1.3 数据可视化

数据可视化是数据分析流程中离人眼最近的一环。它把抽象的数值矩阵翻译成形状、颜色与位置，让模式、异常与趋势在没有语言介入之前就被识别出来。R 语言在可视化领域拥有特别的地位，原因在于它把图形本身当作一种可组合的语法对象来对待。本节聚焦于 ggplot2 这一现代 R 可视化体系的核心，从其设计哲学出发，逐层展开图层、分面、统计变换、主题与扩展生态

1.3.1 图形的语法：ggplot2 的设计哲学

ggplot2 由 Hadley Wickham 在 2005 年的博士论文中提出，其理论根源是 Leland Wilkinson 在 1999 年出版的 The Grammar of Graphics。Wilkinson 试图回答一个看似简单实则重要的问题：一张统计图能否被分解为一组可复用的、正交的组件？他给出的答案是肯定的，并把这套组件体系称为图形语法。Wickham 把这套思想引入 R，简化掉一些数学细节，形成了一个工程上可用的实现，即 ggplot2。

Wilkinson 的图形语法把一张图拆分为若干独立的组件。最底层的组件是数据与变量代数，描述数据如何被引用与变换；其上是标度与坐标，描述数据值到几何空间的映射；再上是几何对象与统计变换，决定图层呈现为何种形状以及如何被汇总；最上层是引导与美学，控制图例、标题、颜色等修饰。每一层都是独立的，可以单独替换或重组。这种正交设计意味着改变一个组件不会牵动其他组件，从而让图形具备了可组合性。

ggplot2 的核心是分层设计。一张图被视为若干层的叠加，每一层都由相同的几类元素构成：数据是图所依附的来源；映射描述数据列如何对应到视觉属性；几何对象决定图层呈现为何种形状；统计变换决定数据在绘制前如何被汇总；标度控制从数据值到视觉属性值的转换规则；坐标系界定视觉属性被投射到什么空间中；分面把数据按条件切分为多张子图；主题控制所有与数据无关的视觉细节。这一组词汇构成了 ggplot2 的语言骨架。

这种设计与 base R 的 plot() 函数有根本差异。plot() 是命令式的：调用一次画一张图，再调用 points()、lines() 等函数时，是在已有画布上叠加笔触，所有状态都隐藏在图形设备里。ggplot2 是声明式的：你描述图应该是什么样子，而无需关心先画什么再画什么；每一层之间的关系通过 + 运算符显式组合，整张图在打印时才被渲染。这种差别带来的实际后果是：ggplot2 的图天然可复用、可改造，并且其代码本身就构成一份关于图的文档。

ggplot2 的分层结构在代码上对应着 + 的链式调用。这里的 + 并非算术加法，它把右边的图层追加到左边对象上，构成一个新的图层组合对象。这种语法后来被 Python 的 plotnine 完整复刻，以便在 Python 中以相同的思维模式使用 ggplot 语法。

理解 ggplot2 的最佳入口是它的最小骨架：一个 ggplot() 调用加上一个 geom_*() 图层，就足以产出第一张图。本节后续所有内容都是对这个骨架在不同方向上的扩展。这一扩展过程的真正目的，是逐步揭开每一层组件背后的设计意图：为什么需要映射、为什么需要标度、为什么需要统计变换。只有理解了意图，才能在面对新数据时知道该调哪个组件、不该调哪个组件。

下面这段代码展示了一个 ggplot2 最小可运行示例：调用 ggplot() 传入数据与映射，叠加 geom_point() 画散点。代码很短，但它已经包含 ggplot2 重要的两类组件：数据来源与映射声明。

library(ggplot2)

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) +
  geom_point()

这个最小骨架的扩展路径非常清晰：要加颜色就再加一个映射或一个标度；要加趋势线就再加一个 geom_smooth()；要分面就再加一个 facet_*()；要改主题就再加一个 theme_*()。每一项扩展都通过 + 运算符追加，前后顺序不影响最终结果（标度与主题的某些参数除外）。这种线性可叠加的设计，让 ggplot2 的代码读起来像一条流水线：从数据出发，逐层添加修饰，最终到达成图。

如果你刚接触 ggplot2，建议从最小骨架开始：先用 ggplot(data, aes(...)) + geom_point() 画出第一张图，确认数据流是通的；再逐项添加映射、标度、主题。一次性写二十行 ggplot2 代码再调试往往找不到问题源头，因为每一层都可能藏着一个 typo。

1.3.2 图层系统：从几何对象到标度

图层是 ggplot2 的最小有意义单元。每一层至少包含一个几何对象、一组映射与一份默认统计变换。当你写下 geom_point()，ggplot2 默认它的统计变换是恒等变换，把数据原样画出来；当你写下 geom_histogram()，它默认的统计变换是 stat_bin，把连续变量切分为区间并计数。理解这一点有助于解释为何同一份数据用不同 geom 出来的形状差异如此之大。

映射通过 aes() 函数声明。aes(x = displ, y = hwy, color = class) 的含义是：把数据框的 displ 列映射到 x 位置，hwy 列映射到 y 位置，class 列映射到颜色。映射区别于直接设置：在 aes() 里写 color = "blue" 会得到一条名为 blue 的图例，而把 color = "blue" 写在 geom_point() 外面则会把所有点染成蓝色。这是初学者最常踩的坑之一，记住一个原则即可避开：变量进 aes，常量出 aes。

下面这段代码用 ggplot2 内置的 mpg 数据集演示一个完整的散点图。mpg 描述了 1999 至 2008 年间部分车型的油耗与排量，是 ggplot2 教学常用的样本之一。

library(ggplot2)

ggplot(data = mpg,
       mapping = aes(x = displ, y = hwy, color = class)) +
  geom_point(size = 2, alpha = 0.7) +
  labs(title = "排量与高速油耗",
       x = "发动机排量 (L)", y = "高速油耗 (mpg)",
       color = "车型")

geom_* 函数族覆盖了统计图形的常见类型。geom_point 画散点，geom_line 与 geom_path 画折线和路径，geom_bar 与 geom_col 画柱状图，前者对离散变量计数、后者直接给定高度，geom_histogram 与 geom_density 画直方图与密度曲线，geom_boxplot 与 geom_violin 画箱线图与小提琴图。每个 geom 都有自己默认的视觉属性与默认的统计变换，理解这两者就理解了该 geom 的全部行为。

下面的代码把几种常用几何对象并排展示，便于对照它们对同一份数据的不同诠释。注意 geom_bar 不需要 y 美学，因为它内部会调用 stat_count 计算频数；而 geom_col 需要显式给出 y，因为它默认使用恒等统计变换。

library(patchwork)

p_bar <- ggplot(mpg, aes(x = class)) +
  geom_bar(fill = "steelblue") +
  coord_flip() +
  labs(title = "geom_bar：自动计数")

p_col <- ggplot(mpg, aes(x = reorder(class, hwy, median), y = hwy)) +
  geom_col(fill = "steelblue") +
  coord_flip() +
  labs(title = "geom_col：给定高度")

p_hist <- ggplot(mpg, aes(x = hwy)) +
  geom_histogram(bins = 15, fill = "steelblue", color = "white") +
  labs(title = "geom_histogram：分箱计数")

p_dens <- ggplot(mpg, aes(x = hwy, fill = drv)) +
  geom_density(alpha = 0.4) +
  labs(title = "geom_density：核密度")

