内部排序的方面ggplot2 [英] Internal ordering of facets ggplot2

问题描述

我试图在ggplot2中绘制一个方面，但我很努力地获得不同方面的内部排序。数据如下所示：

  head（THAT_EXT）
 ID FILE GENRE NODE 
 1 CKC_1823_01 CKC小说更好
 2 CKC_1824_01 CKC小说更好
 3 EW9_192_03 EW9科学更好更好
 4 H0B_265_01 H0B科学普遍悲伤
 5 CS2_231_03 CS2学术散文理想
 6 FED_8_05 FED学术散文确定
 
 str（THAT_EXT）
'data.frame'：851 obs。 4个变量：
 $ ID：因子w / 851等级A05_122_01，A05_277_07，..：345 346 439 608 402 484 319 395 228 5 ... 
 $ FILE： 241级A05，A06，A0K，..：110 110 127 169 120 135 105 119 79 2 ... 
 $ GENRE：有5个等级的因子Academic Prose，..： 4 4 5 5 1 1 1 5 1 5 ... 
 $ NODE：因子有115个等级荒谬，接受，..：14 14 14 89 23 16 59 59 18 66 ... 
  

部分问题是无法获得排序权。以下是我使用的NODE排序代码：

  THAT_EXT < - 内（THAT_EXT，
节点<  -  factor（NODE，
 levels = names（sort（table（NODE），
 decrease = TRUE））））
  

当我用下面的代码绘制这个图时，我得到一个图表，其中NODE在单个GENRE中未正确排序，因为不同的NODE在不同的GENRE中更频繁：

$ b $

  p1 < -  
 ggplot（THAT_EXT，aes（x = NODE））+ 
 geom_bar（）+ 
 scale_x_discrete（THAT_EXT，breaks = NULL）+＃在x轴上禁止标记
 facet_wrap（〜GENRE）
  

