第二步：整洁数据做映射操作，确定x,y,color,size,shape,alpha等

第三步：选择合适的几何对象（根据画图的目的、变量的类型和个数）

第四步：坐标系和刻度配置

第五步：标签信息和图例信息

第六步：选择合适的主题

ggplot2的语法包括10个部件。

数据（data）

映射（mapping）

几何对象（geom）

标度（scale）

统计变换（stats）

坐标系（coord）

位置调整（Position adjustments）

分面（facet）

主题（theme）

输出（output）

前3个是必须的，其它部件ggplot2会自动配置，也可以手动配置

ggplot2基本绘图模板：

注意：

1）添加图层的加号（+）只能放在行末尾

2）红色方框里面mapping是全局域，绿色方框里面mapping是局部域，执行先后顺序，先局部域，后全局域

ggplot2画图必要部件-数据，映射和几何对象

2.1 数据

数据（Data）用于画图的整洁数据

library(tidyverse

ggplot()先只提供数据，创建一个空图形。

# ggplot()先提供整洁数据，生成一个空图形

2映射

映射，把数据变量集与图形属性库建立关联。

最常用的映射有：

x：x轴

y：y轴

color：颜色

size：大小

shape：形状

fill：填充

alpha：透明度

以mpg数据集为例，把变量displ和hwy分别映射到x和y，变量drv映射到color，此时图形就有了坐标轴和网格线，color需要在有了几何对象后才能体现出来。

# 映射操作

ggplot(data = mpg, mapping = aes(x = displ,

y = hwy, color = drv))

2.3 几何对象

几何对象是表达数据的视觉对象

不同类型的几何对象是从不同的角度表达数据。

pgglot2提供了50多种“几何对象”，均以geom_xxxx()的方式命名，常用的有：

几何对象很简单，只需要添加图层即可。

例如，以mpg数据集为例，画散点图。

ggplot(data = mpg, mapping = aes(x = displ,

y = hwy,

color = drv)) +

geom_point()层依次叠加，在上图的基础上，再添加一个几何对象：光滑曲线。

#继续增加一个几何对象：光滑曲线

# 写法1

ggplot(data = mpg, mapping = aes(x = displ,

y = hwy,

color = drv)) +

geom_point() +

geom_smooth(se=FALSE)

# 写法2

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

geom_point(aes(color = drv)) +

geom_smooth(se=FALSE)

思考题：

1）写法1和写法2的差异？（全局域和局部域的使用差异）

2）写法2若是要实现写法1的功能，怎么编写代码？

03

标度

ggplot2会自动根据输入变量选择最优的坐标刻度方法，若要手动设置或调整，就需要使用标度函数。

标度函数用来控制几何对象中的标度映射（x轴，y轴或者由color，fill，shape，size产生的图例）。

ggplot2提供丰富的标度函数，常用的有：

拓展功能：scales包提供很多设置刻度标签风格的函数，比如百分数、科学计数法法、美元格式等。

3.1 修改坐标轴刻度及标签

连续变量使用scale_*_continuous()函数，参数breaks设置各个刻度的位置，参数labels设置各个刻度对应的标签。

离散变量使用scale_*_discrete()函数，修改离散变量坐标轴的标签。

时间变量使用scale_x_date()函数设置日期刻度，参数date_breaks设置刻度间隔，date_labels设置标签的日期格式

以mpg数据集为例，修改连续变量坐标轴刻度及标签。

# scale_y_continuous函数

# 对比分析和观察

# 图1

ggplot(mpg, aes(displ, hwy)) +

geom_point()

# 图2

ggplot(mpg, aes(displ, hwy)) +

geom_point() +

scale_y_continuous(breaks = seq(15, 40, by = 10))

# 图3

ggplot(mpg, aes(displ, hwy)) +

geom_point() +

scale_y_continuous(breaks = seq(15, 40, by = 10),

labels = c(" 一五 "," 二五 "," 三五 "))

以mpg数据集为例，修改离散变量的标签

# scale_x_discrete函数

# 对比分析和观察

# 图1

ggplot(mpg, aes(x = drv)) +

geom_bar()

# 图2

ggplot(mpg, aes(x = drv)) +

geom_bar() +

scale_x_discrete(labels = c("4" = " 四驱 ", "f" = " 前驱 ",

"r" = " 后驱 "))