(p_bar | p_col) / (p_hist | p_dens)

geom_line 与 geom_path 都画折线，但连接点的方式不同。geom_line 按 x 值排序后连接，适合时间序列；geom_path 按数据原始顺序连接，适合运动轨迹。在生信场景中，geom_line 用于绘制基因表达时间序列，geom_path 用于绘制降维后的细胞轨迹（如 Monocle 拟时间）。下面这段代码演示两者的差异：同一份数据用不同 geom 出来的折线方向截然不同。

set.seed(42)
df <- data.frame(
  t = 1:20,
  y = cumsum(rnorm(20))
)

p_line <- ggplot(df, aes(x = t, y = y)) +
  geom_line(color = "steelblue") +
  geom_point(color = "steelblue") +
  labs(title = "geom_line：按 x 排序连接")

p_path <- ggplot(df[sample(20), ], aes(x = t, y = y)) +
  geom_path(color = "tomato") +
  geom_point(color = "tomato") +
  labs(title = "geom_path：按行顺序连接")

p_line | p_path

geom_area 在折线下方填充颜色，用于强调累计量；geom_ribbon 画两条线之间的色带，常用于显示置信区间。下面这段代码用 geom_ribbon 把预测均值的上下界画出来，这是生信时序建模常见的可视化模式。

set.seed(7)
df <- data.frame(
  t = 1:30,
  y = sin(1:30 / 5) + rnorm(30, 0, 0.2)
)
df$yhat <- predict(loess(y ~ t, df), se = TRUE)$fit
df$se <- predict(loess(y ~ t, df), se = TRUE)$se.fit
df$ymin <- df$yhat - 1.96 * df$se
df$ymax <- df$yhat + 1.96 * df$se

ggplot(df, aes(x = t)) +
  geom_ribbon(aes(ymin = ymin, ymax = ymax),
              fill = "steelblue", alpha = 0.3) +
  geom_line(aes(y = yhat), color = "steelblue", size = 1) +
  geom_point(aes(y = y), color = "grey30", alpha = 0.6) +
  labs(title = "LOESS 拟合与 95% 置信带",
       x = "时间", y = "观测与预测") +
  theme_minimal()

标度 scale_* 控制映射的转换规则。当你写下 aes(color = class)，ggplot2 会自动调用 scale_color_discrete() 给每个类别分配一个默认颜色。若你希望改用 ColorBrewer 的 Set1 调色板，就把默认标度替换为 scale_color_brewer(palette = "Set1")。标度的命名遵循 scale_<视觉属性>_<映射类型> 的模式：scale_x_log10 把 x 轴做对数变换，scale_fill_gradient 把连续填充做成渐变色，scale_size_continuous 控制点大小的连续映射范围。标度是 ggplot2 中最细致的一块，但只要掌握其命名规律，几乎不必死记参数。

下面这段代码演示了几种常用标度的组合：ColorBrewer 离散色板、viridis 连续色板、对数 x 轴、自定义图例顺序。这种组合方式在生信可视化中尤其常见，例如基因表达热图、火山图、富集分析图都需要精细的标度控制。

ggplot(mpg, aes(x = displ, y = hwy, color = cty, size = cyl)) +
  geom_point(alpha = 0.7) +
  scale_color_viridis_c(option = "plasma") +
  scale_size_continuous(range = c(2, 8), breaks = c(4, 6, 8)) +
  labs(title = "排量、油耗、气缸数联合可视化",
       x = "排量 (L)", y = "高速油耗 (mpg)",
       color = "城市油耗", size = "气缸数") +
  theme_minimal()

下面这段 Python 代码用 matplotlib 与 seaborn 实现类似的散点图。可以对照看出，ggplot2 把数据到视觉属性的映射放在 aes() 里集中声明，而 matplotlib 则需要在每次绘图时把映射手动算成具体颜色。

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

mpg = sns.load_dataset("mpg")

fig, ax = plt.subplots(figsize = (7, 5))
classes = mpg["origin"].unique()
palette = sns.color_palette("Set1", len(classes))

for cls, color in zip(classes, palette):
    sub = mpg[mpg["origin"] == cls]
    ax.scatter(sub["displacement"], sub["mpg"],
               s = 30, alpha = 0.7, color = color, label = cls)

ax.set_title("排量与油耗")
ax.set_xlabel("发动机排量")
ax.set_ylabel("油耗 (mpg)")
ax.legend(title = "车型")
plt.show()

当 ggplot2 默认的颜色不够用或不够美，几乎总能通过替换 scale_color_* 或 scale_fill_* 解决。熟悉 scale_color_brewer、scale_color_viridis_d、scale_color_manual 这三个就足以应对大多数场景。ColorBrewer 适合离散分类型，viridis 适合连续数值型且对色盲友好，manual 适合自定义品牌色或对照色。

标度除了控制颜色，还控制坐标轴。scale_x_log10 与 scale_y_log10 把坐标轴做对数变换；scale_x_continuous 接收 trans 参数做任意变换；scale_x_date 处理日期轴的刻度与标签；scale_x_reverse 把轴方向反转。下面这个例子用对数 x 轴展示经济数据中常见的长尾分布。

ggplot(diamonds, aes(x = price, fill = cut)) +
  geom_density(alpha = 0.5) +
  scale_x_log10(labels = scales::dollar) +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "钻石价格分布（对数尺度）",
       x = "价格 (USD, log)", y = "密度", fill = "切工") +
  theme_minimal()

1.3.3 分面：条件分布的可视化

分面是 ggplot2 中最具洞察力的功能之一。它解决一个常见的问题：当你想看一个变量在不同条件下的分布差异时，把所有曲线叠在一张图上往往会互相遮挡，颜色或形状区分不足以让眼睛分辨。分面的做法是按条件变量把数据切成若干子集，每个子集画一张小图，所有小图共享坐标轴与标度，从而视觉上具备可比性。

ggplot2 提供两种分面函数。facet_wrap() 接收一个公式（如 ~ class），把子图按一维方式排列，自动换行，适合条件变量取值较多的情况。facet_grid() 接收形如 row_var ~ col_var 的公式，按两个条件变量组成二维网格，适合同时观察两个维度的细分。两者共享同一组参数：scales 控制子图坐标轴是否自由，labeller 控制子图标题样式，nrow 与 ncol 控制排列方式。