我想要的是每个方面都有NODE按特定GENRE的降序排序。有人能帮忙吗？

  structure（list（ID = structure（c（1L，2L，3L，4L，10L，133L，137L，
 138L，139L，140L，141L，142L，143L，144L，145L，146L，147L，148L，$ b $ 149L，150L，151L，152L，153L，154L，155L，156L，157L，158L，159L， 
 160L，161L，162L，163L，164L，165L，166L，167L，168L，169L，170L，
 171L，172L，173L，174L，175L，176L，177L，178L，179L，180L， 181L，
 182L，183L，184L，185L，186L，187L，188L，189L，190L，191L，192L，
 193L，194L，195L，196L，197L，198L，199L，200L，201L， 202L，203L，
 204L，205L，206L，207L，208L，212L，213L，214L，215L，216L，217L，
 218L，219L，220L，221L，222L，223L，224L，225L， 226L，227L，228L，
 229L，230L，231L，232L，233L，234L，235L，236L，237L，238L，239L，$ b $ 240L，241L，267L，268L，269L，270L，271L， 272L，273L，274L，275L，
 276L，277L，278L，279L，280L，281L，282L，283L，284L，290L，291L，
 298L，299L，300L，303L，304L，305L， 306L，307L，308L，309L，310L，
 313L，314L，315L，316L，317L，318L，3 19L，327L，328L，329L，330L，
 331L，332L，333L，334L，335L，336L，337L，338L，339L，340L，341L，$ b $ 342L，343L，344L，345L，346L， 347L，348L，352L，353L，354L，355L，
 356L，357L，358L，359L，360L，349L，350L，351L，361L，362L，363L，
 364L，365L，366L，367L， 368L，369L，370L，371L，372L，373L，374L，
 375L，376L，377L，378L，379L，380L，381L，12L，13L，14L，15L，
 16L，17L，18L， 19L，20L，21L，22L，23L，24L，25L，26L，27L，28L，
 29L，30L，31L，32L，33L，34L，35L，36L，41L，42L，43L，44L，45L， 
 46L，50L，54L，72L，73L，74L，75L，76L，90L，91L，92L，97L，98L，
 102L，115L，125L，126L，127L，128L​​，129L，130L， 131L，132L，209L，
 210L，211L，242L，243L，244L，245L，246L，289L，292L，293L，294L，
 295L，296L，297L，301L，302L，311L，312L， 320L，321L，322L，323L，
 324L，325L，326L，382L，383L，384L，385L，386L，387L，388L，5L，
 6L，7L，8L，9L，11L，37L， 38L，39L，40L，47L，48L，49L，51L，
 52L，53L，55L，56L，57L，58L，59L，60L，61L ，62L，63L，64L，65L，
 66L，67L，68L，69L，70L，71L，77L，78L，79L，80L，81L，82L，83L，$ b $ 84L，85L，86L，87L ，88L，89L，93L，94L，95L，96L，99L，100L，
 101L，103L，104L，105L，106L，107L，108L，109L，110L，111L，112L，$ b $ 113L，114L ，116L，117L，118L，119L，120L，121L，122L，123L，124L，
 134L，135L，136L，247L，248L，249L，250L，251L，252L，253L，254L，
 255L ，256L，257L，258L，259L，260L，261L，262L，263L，264L，265L，
 266L，285L，286L，287L，288L），标签= c（A05_122_01，A05_277_07，
A05_400_01，A05_99_01，A06_1283_02，A06_1389_01，A06_1390_01，
A06_1441_02，A06_884_03，A0K_1190_03，A77_1684_01，A8K_525_03 bA8K_582_01A8K_645_01A8K_799_01A90_341_02A90_496_01
A94_217_01A94_472_01A94_477_03A9M_164_01A9M_259_03
 A9N_199_01，A9N_489_01，A9N_591_01，A9R_173_01，A9R_425_02，
A9W_536_02，AA5_121_01，AAE_203_01，AAE_243_01，AAE_412_01，
AAW_14_0 3，AAW_244_02，AAW_297_04，AAW_365_04，ADG_1398_01，
ADG_1500_01，ADG_1507_01，ADG_1516_01，AHB_336_01，AHB_421_01，
AHJ_1090_02 ，ARJ_619_01，AR3_340_01，AR3_91_03，ARF_879_01，
ARF_985_01，ARF_991_02，ARK_1891_01，ASL_33_04，ASL_43_01，
ASL_9_01 B0N_630_01，B09_1475_01，B09_1493_01，
B09_1539_01，B0G_197_01，B0G_320_01，B0N_1037_01，B0N_624_01，
B0N_645_02，B0N_683_01 ，B3G_313_04，B3G_320_03，B3G_398_02，
B7M_1630_01，B7M_1913_01，BNN_746_02，BNN_895_01，BP7_2426_01，
BP7_2777_01，BP7_2898_01 BP9_410_01，BP9_599_01，BPK_829_01，
C93_1407_02，C9A_181_01，C9A_196_01，C9A_365_01，C9A_82_02，
C9A_9_01，CB9_306_02，CB9_63_04 ，CB9_86_01，CBJ_439_01，
CBJ_702_02，CBJ_705_01，CCM_320_01，CCM_665_01，CCM_669_02，
CCN_1036_02，CCN_1078_01，CCN_1119_01 CCN_784_01，CCW_2284_02，
CCW_2349_ 03CE7_242_02CE7_284_01CE7_39_01CEB_1675_01
CER_145_03CER_23_01CER_235_02CER_378_10CET_1056_02
CET_680_01 ，CET_705_01，CET_797_01，CET_838_01，CET_879_05，
，CET_946_03，CET_986_01，CEY_2977_01，CJ3_107_02，CJ3_114_03，
，CJ3_20_01， CJ3_81_01，CK2_112_01，CK2_22_01，CK2_392_01，
CK2_42_01，CK2_75_01，CKC_1776_01，CKC_1777_01，CKC_1823_01，
CKC_1824_01，CKC_1860_01 ，CKC_1883_01，CKC_1883_02，CKC_2127_01，
，CMN_1439_02，CRM_5767_01，CRM_5770_03，CRM_5789_01，CS2_110_01，
，CS2_131_01， CS2_187_01，CS2_187_03，CS2_231_03，
CS2_249_02，CS2_301_01，CS2_35_01，CS2_58_02，EV6_16_01，
EV6_206_02，EV6_240_01，EV6_244_02 ，EV6_28_01，EV6_30_01，
EV6_32_01，EV6_450_01，EV6_69_01，EV6_80_01，EV6_91_01，
FAC_1019_01，FAC_1026_01，FAC_1027_01 FAC_1235_01，FAC_1269_05，
FAC_1270_05，F FED_1306_03，FAC_933_01，FAC_950_01，
FAC_960_01，FED_105_01，FED_120_02，FED_21_02，FED_281_02，
FED_302_02，FED_53_01 ，FED_8_05，FEF_498_03，FEF_674_03，
FR2_410_01，FR2_557_02，FR2_593_01，FR2_691_01，FR4_232_01，
FR4_331_01，FR4_346_01 FS7_818_01，FS7_919_01，FU0_368_02，
FYT_1138_01，FYT_1183_01，FYT_901_05，G08_1336_01，G1E_385_01，
G1N_824_01，G1N_860_01，G1N_868_01 ，G1N_975_01，GU5_854_01，
GUJ_423_01，GUJ_501_01，GUJ_611_01，GUJ_629_03，GUJ_700_01，
GV0_10_01，GV0_104_01，GV0_111_01 GV0_160_01，
GV0_232_02，GV2_1465_01，GV2_1899_01，GV6_2683_01，GW6_297_01，
GW6_306_05，GW6_307_01，GW6_322_01，GW6_330_02 ，GW6_335_01，
GW6_338_01，GW6_367_02，GW6_373_01，GW6_407_01，GW6_411_01，
GW6_413_01，GW6_421_01，GW6_423_01，GW6_424_01 GW6_428_01，
GW6_447_01，GWM_480_01 ，GWM_533_02，GWM_554_02，GWM_554_03，