以ggplot2自带的economics数据集为例，修改日期变量。

# scale_x_date函数

# 以ggplot2自带的economics为例

economics %>% glimpse()

# 图1

ggplot(tail(economics, 45), aes(date, uempmed / 100)) +

geom_line()

# 图2

ggplot(tail(economics, 45), aes(date, uempmed / 100)) +

geom_line() +

scale_x_date(date_breaks = "6 months", date_labels = "%Y-%b") +

scale_y_continuous(labels = scales::percent)

3.2 修改坐标轴标签、图例名及图例位置

用labs()函数参数x，y或者xlab()，ylab()，设置x轴，y轴标签。

若用参数color生成了图例，可以在labs()函数用参数color修改图例名。

用theme图层的参数legend.position设置图例的位置。

以mpg数据为例。

# 修改坐标轴标签，图例名和图例位置

mpg

# 图1

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

labs(x = " 引擎大小 (L)", y = " 高速燃油率 (mpg)",

color = " 驱动类型 ") +

theme(legend.position = "top")

# 图2

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

xlab(" 引擎大小 (L)") +

ylab(" 高速燃油率 (mpg)") +

labs(color = " 驱动类型 ") +

theme(legend.position = "top")

# 图3 不需要图例

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

xlab(" 引擎大小 (L)") +

ylab(" 高速燃油率 (mpg)") +

theme(legend.position = "none")

3.3 设置坐标轴的范围

用coord_cartesian()函数参数xlim和ylim，或者用xlim()，ylim()设置x轴和y轴的范围。

以mpg数据集为例。

# 修改坐标轴的范围

# 图1 coord_cartesian()的参数xlim和ylim

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

coord_cartesian(xlim = c(5, 7), ylim = c(10, 30))

# 图2 xlim()和ylim()函数

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

xlim(5, 7) +

ylim(10, 30)

3.4 变换坐标轴

用scale_x_log10()函数变换坐标系，可以保持原始数据的坐标刻度。

# 修改坐标轴的范围

# 图1 coord_cartesian()的参数xlim和ylim

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

coord_cartesian(xlim = c(5, 7), ylim = c(10, 30))

# 图2 xlim()和ylim()函数

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

xlim(5, 7) +

ylim(10, 30)

3.5 设置图形标题

用labs()函数设置图形标题。

参数title 设置正标题

参数subtitle 设置副标题

参数caption 设置脚注标题（默认右下角）

# 设置标题

# mpg数据集为例

p <- ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = drv)) +

geom_smooth(se = FALSE) +

labs(title = " 燃油效率与引擎大小的关系图 ",

subtitle = " 两座车 ( 跑车 ) 因重量小而符合预期 ",

caption = " 数据来自 fueleconomy.gov")

p

标题若要居中，采用theme图层设置。

p + theme(plot.title = element_text(hjust = 0.5),

plot.subtitle = element_text(hjust = 0.5))

3.6 设置color、fill颜色

数据的某个维度信息可以通过颜色来表示。

可以直接使用颜色值，建议使用RColorBrewer（调色板）或者colorspace包。

1）连续变量

- 用scale_color_gradient()设置二色渐变色。

# 连续变量

# 图1 scale_color_gradient()函数

ggplot(mpg, aes(displ, hwy, color = hwy)) +

geom_point() +

scale_color_gradient(low = "green", high = "red")

- 用scale_color_distiller()设置调色板中的颜色

# 图2 scale_color_distiller()函数

ggplot(mpg, aes(displ, hwy, color = hwy)) +

geom_point() +

scale_color_distiller(palette = "Set1")

2）离散变量

- 用scale_color_manual()手动设置颜色，还可以修改图例及其标签信息

# 离散变量

# 图1 scale_color_manual()函数

ggplot(mpg, aes(displ, hwy, color = drv)) +

geom_point() +

scale_color_manual(" 驱动方式 ",

values = c("red", "blue", "green"),

breaks = c("4", "f", "r"))

ggplot(mpg, aes(displ, hwy, color = drv)) +

geom_point() +

scale_color_manual(" 驱动方式 ",

values = c("red", "blue", "green"),

labels = c(" 四驱 ", " 前驱 ", " 后驱 "))

-用scale_fill_brewer()调用调色板中的颜色

# 图2 scale_fill_brewer()函数

ggplot(mpg, aes(x = class, fill = class)) +

geom_bar() +

scale_fill_brewer(palette = "Dark2")