下面这段代码用 facet_wrap 把不同车型的油耗分布并排展示。共享标度让对比变得公平：所有子图用同一直方图分箱，同一 x 轴范围。

ggplot(mpg, aes(x = hwy)) +
  geom_histogram(bins = 15, fill = "steelblue", color = "white") +
  facet_wrap(~ class, scales = "free_y") +
  labs(x = "高速油耗 (mpg)", y = "车型数") +
  theme_minimal()

scales 参数控制子图是否自由设定坐标轴。默认是 fixed，所有子图共用刻度，便于横向比较；设为 free 时各子图独立缩放，便于观察各自内部结构。这是一个常被误用的参数：当你的目的是比较子图间的绝对水平，应当用 fixed；当你的目的是看各组的分布形态，可以用 free。free_x 与 free_y 分别只放开一个方向的标度。

下面是用 facet_grid 同时按驱动方式与年份切分的例子。二维分面在生信场景中常用于按处理条件与时间点切分实验数据，便于一眼看出交互效应。

ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "tomato") +
  facet_grid(drv ~ year) +
  labs(x = "排量", y = "高速油耗")

labeller 参数让分面标题可以更可读。label_both 会同时显示变量名与变量值（如 drv: 4），label_parsed 允许使用数学表达式。下面这段代码演示如何自定义分面标签。

ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point(alpha = 0.5) +
  facet_wrap(~ class, ncol = 4,
             labeller = labeller(class = label_both)) +
  labs(x = "排量", y = "高速油耗") +
  theme_minimal()

当条件变量取值差异较大时，free 与 fixed 的对比明显。下面的例子把同一份数据用两种 scales 设置画出来：左图所有子图共用坐标轴，便于看到 compact 与 pickup 在油耗分布上的绝对差异；右图各子图独立缩放，便于看到每一类内部的形状特征。

library(patchwork)

p_fixed <- ggplot(mpg, aes(x = hwy)) +
  geom_histogram(bins = 12, fill = "steelblue") +
  facet_wrap(~ class, scales = "fixed") +
  labs(title = "scales = fixed") +
  theme_minimal()

p_free <- ggplot(mpg, aes(x = hwy)) +
  geom_histogram(bins = 12, fill = "steelblue") +
  facet_wrap(~ class, scales = "free") +
  labs(title = "scales = free") +
  theme_minimal()

p_fixed | p_free

当分面变量很多时，可以通过 ggplot(mpg, aes(...)) + facet_wrap(~ var, ncol = X) 控制每行的子图数量，让布局更紧凑。strip.position 参数控制子图标题的位置（top、bottom、left、right），在水平排列时把标题放到顶部，垂直排列时放到右侧，可以让子图占用更少空间。

ggplot(mpg, aes(x = hwy)) +
  geom_histogram(bins = 12, fill = "steelblue", color = "white") +
  facet_wrap(~ class, ncol = 4, strip.position = "top") +
  labs(x = "高速油耗", y = NULL) +
  theme_minimal() +
  theme(axis.text.y = element_blank(),
        panel.spacing = unit(0.1, "lines"))

分面是探索性数据分析的利器。当一张图信息量过大、曲线互相覆盖时，第一反应应当是分面而不是改颜色。分面把噪声从一张图分散到多张图，让规律自然浮现。这一思路在生信分析中有用：把基因表达按组织类型或疾病状态分面，往往能立刻看出组织特异性与状态特异性的差异。

1.3.4 统计图层：平滑线与汇总

ggplot2 的图层可以画原始数据，也可以画统计变换后的结果。两个常用的统计图层是 geom_smooth() 与 stat_summary()。它们体现了 ggplot2 的一个核心理念：把统计计算嵌入图形。这样数据更新时图自动更新，统计变换与可视化保持一致，避免传统流程中先汇总再画的脱节。

geom_smooth() 在散点图上叠加一条平滑曲线，默认使用 LOESS 局部多项式回归，样本量较大时自动切换为 GAM。它同时画出置信区间带，由 se = TRUE 控制。method 参数可以切换为线性回归 "lm"、广义线性模型 "glm"、稳健回归 "rlm"、分位数回归 "rq" 等。这一层把散点图从一锅散乱的点提升为一条带置信区间的趋势线，让眼睛立刻抓住主方向。

ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point(alpha = 0.5) +
  geom_smooth(method = "loess", span = 0.6,
              color = "darkorange", fill = "darkorange",
              alpha = 0.2) +
  labs(title = "排量与油耗的趋势关系")

span 参数控制 LOESS 平滑的窗口大小，取值 0 到 1 之间。值越大曲线越平滑，越小越贴近数据。同一段数据用不同 span 出来的曲线可能差异显著，因此科研图中应当显式声明 span 取值，避免审稿人无法复现。

下面这段代码把 LOESS、线性回归、GAM 三种平滑方法画在同一张图上对比。每种方法有不同的适用假设：线性回归假设线性关系，LOESS 假设局部平滑，GAM 假设加性结构。在不同数据结构下，它们的表现差异很大。

library(patchwork)

p_loess <- ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point(alpha = 0.4) +
  geom_smooth(method = "loess", span = 0.4, color = "darkorange") +
  labs(title = "LOESS (span = 0.4)")

p_lm <- ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point(alpha = 0.4) +
  geom_smooth(method = "lm", color = "steelblue") +
  labs(title = "线性回归")

p_gam <- ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point(alpha = 0.4) +
  geom_smooth(method = "gam", formula = y ~ s(x, bs = "cs"),
              color = "forestgreen") +
  labs(title = "GAM")

(p_loess | p_lm | p_gam) &
  theme_minimal()

stat_summary() 是一个更通用的汇总层。它接收一个汇总函数（如 mean_cl_boot、median_hilow、mean_se），在每个 x 取值处计算该函数并绘制结果。它常用于带误差条的均值图，是 ggpubr 类科研图表的底层实现。

ggplot(mpg, aes(x = class, y = hwy)) +
  stat_summary(fun = "mean", geom = "point", size = 3) +
  stat_summary(fun.data = "mean_cl_boot", geom = "errorbar", width = 0.2) +
  labs(x = "车型", y = "高速油耗均值 (95% CI)") +
  theme_minimal()

fun 接收单值汇总函数（如 mean、median），输出一个数；fun.data 接收多值汇总函数（如 mean_cl_boot、median_hilow），输出 ymin、y、ymax 三个数。Hmisc 包提供了常用的多值汇总函数：mean_cl_normal 给正态近似的置信区间，mean_cl_boot 给 Bootstrap 置信区间，median_hilow 给中位数与四分位距。下面这段代码自定义一个汇总函数，画出中位数与 10/90 分位数。

my_summary <- function(x) {
  data.frame(y = median(x),
             ymin = quantile(x, 0.10),
             ymax = quantile(x, 0.90))
}

ggplot(mpg, aes(x = class, y = hwy)) +
  stat_summary(fun.data = my_summary, geom = "pointrange",
               color = "steelblue", size = 0.8) +
  labs(x = "车型", y = "高速油耗 (中位数 + 10/90 分位)") +
  theme_minimal()

geom_smooth() 与 stat_summary() 都属于把统计计算嵌入图形的层。它们的共同特点是不需要你预先汇总数据，而是在绘图时即时计算。这意味着当数据更新时，图也自动更新，不会出现图与表不一致的问题。在科研图中，置信区间比单独的均值点更重要，因为它同时表达了点估计与不确定性。

