使用 1200 dpi 打印机为每个单词使用最细的线条（一个像素），您的一百万个单词的绘图仍将接近 20 米长！

也许密度图会更有帮助。

让我们在这里取一个导数（差异），因此您无需使用位置，而是直接使用您想要的东西：距离。

说单词 FOO 在文本中出现 30 次。计算每个连续出现的 FOO 之间的距离（其他单词的数量），创建一个包含 29 个距离的向量。然后选择你的图：直方图、密度、xy 和 log x 等。

这不会向您显示集群的位置，但它确实显示了集群。

虽然 Whiber 原则上是正确的，但您仍然可能会看到一些东西，因为您的单词非常罕见，并且您只想要一个单词的情节。一些非常不常见的东西可能只出现 30 次，可能不超过 500 次。假设您将单词转换为一百万长的单词向量。您可以使用基本的 R 命令轻松构建绘图。我们将向量称为“单词”，将稀有项目称为“wretch”。

n <- length(words)
plot(1:n, integer(n), type = 'n', xlab = 'index of word', ylab = '', main = 'instances of wretch', yaxt = 'n', frame.plot = TRUE)
wretch <- which(words %in% 'wretch')
abline(v = wretch, col = 'red', lwd = 0.2)

如果您需要考虑单词的变体，可以使用 grep 命令更改分配 wretch 的行。此外，abline 命令中的 lwd 可以根据单词的频率设置得更粗或更细。如果您最终绘制 400 个实例，0.2 将正常工作。

我尝试了一些此类数据的密度图。我导入了大约 50,000 字的莎士比亚，在上面的代码中找到模式对我来说比在密度图中更容易。我使用了一个非常常见的词，它的出现频率比平均频率（“to”）高 200 倍，而且这些图看起来还不错。我想你会用 1e6 个单词的罕见实例制作一个像这样的精美图表。

我不知道这对您的情况是否有用，但在生物信息学中，我经常觉得需要可视化给定数据集中基因计数的分布。这绝对没有你的数据集那么大，但我认为大多数大型数据集都可以遵循该策略。

一个典型的策略是使用层次聚类（或任何其他聚类过程）找到预定数量的聚类。一旦你有了这些簇，你就可以从这些簇中的每一个中采样一个基因。假设基因是集群的代表，可视化基因的计数（以密度图、直方图、qq 图等形式）相当于可视化集群的行为。您可以对所有集群执行相同的操作。

基本上，您将庞大的数据集简化为集群，然后可视化这些集群的代表，假设“平均而言”集群的行为将“或多或少”保持不变。

警告：此方法对很多东西高度敏感，少数是，聚类方法，您选择多少个聚类等。

我相信如果单词的数量相当大（比如说$\geq$50）将是相当困难的。正如 whuber 恰当地指出的那样，这几乎是不可能的。