.7 添加文字标注

ggrepel包提供了geom_label_repel()函数或者geom_text_repel()函数，为图形添加文字标注。

操作步骤：

第一步：先准备好标记点的数据

第二步：增加文字标注图层，包括标记点的数据和标注的文字给label参数

# 设置文字标注信息

library(ggrepel)

# 选取每种车型 hwy 值最大的样本

best_in_class <- mpg %>%

group_by(class) %>%

slice_max(hwy, n = 1)

best_in_class %>% select(class, model, hwy)

ggplot(mpg, aes(displ, hwy)) +

geom_point(aes(color = class)) +

geom_label_repel(data = best_in_class,

aes(label = model))

04

计变换、坐标系和位置调整

.1 统计变换

统计变换是构建新的统计量而画图。

例如，条形图或直方图，是对数据分组的频数做画图；平滑曲线是对数据拟合模型的预测值画图。

gplot2可以把统计变换直接融入画图中，不必先在对数据做统计变换后再画图。

gplot2提供30多种统计，均以stats_xxx()的方式命名。

1）可在几何对象中直接使用的统计变换，直接使用几何对象就可以了。

能在几何对象创建的，而需要单独使用。

mpg数据集为例。

stat_summary()做统计绘图并汇总。

# 图1 stat_summary()做统计绘图并汇总

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

geom_violin(trim = FALSE, alpha = 0.5, color = "green")

p

p + stat_summary(fun = mean,

fun.min = function (x) {mean(x) - sd(x)},

fun.max = function (x) {mean(x) + sd(x)},

geom = "pointrange",

color = "red")

tat_smooth()添加光滑曲线，与geom_smooth()相同。

参数method设置平滑曲线的拟合方法，如lm线性回归、glm广义线性回归、loess多项式回归、gam广义加法模型(mgcv包)、rlm稳健回归(MASS包)等。

参数formula指定平滑曲线方程，如y ~ x, y ~ poly(x, 2)， y ~ log(x)等。

参数se设置是否绘制置信区间。

# 图2 stat_smooth()添加平滑曲线

ggplot(mpg, aes(displ, hwy)) +

geom_point() +

stat_smooth(method = "lm",

formula = y ~ splines::bs(x, 3),

se = FALSE)

ggplot(mpg, aes(displ, hwy)) +

geom_point() +

geom_smooth(method = "lm",

formula = y ~ splines::bs(x, 3),

se = FALSE)

4.2 坐标系

ggplot2默认是直角坐标系。

- coord_cartesian()

常用的其它坐标系：

以mpg数据集为例，坐标轴翻转。

# 图1 坐标轴翻转coord_flip()

p <- ggplot(mpg, aes(class, hwy)) +

geom_boxplot()

p

p + coord_flip()

直角坐标下条形图转换为极坐标下玫瑰图。

# 图2 直角坐标条形图-->极坐标玫瑰图

p <- ggplot(mpg, aes(class, fill = drv)) +

geom_bar()

p

p + coord_polar()

4.3 位置调整

条形图的位置调整

# 图1：条形图条形位置调整

ggplot(mpg, aes(class, fill = drv)) +

geom_bar()

ggplot(mpg, aes(class, fill = drv)) +

geom_bar(position = "dodge")

ggplot(mpg, aes(class, fill = drv)) +

geom_bar(position = position_dodge(preserve = "single"))

散点图的散点位置调整

# 图1：散点图的散点位置调整

ggplot(mpg, aes(displ, hwy)) +

geom_point()

ggplot(mpg, aes(displ, hwy)) +

geom_point(position = "jitter")

用patchwork包排布多个图形

library(patchwork)

p1 <- ggplot(mpg, aes(displ, hwy)) +

geom_point()

p2 <- ggplot(mpg, aes(drv, displ)) +

geom_boxplot()

p3 <- ggplot(mpg, aes(drv)) +

geom_bar()

p1 | (p2 / p3)

p1 | p2 | p3

p1 / p2 / p3

p1 / (p2 | p3)