默认的 geom_smooth(method = "loess") 在样本量超过 1000 时会被自动降级为 gam。如果你需要严格可控的平滑结果，请显式指定 method 与 formula，并设置 n、span 等参数。否则同一份代码在不同样本量下可能产出肉眼可辨的差异，导致结果不可复现。

置信区间的可视化是统计图层的一个副产品。geom_smooth 的色带、stat_summary 的误差条都是置信区间的视觉表达。在生信场景中，这种表达适用于基因表达差异、生存曲线、剂量响应曲线等分析。下面这段代码用 geom_smooth 演示按分组分别拟合线性回归并显示 95% 置信带。

ggplot(mpg, aes(x = displ, y = hwy, color = drv, fill = drv)) +
  geom_point(alpha = 0.4) +
  geom_smooth(method = "lm", formula = y ~ x, alpha = 0.15) +
  labs(title = "按驱动方式分组的线性趋势",
       x = "排量 (L)", y = "高速油耗 (mpg)", color = "驱动", fill = "驱动") +
  theme_minimal()

分位数回归是另一种常见的统计图层。geom_quantile() 把数据按分位数分别拟合回归，常用 0.25、0.5、0.75 三个分位数，揭示不同分布位置的响应模式。在医学研究中，分位数回归常用于分析不同百分位的体格指标对结局的影响，比单纯均值回归信息更丰富。

ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point(alpha = 0.3) +
  geom_quantile(quantiles = c(0.25, 0.5, 0.75),
                color = c("grey60", "steelblue", "tomato"),
                size = 1) +
  labs(title = "分位数回归：不同分布位置的拟合",
       x = "排量 (L)", y = "高速油耗 (mpg)") +
  theme_minimal()

下面这段代码对照三种不同的区间函数：标准误、正态置信区间、Bootstrap 置信区间。它们的差异体现了对数据分布假设的不同：标准误假设正态；正态 CI 假设正态并按 1.96 倍放大；Bootstrap CI 不假设分布，通过重采样得到。

library(patchwork)

base <- ggplot(mpg, aes(x = class, y = hwy))

p_se <- base +
  stat_summary(fun.data = "mean_se", geom = "pointrange",
              color = "steelblue") +
  labs(title = "mean_se：均值 ± 标准误") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 30, hjust = 1))

p_cln <- base +
  stat_summary(fun.data = "mean_cl_normal", geom = "pointrange",
              color = "darkorange") +
  labs(title = "mean_cl_normal：正态 95% CI") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 30, hjust = 1))

p_clb <- base +
  stat_summary(fun.data = "mean_cl_boot", geom = "pointrange",
              color = "forestgreen") +
  labs(title = "mean_cl_boot：Bootstrap 95% CI") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 30, hjust = 1))

(p_se | p_cln | p_clb)

1.3.5 主题与坐标系统

主题控制所有与数据无关的视觉元素：背景色、网格线、字体、刻度长短、图例位置、边距。ggplot2 内置了几套预设主题，常用的是 theme_gray()（默认）、theme_bw()、theme_minimal() 与 theme_classic()。预设主题的差异主要在于背景色与网格线密度，选择哪一种取决于出版要求与个人审美。生物医学论文通常偏好 theme_classic() 与 theme_bw()，因其去除多余装饰，更接近期刊风格。

当预设主题不够用时，可以通过 theme() 函数逐项定制。theme() 接受大量参数，每一个对应一类视觉元素。常见的是 plot.title、axis.text、legend.position、panel.grid、plot.margin。每个元素通过 element_text()、element_rect()、element_line() 或 element_blank() 来描述。element_blank() 把元素完全删除，常用于去除多余网格线或边框。

ggplot(mpg, aes(x = displ, y = hwy, color = class)) +
  geom_point(size = 2) +
  labs(title = "排量与油耗",
       x = "排量", y = "高速油耗", color = "车型") +
  theme_minimal(base_size = 12) +
  theme(
    plot.title = element_text(face = "bold", hjust = 0.5),
    legend.position = "bottom",
    panel.grid.minor = element_blank(),
    plot.margin = margin(15, 15, 15, 15)
  )

theme() 的参数体系庞大但有序。文本类元素通过 element_text() 描述字体属性（family、face、size、color、hjust、vjust、angle、lineheight）；矩形类元素通过 element_rect() 描述填充与边框（fill、color、size、linetype）；线条类元素通过 element_line() 描述线条属性（color、size、linetype、lineend）。所有元素都可以传 inherit.blank = TRUE 来从父元素继承空白。

theme() 中常用的元素参数包括：plot.title、plot.subtitle、plot.caption（标题、副标题、说明）、axis.title、axis.text、axis.ticks、axis.line（轴标题、轴文字、轴刻度、轴线）、panel.background、panel.grid.major、panel.grid.minor、panel.border（面板背景、网格、边框）、legend.position、legend.title、legend.text、legend.key（图例位置、标题、文字、色块）、strip.text、strip.background（分面标题、背景）。掌握这套命名规则就掌握了 theme() 的全部能力。

下面这段代码演示图例位置与样式的完整定制。legend.position 接受 "none"（隐藏）、"left"、"right"（默认）、"bottom"、"top"，或者形如 c(0.8, 0.2) 的归一化坐标放在图内任意位置。guide_legend() 与 guide_colorbar() 提供更细粒度的图例控制。

ggplot(mpg, aes(x = displ, y = hwy, color = cty)) +
  geom_point(size = 2) +
  scale_color_viridis_c() +
  labs(title = "排量、油耗、城市油耗联合可视化",
       x = "排量", y = "高速油耗", color = "城市油耗") +
  theme_minimal() +
  theme(
    legend.position = c(0.85, 0.25),
    legend.direction = "vertical",
    legend.background = element_rect(fill = "white", color = "grey80"),
    legend.title = element_text(face = "bold"),
    legend.key.width = unit(0.3, "cm"),
    legend.key.height = unit(0.8, "cm")
  ) +
  guides(color = guide_colorbar(title.position = "top",
                                title.hjust = 0.5,
                                barwidth = 0.5,
                                barheight = 6))

写论文图表时，把一组合适的 theme() 调用封装成一个函数，例如 my_theme()，在每张图最后 + my_theme() 即可。这比每次重复一遍二十行 theme 参数要清爽得多，也保证整篇文档风格一致。这也是科研团队内部建立图表风格统一的有效方式。