GWM_609_01，GWM_609_04，GWM_610_01，GWM_730_01，GWM_731_01，
GWM_738_01，GWM_804_06， GWM_815_01，GWM_832_03，GVP_179_01，
，GVP_211_01，GVP_393_02，GVP_443_02，GVP_710_01，H0B_171_04，
，H0B_216_01，H0B_265_01，H0B_32_01 ，H0B_361_03，H0B_365_01，
H0B_369_01，H0B_74_01，H0B_93_01，H10_1002_01，H10_1032_04，
H10_653_01，H10_803_01，H10_824_01， H10_825_03，H10_881_01，
H10_986_01，H78_851_04，H78_891_01，H78_946_04，H79_1959_19，
H7S_110_05，H7S_130_06，H7S_131_03，H7S_131_04 ，H7S_146_01，
H7S_148_01，H7S_164_01，H7S_179_01，H7S_54_01，H7S_56_05，
H7S_62_03，H7S_79_01，H7S_8_01，H7S_81_01 H7S_83_01，
，H7S_87_01，H7S_92_03，H7X_1028_02，H7X_1091_01，H7X_691_01，
，H7X_695_01，H8H_2917_01，H8K_153_01，H8K_55_01，H8M_1897_01 ，
H8M_2104_02，H8T_3316_03，H98_3204_01， H98_3410_01，H98_3490_02，
H9R_130_02，H9R_39_01，H9S_1297_01，HA2_3107_02，HA2_3284_01，
HPY_754_04，HPY_785_09HPY_799_03HPY_807_04 ，HPY_830_04，
HPY_838_02，HPY_843_01，HPY_869_11，HR7_190_01，HR7_440_01，
HTP_540_01，HTP_585_01，HTP_588_05，HTP_593_01 HTP_601_01，
，HTP_613_01，HTP_648_02，HTW_197_01，HTW_494_01，HTW_750_01，
，HWL_2770_01，HWL_2919_01，HWM_45_01，HWM_45_02，HXY_1047_03 ，
HXY_701_01，HXY_781_01，HXY_783_01，HXY_784_01，HXY_836_01，
HXY_931_01，HXY_963_01，HXY_972_01，HXY_985_03，HY6_1024_01 
HY6_1025_01，HY6_1164_01，HY6_1223_01，HY6_988_03，HY6_989_01，
HY8_160_01，HY8_164_01，HY8_292_03，HY8_316_01，HY9_778_03，
HY9_845_02，HYX_235_08，HYX_245_01，HYX_88_01，J12_1474_02，
J12_1492_01，J12_1571_01，J12_1845_01，J14_341_01，J18_597_04，
 J18_698_02，J18_759_01，J18_828_01， J3R_197_01，J3R_219_02，
，J3R_277_04，J3T_267_01，J3T_269_02，J3T_57_02，J41_41_02，
，J41_58_03， ，J9D_147_05，
J9D_218_01，J9D_411_01，J9D_616_01，J9D_616_02，JNB_563_02，
JT7_118_01，JT7_129_02，JT7_218_02，JT7_344_02 JXS_3663_01，
JXU_407_01，JXU_468_02，JXU_559_01，JXV_1439_04，JXV_1592_01，
JY1_100_01），class =factor），GENRE = structure（c 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，
 1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， $ 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，
 1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，2L，
 2L，2L，2L，2L，2L，2L，2L，2L，2L， 2L，2L，2L，2L，2L，2L，
 2L，2L，2L，2L，2L，2L，2L，3L，3L，3L，3L，3L，3L，3L，3L，3L， $ b 3L，3L，3L，3L，3L，3L，3L，3L，3L，3L，3L，3L，3L，3L，3L，3L，3L， 4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L， 4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，4L， 4L，4L，4L，4L，4L，4L，4L，4L，4L，4L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L， 5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L， 
 5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，
 5L， 5L，5L，5L，5L，5L，5L，5L， 5L，5L，5L，5L，
 5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L， 5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L，5L），标签= c（Academic Prose对话，新闻，
小说，大众科学），class =因子），NODE =结构（c（9L，
 10L，10L，10L，4L，10L， 71L，35L，49L，6L，5L，15L，28L，44L，
 64L，64L，28L，28L，18L，18L，32L，18L，58L，10L，72L，28L，18L， 10L，64L，10L，35L，64L，64L，69L，8L，10L，50L，69L，49L，49L，
 15L，69L，10L，49L，8L，64L，49L，10L，69L，18L， 61L，67L，67L，
 61L，57L，69L，11L，10L，64L，10L，59L，61L，49L，10L，59L，1L，
 61L，35L，54L，54L，39L， 44L，61L，64L，69L，1L，23L，49L，49L，
 8L，69L，49L，69L，49L，49L，69L，35L，49L，49L，49L，35L，10L，
 49L，48L，10L，49L，11L，44L，50L，11L，50L，69L，49L，10L，59L，
 68L，47L，69L，49L，35L，29L，8L，49L，50L，35L， 10L，35L，8L，
 35L，8L，10L，35L，10L，10L，10L，35L，44L，61L，35L，44L，28L ，
 47L，39L，39L，49L，61L，43L，60L，19L，10L，10L，10L，44L，44L，
 62L，44L，10L，59L，10L，61L，1L，53L ，33L，10L，8L，8L，64L，
 64L，10L，57L，61L，64L，66L，19L，61L，64L，10L，10L，8L，19L，
 35L，28L， ，62L，35L，35L，42L，35L，28L，32L，64L，10L，18L， ，
 1L，38L，28L，28L，33L，10L，44L，29L，16L，8L，28L，69L，32L，
 10L，61L，20L，35L，10L，28L，10L，32L 10L，46L，59L，64L，35L，
 66L，2L，35L，28L，30L，18L，69L，32L，10L，28L，17L，36L，64L，$ b $ 61L，10L，64L ，33L，3L，37L，26L，28L，64L，44L，28L，64L，64L，
 6L，6L，64L，50L，32L，8L，64L，50L，28L，24L，18L，47L，35L ，
 40L，24L，55L，44L，22L，1L，49L，44L，18L，45L，63L，64L，35L，
 12L，35L，10L，35L，10L，10L，10L，44L ，44L，44L，65L，44L，55L，
 32L，49L，64L，39L，69L，1L，60L，7L，14L，44L，33L，10L，19L，$ b $ 10L，70L，53L ，8L，61L，61L，44L，61L，65L，28L，68L，69L，27L，
 61L，28L，72L， 34L，61L，32L，10L，49L，35L，49L，10L，10L，69L，
 39L，40L，19L，59L，53L，49L，49L，44L，49L，35L，49L，61L，61L， 
 1L，10L，28L，49L，35L，49L，61L，50L，69L，35L，61L，35L，50L，
 10L，28L，69L，61L，21L，69L，29L，35L， 35L，35L，11L，69L，8L，
 41L，56L，35L，61L，69L，49L，49L，49L，1L，13L，64L，64L，52L，
 44L，64L， 50L，49L，69L，11L，59L，49L，31L），标签= c（明显的，
合适的，糟糕的，公理的，最好的，更好的， b $ b确定特征清楚可以想象方便
至关重要残忍可取的令人失望强调 
基本，明显，预期，非凡，公平，b $ b幸运，滑稽，好，很棒 b $ b不可能的难以置信的不可避免的不可避免的有趣的
具有讽刺意味的可能的可能的幸运的可笑的 自然，
必要，需要，显着，值得注意，显而易见，奇怪，
可能的，可能的，
适当的，相关的，显着的，显露的，正确的，悲伤的，
不言而喻明智的显着的惊人的令人惊讶的
有症状可怕的真实的典型的可理解的
意外的，不幸的，不太可能的，不合理的，不真实的，
重要的），class =factor）），.Names = c（ID，GENRE ，NODE
），class =data.frame，row.names = c（NA，-388L））
  