05

分面

利用分类变量把图形分成若干“子图”（面），实际上就是对数据分组后再画图，属于数据分析里面细分和下钻的思想。

5.1 用facet_wrap()函数

封装分面，先生成一维的面板系列，再封装到二维中。

语法形式：~ 分类变量 或者 ~ 分类变量1 + 分类变量2

参数scales设置是否共用坐标刻度，fixed 默认 共用， free 不共用，还可以额通过free_x，free_y单独设置。

在这篇文章开始之前我想你一定学习了大量如何用R绘制精美的统计图的方法，现在是时候向大家展示你的图形了。你可能会将你的统计图形打印出来，或者是插入到文档中去，或者把它发布到网上，只要你保证最后让大家看到的图别丑到天际就行。这里要跟大家分享10条如何让你的统计图看起来完美无缺的建议。

1. 从脚本中调用正确的设备驱动程序

用软件生成图片后直接点“另存为”某种格式的图片保存方法看起来6得飞起。然而这种快捷方法不能进行图形设置，甚至有些情况下文件格式都是默认的。如果在图形创建完成后再去手动调整图形尺寸的话，你可能会得到一些不期望看到结果（比如说你画出的圆形看起来像是椭圆）。同样的原因，也尽量避免使用 dev.copy 这样的命令，尽管这要节省不少事。

最好的方法是创建一个脚本文件然后用命令调用设备驱动程序（通常是pdf或者png格式），运行绘图代码，然后用一个dev.off() 结束命令。比如说：

png(file = "mygraphic.png", width = 400, height = 350) plot(x = rnorm(10), y = rnorm(10), main = "example")dev.off( )

这样做的好处是不仅能够画出更好的统计图，并且当你忘记如何手动操作绘图时，你会有办法在接下来的时间里重新创建一样的图形。

2. 打印图形请用PDF格式

如果你打算打印图形，则需要使用基于向量的格式。这意味着图形是一个独立的尺度格式表示的，它可以在任何尺寸或大或小的创建不产生锯齿线或像素化文本。这样的图形你在打印机上打印时，即使打印机的图形被放大或缩小，不管打印机的每一点（每英寸点数）高低，线条都会显得平滑，文字也会清晰无比。

PDF（通过pdf()命令）是最好的选择：无处不在的PDF阅读器让你轻松地在Windows、MacOS以及Linux上面浏览你的图片。另外高质量的PDF图形也几乎可以在任何打印机上打印出来。无论对方是否有高质量的图片要求，用PDF图形格式发送邮件都是最好的选择。

3. 网页显示请用PNG格式

PDF格式不大方便嵌入到网页中去，作为替代你需要使用基于像素的格式。GIF是一直以来广受欢迎的格式，但也有一些局限性（尤其是在使用多种颜色的图形，像图像图在GIF中看起来就不大正确）。这种情形下最好的选择是PNG格式，可以由png()命令生成，大多数浏览器都可以较好地支持PNG图形显示。

使用png()时你需要做的选择是像素图形的尺寸（具体包括指定宽度和高度的参数）。x维度的选择是最重要的：理想的情况是，你希望整个图形立刻在屏幕上全部出现，而不是需要观众拖动水平滚动条来看到整个图形。

现在几乎每个显示器都超过800像素，所以宽度=800对于全屏图形是一个不错的选择。如果你的图表需要适合一个栏目（比如一个博客条目），你可能想把它缩减到400像素。选择基于你所需的纵横比Y维（见# 6，下同），在大多数情况下我发现选择一个较小的y （约85-90% x）效果很好。

如果你不能提前确定网页上的图形有多大，一个简单的诀窍是提高分辨率（任一方向超过1200像素），并使用height 或者 width = options（无需同时指定，以保存宽高比）为HTML中的img标签缩小尺寸。 这会使你的页面加载速度变慢，但是大多数浏览器在调整图像大小时都能保持图像质量。（生成高分辨率PNG文件时，请参阅＃5中的一些注意事项。）

记住：尽管显示分辨率变低使得最终图形中所含细节信息越少，但一些情况我们只需要大尺寸下的效果。

4. 对于文档或者细节，请提高图形分辨率

如果你在Word或PowerPoint之类的文档中插入图形，那么像PDF这样的向量格式图片在理论上是最好的，因为它与尺寸无关。然而，在实践中微软的产品大多不能可靠地处理嵌入式矢量图形：尽管在经过一些努力后，图片在打印时看起来正常，但是编辑或检查包含矢量图形的文档可能会很麻烦（开源的LaTeX处理起来更好，内嵌的PostScript是最好的选择）。