下面是一个封装自定义主题的示例。这种写法在生信团队的图表规范中常见：固定字体大小、去除次要网格、调整图例位置、留出足够的边距避免 PDF 裁切。

my_theme <- function(base_size = 11) {
  theme_minimal(base_size = base_size) +
  theme(
    plot.title = element_text(face = "bold", hjust = 0.5,
                              margin = margin(b = 8)),
    plot.subtitle = element_text(hjust = 0.5, color = "grey40"),
    axis.title = element_text(face = "bold"),
    axis.text = element_text(color = "grey20"),
    panel.grid.minor = element_blank(),
    legend.position = "bottom",
    legend.title = element_text(face = "bold"),
    plot.margin = margin(15, 20, 15, 20)
  )
}

ggplot(mpg, aes(x = displ, y = hwy, color = class)) +
  geom_point(size = 2, alpha = 0.7) +
  labs(title = "排量与油耗", x = "排量", y = "高速油耗") +
  my_theme()

坐标系决定了图层最终被投射到什么空间。常用的是笛卡尔坐标系 coord_cartesian()，它支持 xlim 与 ylim 来限定视野但不丢弃数据，这与 xlim() 标度函数的截断行为不同：coord_cartesian(xlim = c(0, 10)) 仍会绘制超出范围的点（在视觉边界外），而 xlim(0, 10) 会把超出范围的点从数据中删除，可能影响 geom_smooth 的拟合结果。这是初学者常忽略的细节。

coord_flip() 把 x 与 y 轴对调，常用于把垂直柱状图转成水平柱状图，让长标签可读。coord_polar() 把笛卡尔坐标映射到极坐标，是饼图与小提琴图背后的实现机制。coord_fixed() 固定纵横比，对地图与几何图形很关键。coord_trans() 在坐标系层面做变换，与标度层面的变换有所不同：标度变换先变换数据再绘图，坐标系变换先绘图再变换坐标。

下面是一个用 coord_flip 让水平柱状图更易读的例子，同时切换到 theme_classic。

ggplot(mpg, aes(x = reorder(class, hwy, median), y = hwy)) +
  geom_boxplot(fill = "lightblue") +
  coord_flip() +
  labs(x = NULL, y = "高速油耗") +
  theme_classic()

注意 reorder(class, hwy, median) 这一行：它按 hwy 在每个 class 内的中位数对 class 排序。这种基于数据自身重排的分类轴是 ggplot2 中常见的模式，避免手动维护因子水平。

coord_polar 把柱状图变成饼图。这一用法揭示了饼图的几何本质：饼图就是极坐标下的堆叠柱状图。理解这一点有助于解释为何饼图常被批评：人类对角度的辨别能力远低于对长度的辨别能力，因此柱状图通常比饼图更易读。

ggplot(mpg, aes(x = "", fill = class)) +
  geom_bar(width = 1) +
  coord_polar(theta = "y") +
  labs(title = "车型占比（饼图）", x = NULL, y = NULL) +
  theme_void() +
  theme(legend.position = "right")

coord_fixed 固定纵横比，让一个数据单位在 x 与 y 方向上占据相同的视觉长度。在地图、基因覆盖图、PCA 散点图等场景中，纵横比不一致会让距离与角度被视觉扭曲。coord_fixed(ratio = 1) 是常用的取值，等价于强制单位长度一致。

ggplot(mpg, aes(x = cty, y = hwy)) +
  geom_point(alpha = 0.5) +
  geom_abline(slope = 1, intercept = 0, linetype = "dashed",
              color = "grey50") +
  coord_fixed(ratio = 1, xlim = c(0, 50), ylim = c(0, 50)) +
  labs(title = "城市与高速油耗（1:1 等比坐标）",
       x = "城市油耗", y = "高速油耗") +
  theme_minimal()

coord_trans 在坐标系层面做变换，与标度层面的 scale_*_log10 不同。标度变换会先变换数据再绘图，因此拟合曲线是在变换后空间上做的；坐标系变换会先在原始空间绘图再变换坐标，因此拟合曲线仍在原始空间。在展示幂律关系或重尾分布时，两者给出的曲线形状会有微妙差异。

ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point(alpha = 0.5) +
  geom_smooth(method = "lm", color = "tomato") +
  coord_trans(x = "log10", y = "log10") +
  labs(title = "对数-对数坐标下的线性拟合",
       x = "排量 (log)", y = "高速油耗 (log)") +
  theme_minimal()

1.3.6 扩展生态

ggplot2 本身只是一个内核。围绕它生长出的扩展包构成了 R 可视化生态的真正规模。这里只介绍三个常用的扩展：patchwork、plotly 与 ggsave，并简要提及若干其他值得关注的扩展。

patchwork 解决多图拼接问题。在 patchwork 出现之前，拼接多张 ggplot2 图需要 gridExtra 或 cowplot，语法相对繁琐。patchwork 引入运算符重载，让多个图通过 +、| 与 / 像代数表达式一样组合：p1 + p2 横向拼接，p1 / p2 纵向拼接，(p1 | p2) / p3 先横后纵。plot_layout() 控制宽高比例，plot_annotation() 添加整体标题与子图编号。

library(patchwork)

p1 <- ggplot(mpg, aes(x = displ, y = hwy)) + geom_point()
p2 <- ggplot(mpg, aes(x = hwy)) + geom_histogram(bins = 20)
p3 <- ggplot(mpg, aes(x = class, y = hwy)) + geom_boxplot()
p4 <- ggplot(mpg, aes(x = class)) + geom_bar() + coord_flip()

(p1 | p2) / (p3 | p4) +
  plot_annotation(
    title = "mpg 数据集的四个视角",
    tag_levels = "A"
  ) &
  theme_minimal()

注意末尾的 & 运算符：它把主题应用到拼图中的所有子图，而 + 只会作用于最后一个子图。这是 patchwork 与 ggplot2 交互时最容易混淆的一点。plot_layout() 提供更细粒度的布局控制，包括宽度比例、高度比例、引导位置等。

p1 + p2 + p3 +
  plot_layout(widths = c(2, 1, 1), guides = "collect") +
  plot_annotation(tag_levels = "1")

patchwork 还支持子图嵌入。inset_element() 把一张小图嵌入到主图的指定区域，常用于在散点图中插入一个分布密度图作为附加说明。坐标系统是 0 到 1 的归一化空间，左下角为原点。

main <- ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point(alpha = 0.6) +
  labs(title = "排量与油耗")

inset <- ggplot(mpg, aes(x = hwy)) +
  geom_density(fill = "steelblue", alpha = 0.5) +
  theme_void()

main +
  inset_element(inset,
                left = 0.05, bottom = 0.7,
                right = 0.35, top = 1)

plotly 把 ggplot2 对象转换为交互式 HTML 图表。一行 ggplotly(p) 即可让静态图获得悬停提示、缩放、框选、点击等能力。这在探索性分析与网页仪表盘中很有用。需要注意交互式图表的代价：渲染慢、文件大、复杂主题支持不全。科研论文仍以静态图为主，交互图表更适合演讲、网页与 shiny 应用。