解决方案

正如我已经提到的那样： facet_wrap 不适用于单个比例。至少我没有找到解决方案。因此，在 scale_x_discrete 中设置标签并不会带来理想的效果。

但是我的解决方法是：

  library（plyr）
 library（ggplot2）
 
 nodeCount<  -  ddply（df，c （GENRE，NODE），nrow）
 nodeCount $ factors<  -  paste（nodeCount $ GENRE，nodeCount $ NODE，sep =。）
 nodeCount<  -  nodeCount [order nodeCount $ GENRE，nodeCount $ V1，递减= TRUE），] 
 nodeCount $因数<  -  factor（nodeCount $因数，levels = nodeCount $因数）
 head（nodeCount）
 
 GENRE NODE V1因子
 121科学普及可能14科学普及可能
 128科普惊人11科普惊人
 116科普可能9科普可能
 132大众科学不大可能9大众科学不可能
 103大众科学清除7大众科学清除
 129大众科学真正5大众科学e.true 
 $ bg<  -  ggplot（nodeCount，aes（y = V1，x = factors））+ 
 geom_bar（）+ 
 scale_x_discrete（breaks = NULL）+＃在x轴上禁止标记
 facet_wrap（〜GENRE，scale =free_x）+ 
 geom_text（aes（label = NODE，y = V1 + 2），angle = 45，vjust = 0，hjust = 0，size = 3）
  

给出：

I'm trying to plot a facets in ggplot2 but I struggle to get the internal ordering of the different facets right. The data looks like this:

head(THAT_EXT)
  ID          FILE           GENRE      NODE
1 CKC_1823_01  CKC          Novels    better
2 CKC_1824_01  CKC          Novels    better
3  EW9_192_03  EW9 Popular Science    better
4  H0B_265_01  H0B Popular Science       sad
5  CS2_231_03  CS2  Academic Prose desirable
6    FED_8_05  FED  Academic Prose   certain

str(THAT_EXT)
'data.frame':   851 obs. of  4 variables:
 $ ID   : Factor w/ 851 levels "A05_122_01","A05_277_07",..: 345 346 439 608 402 484 319 395 228 5 ...
 $ FILE : Factor w/ 241 levels "A05","A06","A0K",..: 110 110 127 169 120 135 105 119 79 2 ...
 $ GENRE: Factor w/ 5 levels "Academic Prose",..: 4 4 5 5 1 1 1 5 1 5 ...
 $ NODE : Factor w/ 115 levels "absurd","accepted",..: 14 14 14 89 23 16 59 59 18 66 ...

