跳到主要内容

ECDF 图

ECDF 图画的是 F(x) = P(X ≤ x) —— 小于等于某个值的观测占比 —— 一条右连续的阶梯曲线。它是单分布诊断里信息量 最大的图之一:不用分箱、不用选带宽,整个分布一眼看全。

SELECT kuva_render(to_json({
'title': 'ECDF',
'x_axis': {'name': 'expression'},
'y_axis': {'name': 'F(x)'},
'series': [{
'type': 'ecdf',
'groups': [{'label': 'Control', 'values': vals}],
'color': 'steelblue'
}]
})) AS chart
FROM (
SELECT list(expression) AS vals
FROM read_csv_auto('{{DFK_BASE_URL}}data/samples.tsv')
WHERE "group" = 'Control'
);

多组对比​

groups 里一项一条曲线;分组自己的 color 会覆盖统一色。几条 ECDF 放在同一对坐标轴上,是回答「这几个分布到底 一样不一样」最老实的办法 —— 分组有序时曲线不会相交,相交的位置正好是一组反超另一组的地方。

SELECT kuva_render(to_json({
'title': 'Treatment vs control',
'x_axis': {'name': 'expression'},
'y_axis': {'name': 'F(x)'},
'legend': {'position': 'outside_right_top'},
'series': [{
'type': 'ecdf',
'groups': groups
}]
})) AS chart
FROM (
SELECT list({'label': g, 'values': vals} ORDER BY g) AS groups
FROM (
SELECT "group" AS g, list(expression) AS vals
FROM read_csv_auto('{{DFK_BASE_URL}}data/samples.tsv')
GROUP BY "group"
)
);

互补累积分布​

complementary 把曲线翻成 1 − F(x) —— 生存函数,或者叫超出概率。看读长(有多少比例的读段不短于 N bp?)、 看覆盖度(有多少比例的位置深度不低于 N×?),或者任何「主体部分没意思、就看尾巴」的重尾数据,标准画法都是它。 配上对数 x 轴更自然。

SELECT kuva_render(to_json({
'title': 'Read length — CCDF',
'x_axis': {'name': 'read length (bp)', 'log': true, 'tick_format': 'integer'},
'y_axis': {'name': 'fraction ≥ length'},
'series': [{
'type': 'ecdf',
'groups': [{'label': 'reads', 'values': lens}],
'complementary': true,
'rug': true,
'color': 'steelblue'
}]
})) AS chart
FROM (
SELECT list("end" - "start") AS lens
FROM read_csv_auto('{{DFK_BASE_URL}}data/reads.tsv')
);

置信带​

confidence_band 给每条曲线加一条 DKW 95 % 置信带,半宽 ε = √(ln 40 / 2n) —— 样本小就宽,样本大就紧。它 把「这两条曲线看着不一样」变成「它们差得比抽样噪声还多」,填充透明度由 band_alpha 控制。

SELECT kuva_render(to_json({
'title': 'DKW confidence bands',
'x_axis': {'name': 'expression'},
'y_axis': {'name': 'F(x)'},
'legend': {'position': 'outside_right_top'},
'series': [{
'type': 'ecdf',
'groups': groups,
'confidence_band': true,
'band_alpha': 0.15
}]
})) AS chart
FROM (
SELECT list({'label': g, 'values': vals} ORDER BY g) AS groups
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"
)
);

rug​

rug 在绘图区底部给每个观测在自己那个 x 位置上画一小段竖线。它把原始样本的真实位置摆出来 —— 聚集、空隙、离群 点,这些光看阶梯曲线会被抹掉的东西。几个分组时,各组的竖线会稍微错开,不至于互相盖住。

SELECT kuva_render(to_json({
'title': 'With a rug',
'x_axis': {'name': 'expression'},
'y_axis': {'name': 'F(x)'},
'series': [{
'type': 'ecdf',
'groups': [{'label': 'Control', 'values': vals}],
'color': 'steelblue',
'rug': true,
'rug_height': 8
}]
})) AS chart
FROM (
SELECT list(expression) AS vals
FROM read_csv_auto('{{DFK_BASE_URL}}data/samples.tsv')
WHERE "group" = 'Control'
);