library(plotly)

p <- ggplot(mpg, aes(x = displ, y = hwy, color = class,
                    text = paste("车型:", model, "<br>年份:", year))) +
  geom_point(size = 2, alpha = 0.7) +
  labs(title = "排量与油耗")

ggplotly(p, tooltip = "text")

tooltip 参数控制悬停时显示哪些字段。默认显示所有映射到美学的变量；指定 tooltip = "text" 后只显示 text 美学中的内容，便于定制提示文案。plotly 也支持 plot_ly() 原生语法，提供更细的交互控制，但语法与 ggplot2 差异较大。

ggsave 是图表输出的标准方式。它根据文件扩展名自动选择设备：.png、.pdf、.svg、.tiff 等。width 与 height 以英寸为单位，dpi 控制像素分辨率。一个常见的坑是 ggsave 保存的图与屏幕上看到的不一致，原因通常是设备字体或矢量图渲染差异。把 device = cairo_pdf 或 device = ragg::agg_png 用上可以避免大部分中文与字体问题。

ggsave("mpg_plot.pdf", plot = p,
       width = 8, height = 5, device = cairo_pdf)

ggsave("mpg_plot.png", plot = p,
       width = 8, height = 5, dpi = 300,
       device = ragg::agg_png)

ggsave 默认保存最后一张显示的图，但显式传入 plot = p 是更好的习惯。scale 参数控制输出尺寸相对于英寸的倍率；limitsize 防止输出超过 50 英寸的过大图。科研论文通常要求 300 dpi 以上的位图或矢量 PDF，所以 dpi = 300 是基线值。

输出 SVG 矢量图时，建议显式指定 device = "svg"，让期刊编辑能在 Illustrator 中继续编辑。批量输出多张图时，可以用 pdf() 设备配合 print() 在一个 PDF 中嵌入多页，便于把同一项目的所有图集中管理。

ggsave("mpg_plot.svg", plot = p,
       width = 8, height = 5, device = "svg")

pdf("mpg_report.pdf", width = 8, height = 5)
print(p1); print(p2); print(p3)
dev.off()

ggsave 在保存含有中文字符的 PDF 时，若不指定 device = cairo_pdf，中文字符可能显示为方框。这是因为默认 PDF 设备依赖的字体表不全。cairo_pdf 使用系统字体渲染，能正确显示中文、日文、韩文等 CJK 字符。同样的，PNG 推荐用 ragg::agg_png 替代默认的 png，因为它对字体的处理更可靠。

生态中还有大量其他扩展包：ggpubr 提供科研论文风格的统计检验标注，ggrepel 解决标签重叠问题，ggbeeswarm 改善分类散点的密集显示，ggdist 与 distributional 把贝叶斯后验可视化提升到新高度，gganimate 把静态图扩展为动画，ggiraph 提供 SVG 交互式输出，GGally 提供 ggpairs 矩阵图。这些包都是 ggplot2 图层模型的成功证据：只要遵守图层协议，扩展就能与原系统无缝协作。

ggrepel 是处理标签重叠的利器。当数据点很多且每个点都需要文字标签时，geom_text() 的标签会互相覆盖；geom_text_repel() 通过简单的物理仿真让标签互相排斥，自动调整位置并加上连接线，使标签可读。

library(ggrepel)

ggplot(mpg[1:40, ], aes(x = displ, y = hwy, label = model)) +
  geom_point(color = "steelblue") +
  geom_text_repel(size = 3, max.overlaps = 15) +
  labs(title = "带标签的散点图") +
  theme_minimal()

ggpubr 把常见的科研统计图与组间检验封装为简洁函数，例如 stat_compare_means() 自动加上 p 值与显著性标记。它底层仍是 ggplot2，所以可以继续用 + 链叠加主题与其他图层。

library(ggpubr)

ggboxplot(mpg, x = "drv", y = "hwy", fill = "drv") +
  stat_compare_means(method = "anova") +
  labs(title = "不同驱动方式的油耗分布") +
  theme_minimal()

GGally 提供 ggpairs() 函数，把多个变量的两两关系一次性画出来，包含散点图、相关系数、密度图与分位数图。这在生信数据探索中常用，例如查看多个基因表达指标之间的关系。

library(GGally)

ggpairs(mpg, columns = c("displ", "cty", "hwy"),
        aes(color = drv, alpha = 0.5),
        upper = list(continuous = "cor"),
        lower = list(continuous = "points"),
        diag = list(continuous = "densityDiag")) +
  theme_minimal()

gganimate 在 ggplot2 之上增加动画层。它通过 transition_*() 系列函数控制动画过渡，例如 transition_states() 按离散状态切换，transition_time() 按时间连续过渡。配合 ease_aes() 控制缓动函数，可以做出平滑的数据故事叙述。生信场景中可用于展示细胞分化轨迹、基因表达动态变化等。

library(gganimate)

p <- ggplot(mpg, aes(x = displ, y = hwy, color = class)) +
  geom_point(size = 2, alpha = 0.7) +
  theme_minimal() +
  labs(title = "车型: {closest_state}")

p + transition_states(class, transition_length = 1, state_length = 2) +
  ease_aes("cubic-in-out")

ggdist 把分布作为美学元素直接画到图上，例如 stat_halfeye() 画半边小提琴图加点估计，stat_dotsinterval() 把分布画成点阵。这类图层在贝叶斯后验可视化中非常实用，能同时表达分布形状、点估计与不确定性。

library(ggdist)

ggplot(mpg, aes(x = hwy, y = class)) +
  stat_halfeye(fill = "steelblue", alpha = 0.6,
               point_interval = "median_hilow",
               .width = c(0.5, 0.95)) +
  labs(title = "各车型油耗分布（半眼图）",
       x = "高速油耗", y = "车型") +
  theme_minimal()

最后需要一提的是 ggplot2 与 base R 之间并不存在替代关系。base R 的 plot() 在快速查看与脚本调试中依然最快；lattice 包提供条件绘图能力；基础图形 par() 在多图布局上仍简洁。ggplot2 的优势在于复杂图表的可维护性与扩展性，因此它的适用场景是论文图、报告图、可重复分析流程，而不是临时探索。

下面这段代码把本节讨论过的多个组件综合到一张出版级图表上：分层叠加（散点 + 平滑线 + 置信带）、自定义标度（ColorBrewer 调色板、点大小映射）、分面（按驱动方式切分）、主题定制（去除网格、加粗标题、调整边距）、统计注释（自动标注分组均值）。这种组合方式是科研论文图表的典型模板。

library(ggplot2)
library(ggrepel)
library(scales)