Part of the problem is that can't get the sorting right. Here is the code for the sorting of NODE that I use:

THAT_EXT <- within(THAT_EXT, 
               NODE <- factor(NODE, 
                              levels=names(sort(table(NODE), 
                                                decreasing=TRUE))))

When I plot this with the code below I get a graphs in which the NODE is not correctly sorted in the individual GENREs since different NODEs are more frequent in different GENREs:

p1 <- 
ggplot(THAT_EXT, aes(x=NODE)) +
geom_bar() +
scale_x_discrete("THAT_EXT", breaks=NULL) + # supress tick marks on x axis
facet_wrap(~GENRE)

What I want is for every facet to have NODE sorted in decreasing order for that particular GENRE. Can anyone help with this?

structure(list(ID = structure(c(1L, 2L, 3L, 4L, 10L, 133L, 137L, 
138L, 139L, 140L, 141L, 142L, 143L, 144L, 145L, 146L, 147L, 148L, 
149L, 150L, 151L, 152L, 153L, 154L, 155L, 156L, 157L, 158L, 159L, 
160L, 161L, 162L, 163L, 164L, 165L, 166L, 167L, 168L, 169L, 170L, 
171L, 172L, 173L, 174L, 175L, 176L, 177L, 178L, 179L, 180L, 181L, 
182L, 183L, 184L, 185L, 186L, 187L, 188L, 189L, 190L, 191L, 192L, 
193L, 194L, 195L, 196L, 197L, 198L, 199L, 200L, 201L, 202L, 203L, 
204L, 205L, 206L, 207L, 208L, 212L, 213L, 214L, 215L, 216L, 217L, 
218L, 219L, 220L, 221L, 222L, 223L, 224L, 225L, 226L, 227L, 228L, 
229L, 230L, 231L, 232L, 233L, 234L, 235L, 236L, 237L, 238L, 239L, 
240L, 241L, 267L, 268L, 269L, 270L, 271L, 272L, 273L, 274L, 275L, 
276L, 277L, 278L, 279L, 280L, 281L, 282L, 283L, 284L, 290L, 291L, 
298L, 299L, 300L, 303L, 304L, 305L, 306L, 307L, 308L, 309L, 310L, 
313L, 314L, 315L, 316L, 317L, 318L, 319L, 327L, 328L, 329L, 330L, 
331L, 332L, 333L, 334L, 335L, 336L, 337L, 338L, 339L, 340L, 341L, 
342L, 343L, 344L, 345L, 346L, 347L, 348L, 352L, 353L, 354L, 355L, 
356L, 357L, 358L, 359L, 360L, 349L, 350L, 351L, 361L, 362L, 363L, 
364L, 365L, 366L, 367L, 368L, 369L, 370L, 371L, 372L, 373L, 374L, 
375L, 376L, 377L, 378L, 379L, 380L, 381L, 12L, 13L, 14L, 15L, 
16L, 17L, 18L, 19L, 20L, 21L, 22L, 23L, 24L, 25L, 26L, 27L, 28L, 
29L, 30L, 31L, 32L, 33L, 34L, 35L, 36L, 41L, 42L, 43L, 44L, 45L, 
46L, 50L, 54L, 72L, 73L, 74L, 75L, 76L, 90L, 91L, 92L, 97L, 98L, 
102L, 115L, 125L, 126L, 127L, 128L, 129L, 130L, 131L, 132L, 209L, 
210L, 211L, 242L, 243L, 244L, 245L, 246L, 289L, 292L, 293L, 294L, 
295L, 296L, 297L, 301L, 302L, 311L, 312L, 320L, 321L, 322L, 323L, 
324L, 325L, 326L, 382L, 383L, 384L, 385L, 386L, 387L, 388L, 5L, 
6L, 7L, 8L, 9L, 11L, 37L, 38L, 39L, 40L, 47L, 48L, 49L, 51L, 
52L, 53L, 55L, 56L, 57L, 58L, 59L, 60L, 61L, 62L, 63L, 64L, 65L, 
66L, 67L, 68L, 69L, 70L, 71L, 77L, 78L, 79L, 80L, 81L, 82L, 83L, 
84L, 85L, 86L, 87L, 88L, 89L, 93L, 94L, 95L, 96L, 99L, 100L, 
101L, 103L, 104L, 105L, 106L, 107L, 108L, 109L, 110L, 111L, 112L, 
113L, 114L, 116L, 117L, 118L, 119L, 120L, 121L, 122L, 123L, 124L, 
134L, 135L, 136L, 247L, 248L, 249L, 250L, 251L, 252L, 253L, 254L, 
255L, 256L, 257L, 258L, 259L, 260L, 261L, 262L, 263L, 264L, 265L, 
266L, 285L, 286L, 287L, 288L), .Label = c("A05_122_01", "A05_277_07", 
"A05_400_01", "A05_99_01", "A06_1283_02", "A06_1389_01", "A06_1390_01", 
"A06_1441_02", "A06_884_03", "A0K_1190_03", "A77_1684_01", "A8K_525_03", 
"A8K_582_01", "A8K_645_01", "A8K_799_01", "A90_341_02", "A90_496_01", 
"A94_217_01", "A94_472_01", "A94_477_03", "A9M_164_01", "A9M_259_03", 
"A9N_199_01", "A9N_489_01", "A9N_591_01", "A9R_173_01", "A9R_425_02", 
"A9W_536_02", "AA5_121_01", "AAE_203_01", "AAE_243_01", "AAE_412_01", 
"AAW_14_03", "AAW_244_02", "AAW_297_04", "AAW_365_04", "ADG_1398_01", 
"ADG_1500_01", "ADG_1507_01", "ADG_1516_01", "AHB_336_01", "AHB_421_01", 
"AHJ_1090_02", "AHJ_619_01", "AR3_340_01", "AR3_91_03", "ARF_879_01", 
"ARF_985_01", "ARF_991_02", "ARK_1891_01", "ASL_33_04", "ASL_43_01", 
"ASL_9_01", "AT7_1031_01", "B09_1162_01", "B09_1475_01", "B09_1493_01", 
"B09_1539_01", "B0G_197_01", "B0G_320_01", "B0N_1037_01", "B0N_624_01", 