分位参考线​

percentile_lines 在给定的 F 高度上画虚线并在右边缘标注。给的是 0–1 的 F 值,所以 [0.25, 0.5, 0.75] 标的是四分位数与中位数 —— 读每根线与某条曲线的交点,就是那一组的四分位值。

SELECT kuva_render(to_json({
'title': 'Quartile reference lines',
'x_axis': {'name': 'expression'},
'y_axis': {'name': 'F(x)'},
'legend': {'position': 'outside_right_top'},
'series': [{
'type': 'ecdf',
'groups': groups,
'percentile_lines': [0.25, 0.5, 0.75]
}]
})) AS chart
FROM (
SELECT list({'label': g, 'values': vals} ORDER BY g) AS groups
FROM (
SELECT "group" AS g, list(expression) AS vals
FROM read_csv_auto('{{DFK_BASE_URL}}data/samples.tsv')
GROUP BY "group"
)
);

阶梯上的点​

markers 在每个阶梯的端点画一个圆点,把 ECDF 的离散本质显出来。样本小(三十几个点以内)时值得开;再多,点就 糊进线里了。

SELECT kuva_render(to_json({
'x_axis': {'name': 'value', 'tick_format': 'integer'},
'y_axis': {'name': 'F(x)'},
'series': [{
'type': 'ecdf',
'groups': [{'label': 'n=8', 'values': [1.2, 2.4, 2.9, 3.5, 4.1, 5.0, 5.8, 7.2]}],
'color': 'steelblue',
'markers': true,
'marker_size': 4
}]
})) AS chart;

平滑 CDF​

smooth 把阶梯换成由核密度积分出来的平滑 CDF(带宽按 Silverman 规则),stroke_width 是线宽,line_dash 把它打成虚线。

SELECT kuva_render(to_json({
'title': 'Smooth CDF',
'x_axis': {'name': 'expression'},
'y_axis': {'name': 'F(x)'},
'legend': {'position': 'outside_right_top'},
'series': [{
'type': 'ecdf',
'groups': groups,
'smooth': true,
'stroke_width': 2
}]
})) AS chart
FROM (
SELECT list({'label': g, 'values': vals} ORDER BY g) AS groups
FROM (
SELECT "group" AS g, list(expression) AS vals
FROM read_csv_auto('{{DFK_BASE_URL}}data/samples.tsv')
GROUP BY "group"
)
);

字段​

字段类型设置什么
groupsgroup[]必填。 每个分组一条曲线,每项是 {label, values, color?}。
complementaryboolean画互补累积分布(1 − F,从 1 往下走)。
confidence_bandboolean每条曲线加一条 DKW 95 % 置信带。
band_alphanumber置信带的透明度(默认 0.15)。
rugboolean在坐标轴上给每个观测画一小段竖线。
rug_heightnumber竖线的高度(像素,默认 6)。
percentile_linesnumber[]这些 F 高度(0–1) 上的水平参考线,如 [0.25, 0.5, 0.75]。
markersboolean在每个阶梯端点画圆点。
marker_sizenumber点半径(默认 3)。
smoothboolean把阶梯换成核密度积分的平滑 CDF。
smooth_samplesinteger平滑 CDF 的采样点数(默认 200)。
stroke_widthnumber曲线线宽(默认 1.5)。
line_dashstring虚线样式(如 "4 2")。

color 与 legend 见 series 与通用字段;分组自己的 color 会覆盖它。

说明​

  • 每个分组至少要有一个值;groups 为空是报错。
  • percentile_lines 收的是比例,不是百分数 —— 写 [0.25, 0.5, 0.75],不是 [25, 50, 75]。
  • 样本密的时候,rug 配 percentile_lines 通常比 markers 清楚。
  • 问尾部的问题时,complementary 配 x_axis.log。

另见​