# 取每个 class 中位数最高的若干点用于标注
top_points <- mpg[mpg$class %in% c("compact", "midsize", "suv"), ]
top_points <- top_points[top_points$hwy > quantile(top_points$hwy, 0.95), ]

ggplot(mpg, aes(x = displ, y = hwy, color = class)) +
  geom_point(size = 2, alpha = 0.7) +
  geom_smooth(method = "lm", formula = y ~ x,
              se = TRUE, alpha = 0.15, size = 0.8) +
  geom_label_repel(data = top_points,
                   aes(label = model),
                   size = 2.5, max.overlaps = 10,
                   label.size = 0.1, label.padding = 0.2) +
  scale_color_brewer(palette = "Set2") +
  scale_x_continuous(breaks = pretty_breaks(6)) +
  scale_y_continuous(breaks = pretty_breaks(6)) +
  facet_wrap(~ drv, ncol = 3) +
  labs(title = "排量与高速油耗的关系",
       subtitle = "按驱动方式分面，按车型着色",
       caption = "数据源: ggplot2::mpg",
       x = "发动机排量 (L)", y = "高速油耗 (mpg)",
       color = "车型") +
  theme_minimal(base_size = 11) +
  theme(
    plot.title = element_text(face = "bold", size = 14),
    plot.subtitle = element_text(color = "grey40"),
    plot.caption = element_text(color = "grey50", hjust = 0),
    panel.grid.minor = element_blank(),
    legend.position = "bottom",
    legend.title = element_text(face = "bold"),
    strip.text = element_text(face = "bold", size = 11),
    strip.background = element_rect(fill = "grey95", color = NA),
    plot.margin = margin(15, 20, 15, 20)
  )

这张图把本节涉及的核心概念都串起来：数据进入 ggplot() 后被 aes() 映射到视觉属性；散点图层 geom_point 与平滑层 geom_smooth 叠加；geom_label_repel 提供可读的标注；标度 scale_color_brewer 控制离散颜色，scale_x/y_continuous 控制刻度；facet_wrap 按驱动方式分面；labs() 与 theme() 完成所有标题与装饰。每一层都独立可控，整张图因此可被精确塑造。这种从数据到呈现的全链路可控，就是 ggplot2 长期占据 R 可视化生态核心位置的真正原因。

1.3.7 常见图表类型与应用场景

前面几节从 ggplot2 的设计哲学出发，逐层拆解了图层、标度、分面、统计变换与主题。本节把这些组件重新组合，聚焦于实际分析中常用的图表类型。每一种图表都有其擅长的数据结构与表达意图，选错图表类型是数据可视化中常见的错误。

需要注意的是，由于该架构不支持R语言运行并插入图片，以下图形仅用于展示，与配套代码毫无关联，以下图片是使用html写的，你可以在整个项目的主文件下找到一个名为R语言.exe的压缩包，加压后里面有对应的rst源码和html文件，这些文件是上一个版本，其中包含大量可运行示例R示例代码与运行结果和生成的图表，如果你注意到了这里，强烈推荐你打开看一看

散点图

散点图用于展示两个连续变量之间的关系，是探索性数据分析的第一步。当数据点较多时，可以通过透明度（alpha）或分箱（geom_bin2d）缓解过度绘制。

ggplot(mpg, aes(x = displ, y = hwy, color = class)) +
  geom_point(size = 2, alpha = 0.7) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(x = "排量", y = "高速油耗", color = "车型")

适用场景：基因表达量相关性分析、PCA 降维结果展示、药物剂量-响应曲线。

柱状图

柱状图用于展示分类变量的频数或汇总值。geom_bar 自动计数，geom_col 直接给定高度。

ggplot(mpg, aes(x = reorder(class, hwy, median))) +
  geom_bar(fill = "steelblue") +
  coord_flip() +
  labs(x = NULL, y = "车型数量")

适用场景：基因组注释统计、差异基因数量对比、样本分组分布。

直方图

直方图把连续变量切分为等宽区间并计数，用于观察数据的整体分布形态，包括偏度、峰度与多峰性。

ggplot(mpg, aes(x = hwy)) +
  geom_histogram(bins = 15, fill = "steelblue", color = "white") +
  labs(x = "高速油耗", y = "频数")

适用场景：基因表达量分布、测序深度分布、QC 指标分布检查。

密度图

密度图用核密度估计替代分箱计数，给出连续平滑的分布曲线，适合比较多组数据的分布差异。

ggplot(mpg, aes(x = hwy, fill = drv)) +
  geom_density(alpha = 0.4) +
  labs(x = "高速油耗", fill = "驱动方式")

适用场景：基因表达分布的组间比较、细胞表达量分布、批次效应检查。

箱线图

箱线图用五数概括（最小值、Q1、中位数、Q3、最大值）展示分组数据的分布摘要，是科研论文常用的图表之一。箱体高度代表四分位距，须线延伸至 1.5 倍 IQR 范围内的极值，超出此范围的点标记为异常值。

ggplot(mpg, aes(x = class, y = hwy, fill = class)) +
  geom_boxplot() +
  labs(x = NULL, y = "高速油耗") +
  theme(legend.position = "none")

适用场景：基因表达的组间差异展示、临床指标分组比较、批次效应可视化。

小提琴图

小提琴图结合了箱线图的摘要与密度图的形状，既显示分布摘要又显示分布形态，信息量比单独的箱线图更大。当组内样本量较少时，可以叠加散点图（geom_jitter）让每个数据点可见。

ggplot(mpg, aes(x = class, y = hwy, fill = class)) +
  geom_violin(alpha = 0.6) +
  geom_boxplot(width = 0.15, fill = "white") +
  labs(x = NULL, y = "高速油耗") +
  theme(legend.position = "none")

适用场景：单细胞基因表达分布、药物响应分布的组间比较、多组连续变量比较。

折线图

折线图按 x 值排序连接数据点，用于展示时间序列或有序变量的趋势变化。配合 geom_smooth 可以叠加趋势线，配合 geom_ribbon 可以展示置信区间。

ggplot(economics, aes(x = date, y = unemploy)) +
  geom_line(color = "steelblue") +
  geom_smooth(method = "loess", color = "tomato", se = TRUE,
              fill = "tomato", alpha = 0.15) +
  labs(x = "日期", y = "失业人数")

适用场景：基因表达时间序列、细胞增殖曲线、流行病学趋势图。

饼图

饼图用极坐标下的堆叠柱状图实现，展示分类占比。饼图的可读性不如柱状图（人类对角度的辨别能力远低于对长度的辨别能力），但在类别较少（3-5 个）且需要强调占比时仍有用。

ggplot(mpg, aes(x = "", fill = class)) +
  geom_bar(width = 1) +
  coord_polar(theta = "y") +
  theme_void() +
  labs(fill = "车型")