"B0N_645_02", "B0N_683_01", "B3G_313_04", "B3G_320_03", "B3G_398_02", 
"B7M_1630_01", "B7M_1913_01", "BNN_746_02", "BNN_895_01", "BP7_2426_01", 
"BP7_2777_01", "BP7_2898_01", "BP9_410_01", "BP9_599_01", "BPK_829_01", 
"C93_1407_02", "C9A_181_01", "C9A_196_01", "C9A_365_01", "C9A_82_02", 
"C9A_9_01", "CB9_306_02", "CB9_63_04", "CB9_86_01", "CBJ_439_01", 
"CBJ_702_02", "CBJ_705_01", "CCM_320_01", "CCM_665_01", "CCM_669_02", 
"CCN_1036_02", "CCN_1078_01", "CCN_1119_01", "CCN_784_01", "CCW_2284_02", 
"CCW_2349_03", "CE7_242_02", "CE7_284_01", "CE7_39_01", "CEB_1675_01", 
"CER_145_03", "CER_23_01", "CER_235_02", "CER_378_10", "CET_1056_02", 
"CET_680_01", "CET_705_01", "CET_797_01", "CET_838_01", "CET_879_05", 
"CET_946_03", "CET_986_01", "CEY_2977_01", "CJ3_107_02", "CJ3_114_03", 
"CJ3_20_01", "CJ3_81_01", "CK2_112_01", "CK2_22_01", "CK2_392_01", 
"CK2_42_01", "CK2_75_01", "CKC_1776_01", "CKC_1777_01", "CKC_1823_01", 
"CKC_1824_01", "CKC_1860_01", "CKC_1883_01", "CKC_1883_02", "CKC_2127_01", 
"CMN_1439_02", "CRM_5767_01", "CRM_5770_03", "CRM_5789_01", "CS2_110_01", 
"CS2_131_01", "CS2_139_01", "CS2_187_01", "CS2_187_03", "CS2_231_03", 
"CS2_249_02", "CS2_301_01", "CS2_35_01", "CS2_58_02", "EV6_16_01", 
"EV6_206_02", "EV6_240_01", "EV6_244_02", "EV6_28_01", "EV6_30_01", 
"EV6_32_01", "EV6_450_01", "EV6_69_01", "EV6_80_01", "EV6_91_01", 
"FAC_1019_01", "FAC_1026_01", "FAC_1027_01", "FAC_1235_01", "FAC_1269_05", 
"FAC_1270_05", "FAC_1393_01", "FAC_1406_03", "FAC_933_01", "FAC_950_01", 
"FAC_960_01", "FED_105_01", "FED_120_02", "FED_21_02", "FED_281_02", 
"FED_302_02", "FED_53_01", "FED_8_05", "FEF_498_03", "FEF_674_03", 
"FR2_410_01", "FR2_557_02", "FR2_593_01", "FR2_691_01", "FR4_232_01", 
"FR4_331_01", "FR4_346_01", "FS7_818_01", "FS7_919_01", "FU0_368_02", 
"FYT_1138_01", "FYT_1183_01", "FYT_901_05", "G08_1336_01", "G1E_385_01", 
"G1N_824_01", "G1N_860_01", "G1N_868_01", "G1N_975_01", "GU5_854_01", 
"GUJ_423_01", "GUJ_501_01", "GUJ_611_01", "GUJ_629_03", "GUJ_700_01", 
"GV0_10_01", "GV0_104_01", "GV0_111_01", "GV0_122_01", "GV0_160_01", 
"GV0_232_02", "GV2_1465_01", "GV2_1899_01", "GV6_2683_01", "GW6_297_01", 
"GW6_306_05", "GW6_307_01", "GW6_322_01", "GW6_330_02", "GW6_335_01", 
"GW6_338_01", "GW6_367_02", "GW6_373_01", "GW6_407_01", "GW6_411_01", 
"GW6_413_01", "GW6_421_01", "GW6_423_01", "GW6_424_01", "GW6_428_01", 
"GW6_447_01", "GWM_480_01", "GWM_533_02", "GWM_554_02", "GWM_554_03", 
"GWM_609_01", "GWM_609_04", "GWM_610_01", "GWM_730_01", "GWM_731_01", 
"GWM_738_01", "GWM_804_06", "GWM_815_01", "GWM_832_03", "GVP_179_01", 
"GVP_211_01", "GVP_393_02", "GVP_443_02", "GVP_710_01", "H0B_171_04", 
"H0B_216_01", "H0B_265_01", "H0B_32_01", "H0B_361_03", "H0B_365_01", 
"H0B_369_01", "H0B_74_01", "H0B_93_01", "H10_1002_01", "H10_1032_04", 
"H10_653_01", "H10_803_01", "H10_824_01", "H10_825_03", "H10_881_01", 
"H10_986_01", "H78_851_04", "H78_891_01", "H78_946_04", "H79_1959_19", 
"H7S_110_05", "H7S_130_06", "H7S_131_03", "H7S_131_04", "H7S_146_01", 
"H7S_148_01", "H7S_164_01", "H7S_179_01", "H7S_54_01", "H7S_56_05", 
"H7S_62_03", "H7S_79_01", "H7S_8_01", "H7S_81_01", "H7S_83_01", 
"H7S_87_01", "H7S_92_03", "H7X_1028_02", "H7X_1091_01", "H7X_691_01", 
"H7X_695_01", "H8H_2917_01", "H8K_153_01", "H8K_55_01", "H8M_1897_01", 
"H8M_2104_02", "H8T_3316_03", "H98_3204_01", "H98_3410_01", "H98_3490_02", 
"H9R_130_02", "H9R_39_01", "H9S_1297_01", "HA2_3107_02", "HA2_3284_01", 
"HPY_754_04", "HPY_785_09", "HPY_799_03", "HPY_807_04", "HPY_830_04", 
"HPY_838_02", "HPY_843_01", "HPY_869_11", "HR7_190_01", "HR7_440_01", 
"HTP_540_01", "HTP_585_01", "HTP_588_05", "HTP_593_01", "HTP_601_01", 
"HTP_613_01", "HTP_648_02", "HTW_197_01", "HTW_494_01", "HTW_750_01", 
"HWL_2770_01", "HWL_2919_01", "HWM_45_01", "HWM_45_02", "HXY_1047_03", 
"HXY_701_01", "HXY_781_01", "HXY_783_01", "HXY_784_01", "HXY_836_01", 
"HXY_931_01", "HXY_963_01", "HXY_972_01", "HXY_985_03", "HY6_1024_01", 
"HY6_1025_01", "HY6_1164_01", "HY6_1223_01", "HY6_988_03", "HY6_989_01", 
