
'x_lo': 0
}]
})) AS chart
FROM read_csv_auto('{{DFK_BASE_URL}}data/histogram.tsv');

KDE 带宽​

bandwidth 覆盖 Silverman 规则。密度图的好坏基本就在这一个参数上,而且它的单位是数据自己的单位 —— 下面这几个 数字是给一列跑到几百的量用的:

bandwidth效果
0.5平滑不足 —— 毛糙、锯齿、冒出假的峰
不给Silverman 规则 —— 通常就该这样
25平滑过度 —— 真实的峰被并成一个

下面这份数据是双峰的。带宽太窄会把它变成一堆尖刺:

SELECT kuva_render(to_json({
'title': 'Under-smoothed — bandwidth 0.5',
'x_axis': {'name': 'length (bp)', 'tick_format': 'integer'},
'y_axis': {'name': 'density'},
'series': [{'type': 'density', 'values': list(value), 'bandwidth': 0.5,
'color': 'crimson'}]
})) AS chart
FROM read_csv_auto('{{DFK_BASE_URL}}data/histogram.tsv');

带宽太宽会把两个峰并成一坨:

SELECT kuva_render(to_json({
'title': 'Over-smoothed — bandwidth 25',
'x_axis': {'name': 'length (bp)', 'tick_format': 'integer'},
'y_axis': {'name': 'density'},
'series': [{'type': 'density', 'values': list(value), 'bandwidth': 25,
'color': 'seagreen'}]
})) AS chart
FROM read_csv_auto('{{DFK_BASE_URL}}data/histogram.tsv');

kde_samples 是曲线采样多少个点(默认 200),对屏幕显示来说已经足够顺滑。

虚线​

line_dash 收的是 SVG 的 stroke-dasharray,stroke_width 是线的宽度。颜色没有了的场合 —— 打印、灰度输出 —— 靠的就是它把几组分开。

SELECT kuva_render(to_json({
'title': 'Dashed outlines',
'x_axis': {'name': 'expression'},
'y_axis': {'name': 'density'},
'legend': {'position': 'outside_right_top'},
'series': list({
'type': 'density',
'values': vals,
'legend': g,
'stroke_width': 2,
'line_dash': CASE g WHEN 'Control' THEN '6 3' ELSE '2 3' END,
'color': CASE g WHEN 'Control' THEN 'steelblue' ELSE 'crimson' END
} ORDER BY g)
})) AS chart
FROM (
SELECT "group" AS g, list(expression) AS vals
FROM read_csv_auto('{{DFK_BASE_URL}}data/samples.tsv')
WHERE "group" IN ('Control', 'Drug_A')
GROUP BY "group"
);

预计算的曲线​

密度已经在别处估好了 —— Python、R,或者上游的一条查询 —— 就用 curve 直接给一对 x / y,完全跳过估计。两个 列表必须等长。

SELECT kuva_render(to_json({
'x_axis': {'name': 'x'},
'y_axis': {'name': 'density'},
'series': [{
'type': 'density',
'curve': {
'x': [0.0, 0.5, 1.0, 1.5, 2.0, 2.5, 3.0],
'y': [0.05, 0.15, 0.40, 0.55, 0.40, 0.15, 0.05]
},
'color': 'coral',
'filled': true
}]
})) AS chart;

字段​

字段类型设置什么
valuesnumber[]用来估计密度的观测值(至少 2 个)。除非给 curve,否则必填。
curve{x: number[], y: number[]}预计算的曲线;跳过估计。x 与 y 必须等长。
filledboolean填充曲线下方。
opacitynumber填充不透明度(默认 0.2)。
bandwidthnumber核密度带宽;默认按 Silverman 规则。
kde_samplesinteger曲线采样多少个点(默认 200)。
stroke_widthnumber曲线线宽。
line_dashstring虚线样式(如 "5 2")。
x_range[number, number]把估计夹在 [lo, hi],边界附近的数据做镜像反射。
x_lo / x_hinumber只夹那一侧,并在那里反射;另一侧的尾巴保持自由。
fitboolean标出拟合优度。

color 与 legend 见 series 与通用字段。

说明​

  • values 或 curve,不能都不给。 values 少于 2 项是报错。
  • curve.x 与 curve.y 必须等长。
  • x_range 是反射而不是裁剪 —— 这正是它的意义:曲线在边界处平滑收向零,而不是被竖直切一刀。
  • 一张图里叠多条密度,就在 series 里多列几个;每个各自带 color。

另见​