适用场景：样本类型占比、基因功能分类占比、突变类型分布。

热图

热图用颜色深浅表示矩阵中数值的大小，是生物信息学中常用的多维数据可视化方式。ggplot2 可以通过 geom_tile 实现热图，但复杂热图通常使用 pheatmap 或 ComplexHeatmap 包，因为它们内置了聚类、注释条与分块切割功能。

library(pheatmap)

set.seed(42)
mat <- matrix(rnorm(100), nrow = 10)
rownames(mat) <- paste0("Gene_", 1:10)
colnames(mat) <- paste0("Sample_", 1:10)

pheatmap(mat,
         scale = "row",
         cluster_rows = TRUE,
         cluster_cols = TRUE,
         color = colorRampPalette(c("blue", "white", "red"))(50))

适用场景：基因表达矩阵、样本相关性矩阵、基因组变异位点分布、DNA 甲基化热图。

分面图

分面是一种布局策略，按条件变量把数据切分为子集，每个子集画一张小图。分面能把多维信息分散到多张图上，避免单张图信息过载。所有子图共享坐标轴与标度，从而视觉上具备可比性。

ggplot(mpg, aes(x = hwy)) +
  geom_histogram(bins = 12, fill = "steelblue", color = "white") +
  facet_wrap(~ class, ncol = 4) +
  labs(x = "高速油耗", y = "频数") +
  theme_minimal()

适用场景：多组织基因表达对比、多时间点细胞状态分布、多批次 QC 指标。

本节小结

ggplot2 的真正贡献在于把图形本身定义为可组合、可扩展、可文档化的语法对象。漂亮只是这套语法的副产品。本节按照这条主线展开：先从 Wilkinson 的图形语法理论出发，理解 ggplot2 的分层设计；再深入图层系统，掌握 aes() 映射、geom_* 函数族与 scale_* 标度的协作机制；接着用分面把条件分布拆开来看，让规律从噪声中浮出；之后用 geom_smooth() 与 stat_summary() 把统计计算嵌入图形；再用 theme() 与 coord_* 控制所有与数据无关的视觉细节；最后用 patchwork、plotly、ggsave 把图形组合、交互化、输出。

学习 ggplot2 的过程大致分三个阶段。第一阶段是记住常用 geom 与参数，能把基本图画出来。第二阶段是理解标度与映射的差别，能精确控制每一条线、每一个点的颜色与位置。第三阶段是理解分层与组合，能把复杂的数据故事拆解为一组相互配合的图层。本节的目标是把读者从第一阶段带到第二阶段，并给第三阶段一个入口。剩下的熟练度来自反复地把真实数据画成图，再回头检查代码能否表达清楚自己当初想说什么。

把这套语法内化之后，读者应当能够在面对任何新数据时无需逐个查阅 geom 的参数文档，直接从数据故事出发：选择哪些变量映射到哪些美学、需要哪几种图层叠加、是否需要分面或统计变换、最终如何定制主题与输出。这种从意图到代码的直觉，是 ggplot2 长期训练的最终回报。

练习题

第1题 aes 映射与常量设置

给定 df <- data.frame(x = 1:10, y = rnorm(10)),写出两种代码把散点染成红色:一种会把红色误当作变量生成图例,另一种不会。说明两者的区别。

参考答案

df <- data.frame(x = 1:10, y = rnorm(10))

# 错误写法:color 进了 aes,生成图例
ggplot(df, aes(x = x, y = y, color = "red")) +
  geom_point()

# 正确写法:color 放在 aes 外,直接设置颜色
ggplot(df, aes(x = x, y = y)) +
  geom_point(color = "red")

aes() 内的 color = "red" 把字符串 "red" 当作一个单水平变量映射到颜色,因此会生成一个名为 red 的图例,且实际颜色是 ggplot2 默认的第一种离散色(通常为粉红),而非红色。把 color = "red" 写在 geom_point() 参数里,则是直接设置视觉属性,不产生图例。原则是变量进 aes,常量出 aes。

第2题 分面与统计变换

用 ggplot2 内置的 mpg 数据集,画一张按驱动方式 drv 分面的散点图,x 轴为 displ,y 轴为 hwy,并在每个分面内叠加一条线性回归趋势线(不带置信区间)。

参考答案

library(ggplot2)

ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point(alpha = 0.5) +
  geom_smooth(method = "lm", se = FALSE, color = "tomato") +
  facet_wrap(~ drv) +
  labs(x = "排量", y = "高速油耗") +
  theme_minimal()

facet_wrap(~ drv) 按驱动方式切分为子图,所有子图共享坐标轴。geom_smooth(method = "lm", se = FALSE) 在每个分面内独立拟合线性回归,se = FALSE 关闭置信区间带。分面会让 geom_smooth 自动按组分别拟合,无需额外声明。

第3题 标度替换

给定散点图 ggplot(mpg, aes(x = displ, y = hwy, color = cty)) + geom_point(),默认颜色标度是蓝色渐变。改用 viridis 的 plasma 色板,并把图例标题改为城市油耗。

参考答案

ggplot(mpg, aes(x = displ, y = hwy, color = cty)) +
  geom_point() +
  scale_color_viridis_c(option = "plasma", name = "城市油耗") +
  labs(x = "排量", y = "高速油耗")

scale_color_viridis_c() 用于连续型颜色映射,option = "plasma" 选择 plasma 色板,name 参数设置图例标题。也可以用 labs(color = "城市油耗") 统一管理图例标题,效果等价。

常见错误

错误 1 · aes() 内写常量生成意外图例

原因:ggplot(df, aes(x, y, color = "blue")) 中,"blue" 被当作单水平因子映射到颜色,生成名为 blue 的图例,且实际颜色是默认离散调色板的第一色而非蓝色。

解决:常量颜色写在 aes() 外,即 geom_point(color = "blue")。判断依据是该值是否来自数据框的某一列:是则进 aes(),否则出 aes()。

错误 2 · geom_bar 与 geom_col 混用报错

原因:geom_bar() 默认调用 stat_count 对 x 变量计数,不需要 y 美学;geom_col() 默认使用恒等统计变换,需要显式给出 y 值。把已有高度的数值向量交给 geom_bar() 会报 stat_count() must not be used with a y aesthetic。

解决:已有高度值时用 geom_col();需要对分类变量计数时用 geom_bar()。两者也可以通过 stat 参数互换,但遵循默认语义更清晰。

错误 3 · xlim() 截断导致拟合曲线变形

原因:xlim(0, 10) 会把超出范围的点从数据中删除,geom_smooth() 在剩余数据上重新拟合,曲线形状会改变。这是标度层面的截断。

解决:只想缩放视野而不影响数据,用 coord_cartesian(xlim = c(0, 10))。它在视觉层面限制坐标轴范围,数据仍参与统计计算。两者的区别在含平滑层或汇总层的图中关键。

错误 4 · ggsave 保存 PDF 中文显示为方框

原因:默认 PDF 设备依赖的字体表不含中文字符,渲染时找不到字形就显示为方框。

解决:指定 device = cairo_pdf,它使用系统字体渲染,能正确显示 CJK 字符。PNG 输出推荐用 device = ragg::agg_png 替代默认 png(),字体处理更可靠。