"HY8_160_01", "HY8_164_01", "HY8_292_03", "HY8_316_01", "HY9_778_03", 
"HY9_845_02", "HYX_235_08", "HYX_245_01", "HYX_88_01", "J12_1474_02", 
"J12_1492_01", "J12_1571_01", "J12_1845_01", "J14_341_01", "J18_597_04", 
"J18_698_02", "J18_759_01", "J18_828_01", "J3R_197_01", "J3R_219_02", 
"J3R_277_04", "J3T_267_01", "J3T_269_02", "J3T_57_02", "J41_41_02", 
"J41_58_03", "J9B_133_03", "J9B_341_02", "J9B_341_03", "J9D_147_05", 
"J9D_218_01", "J9D_411_01", "J9D_616_01", "J9D_616_02", "JNB_563_02", 
"JT7_118_01", "JT7_129_02", "JT7_218_02", "JT7_344_02", "JXS_3663_01", 
"JXU_407_01", "JXU_468_02", "JXU_559_01", "JXV_1439_04", "JXV_1592_01", 
"JY1_100_01"), class = "factor"), GENRE = structure(c(1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 
4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 
4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 
4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 
5L, 5L), .Label = c("Academic Prose", "Conversation", "News", 
"Novels", "Popular Science"), class = "factor"), NODE = structure(c(9L, 
10L, 10L, 10L, 4L, 10L, 71L, 35L, 49L, 6L, 5L, 15L, 28L, 44L, 
64L, 64L, 28L, 28L, 18L, 18L, 32L, 18L, 58L, 10L, 72L, 28L, 18L, 
10L, 64L, 10L, 35L, 64L, 64L, 69L, 8L, 10L, 50L, 69L, 49L, 49L, 
15L, 69L, 10L, 49L, 8L, 64L, 49L, 10L, 69L, 18L, 61L, 67L, 67L, 
61L, 57L, 69L, 11L, 10L, 64L, 10L, 59L, 61L, 49L, 10L, 59L, 1L, 
61L, 35L, 54L, 54L, 39L, 44L, 61L, 64L, 69L, 1L, 23L, 49L, 49L, 
8L, 69L, 49L, 69L, 49L, 49L, 69L, 35L, 49L, 49L, 49L, 35L, 10L, 
49L, 48L, 10L, 49L, 11L, 44L, 50L, 11L, 50L, 69L, 49L, 10L, 59L, 
68L, 47L, 69L, 49L, 35L, 29L, 8L, 49L, 50L, 35L, 10L, 35L, 8L, 
35L, 8L, 10L, 35L, 10L, 10L, 10L, 35L, 44L, 61L, 35L, 44L, 28L, 
47L, 39L, 39L, 49L, 61L, 43L, 60L, 19L, 10L, 10L, 10L, 44L, 44L, 
62L, 44L, 10L, 59L, 10L, 61L, 1L, 53L, 33L, 10L, 8L, 8L, 64L, 
64L, 10L, 57L, 61L, 64L, 66L, 19L, 61L, 64L, 10L, 10L, 8L, 19L, 
35L, 28L, 10L, 61L, 35L, 42L, 35L, 28L, 32L, 64L, 10L, 18L, 28L, 
25L, 35L, 35L, 10L, 18L, 10L, 22L, 55L, 28L, 10L, 1L, 55L, 51L, 
1L, 38L, 28L, 28L, 33L, 10L, 44L, 29L, 16L, 8L, 28L, 69L, 32L, 
10L, 61L, 20L, 35L, 10L, 28L, 10L, 32L, 10L, 46L, 59L, 64L, 35L, 
66L, 2L, 35L, 28L, 30L, 18L, 69L, 32L, 10L, 28L, 17L, 36L, 64L, 
61L, 10L, 64L, 33L, 3L, 37L, 26L, 28L, 64L, 44L, 28L, 64L, 64L, 
6L, 6L, 64L, 50L, 32L, 8L, 64L, 50L, 28L, 24L, 18L, 47L, 35L, 
40L, 24L, 55L, 44L, 22L, 1L, 49L, 44L, 18L, 45L, 63L, 64L, 35L, 
12L, 35L, 10L, 35L, 10L, 10L, 10L, 44L, 44L, 44L, 65L, 44L, 55L, 
32L, 49L, 64L, 39L, 69L, 1L, 60L, 7L, 14L, 44L, 33L, 10L, 19L, 
10L, 70L, 53L, 8L, 61L, 61L, 44L, 61L, 65L, 28L, 68L, 69L, 27L, 
61L, 28L, 72L, 34L, 61L, 32L, 10L, 49L, 35L, 49L, 10L, 10L, 69L, 
39L, 40L, 19L, 59L, 53L, 49L, 49L, 44L, 49L, 35L, 49L, 61L, 61L, 
1L, 10L, 28L, 49L, 35L, 49L, 61L, 50L, 69L, 35L, 61L, 35L, 50L, 
10L, 28L, 69L, 61L, 21L, 69L, 29L, 35L, 35L, 35L, 11L, 69L, 8L, 
41L, 56L, 35L, 61L, 69L, 49L, 49L, 49L, 1L, 13L, 64L, 64L, 52L, 
44L, 64L, 64L, 50L, 49L, 69L, 11L, 59L, 49L, 31L), .Label = c("apparent", 
"appropriate", "awful", "axiomatic", "best", "better", "breathtaking", 
"certain", "characteristic", "clear", "conceivable", "convenient", 
"crucial", "cruel", "desirable", "disappointing", "emphatic", 
"essential", "evident", "expected", "extraordinary", "fair", 
"fortunate", "Funny", "good", "great", "imperative", "important", 
"impossible", "incredible", "inescapable", "inevitable", "interesting", 
"ironic", "likely", "Likely", "lucky", "ludicrous", "natural", 
"necessary", "needful", "notable", "noteworthy", "obvious", "odd", 
"paradoxical", "plain", "plausible", "possible", "probable", 
"proper", "relevant", "remarkable", "revealing", "right", "Sad", 
"self-evident", "sensible", "significant", "striking", "surprising", 
"symptomatic", "terrible", "true", "typical", "understandable", 
"unexpected", "unfortunate", "unlikely", "unreasonable", "untrue", 
"vital"), class = "factor")), .Names = c("ID", "GENRE", "NODE"
), class = "data.frame", row.names = c(NA, -388L))

解决方案

As I mentioned already: facet_wrap is not intended for having individual scales. At least I didn't find a solution. Hence, setting the labels in scale_x_discrete did not bring the desired result.

But this my workaround:

library(plyr)
library(ggplot2)

nodeCount <- ddply( df, c("GENRE", "NODE"), nrow )
nodeCount$factors <- paste( nodeCount$GENRE, nodeCount$NODE, sep ="." )
nodeCount <- nodeCount[ order( nodeCount$GENRE, nodeCount$V1, decreasing=TRUE  ), ]
nodeCount$factors <- factor( nodeCount$factors, levels=nodeCount$factors )
head(nodeCount)

              GENRE       NODE V1                    factors
121 Popular Science   possible 14   Popular Science.possible
128 Popular Science surprising 11 Popular Science.surprising
116 Popular Science     likely  9     Popular Science.likely
132 Popular Science   unlikely  9   Popular Science.unlikely
103 Popular Science      clear  7      Popular Science.clear
129 Popular Science       true  5       Popular Science.true

g <- ggplot( nodeCount, aes( y=V1, x = factors ) ) +
  geom_bar() +
  scale_x_discrete( breaks=NULL ) + # supress tick marks on x axis
  facet_wrap( ~GENRE, scale="free_x" ) +
  geom_text( aes( label = NODE, y = V1+2 ), angle = 45, vjust = 0, hjust=0, size=3 )

Which gives:

这篇关于内部排序的方面ggplot2的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！