在这种情况下，折衷的办法是使用PNG作为Web示例，但要需要高得多的分辨率。在Word中，你可以调整图形尺寸，高分辨率会使得你在调整尺寸时获得充分的灵活性。我建议在标准打印机的最长边上至少要有1200个像素。如果你的图片正在专业印刷（例如在一本书或海报上），请向你的印刷店咨询他们的建议（他们可能需要一个PostScript或一个非常高分辨率的TIFF文件）。

5. 认真选择尺寸

R一直都有一个以英寸为单位的图形真实尺寸的概念，独立于用于渲染PNG的像素数或实际大小，PDF可以在打印时放大或缩小。当你在图形上使用文本时，维度的选择将会非常重要。

R使用X和Y轴上的图形英寸数来确定页面上所添加的文本的实际宽度和高度。一般而言，随着英寸的图形尺寸变大，文本相对于图形的大小变小；相反，对于较小的图形，文本相对于图形元素变得更大。你可以正确使用cex选项来执行文字绘图命令，但总感觉略微繁琐。

PDF图形是最容易处理的，你可以方便地设置图形宽度和高度。即使你计划在巨幅海报上展示你的图表，最好还是保持7-10英寸的图形尺寸。这是一个适合A4（公制）纸的尺寸。由于PDF是可伸缩的，你可以放缩你的图形，但无论你怎样操作，请保证最后的图片是一个相对舒适的尺寸。

PNG格式就有点恶搞了。R默认每英寸像素大小为72，当你增加图形像素的时候图形尺寸也在增加。这是一个400x350像素默认设置的图形实例：

png(file = "animals72.png", width = 400, height = 350, res = 72)plot(Animals, log="xy", type="n", main = "Animal brain/body size")text(Animals, lab=row.names(Animals))dev.off()

R假设图的面积是5.55英寸，所以默认的文本大小相对于图本身来说是稍大一点的。你可以将此参数与PNG参数进行更正，PNG指定每英寸像素数。像素越小，以英寸为单位的面积越大，相对于图形的文本越小。让我们看看把这个降到45英寸时会发生什么：

png(file = "animals45.png", width = 400, height = 350, res = 45)plot(Animals, log="xy", type="n", main= "Animal brain/body size")text(Animals, lab=row.names(Animals))dev.off()

注意图标题和文本标签都变得很小，图形看起来也不那么拥挤了。我喜欢选择一个在8-10英寸范围内给出x尺寸的分辨率（这里是400/45＝8.33英寸）。

6. 考虑图形宽高比

R的PDF图形驱动程序默认情形下会生成一个7x7英寸的方框，所以对于PNG图形而言选择相同X和Y轴的像素分辨率极具吸引力。但有些图形的宽度看起来要比上面的大得多（比如说时间序列图）。

选择PDF或者PNG图形像素时要考虑图形的宽高比，并且选择跟数据相适宜的X和Y轴比率。但不管你怎么操作，都不要把默认值当回事，要及时根据图形大小调整宽高比，不然的话你的图形元素可能会丑到变形。

另外还需要记住，在PDF或PNG调用中设置的图形维度包括图本身周围的所有外部边距，默认情况下，它们在所有方面都不是相同的尺寸。你需要相应地调整图形大小，或者重新设置边距，如下一个tips所言。

7. 图形外部边距不用的尽量删除

R在标题图形的顶部、轴标签的底部和左侧会预留空间。如果你的图形不包含任何这样的标签，那么使用这个空间来绘制一些图形元素是一个不错的主意。这使得你的图形更容易嵌入到一个网页或文档中而不必乱用裁剪。如果你以后需要在更小的尺寸上复制你的图，这就会变得容易很多，其中预留给标签的空间可以占据绘图区域的很大一部分。且看如下例子：

png(file = "notitle.png", width = 400, height = 350)par(mar = c(5, 3, 2, 2) + 0.1) hist(rnorm(100), ylab = NULL, main = NULL)dev.off( )

Mar参数中的4个数据分别表示图形下左中右与各自边线的距离，比如顶部边距默认为4.1，我这里把减小到了2.1，生成的柱状图与原图相比就要更紧凑一点了。

8. 图形保真

当计算机屏幕上显示对角线时，屏幕上的点与矩形网格会出现不完全对齐的现象。这会使线条看起来像锯齿形的，而不是平滑地上升。图形保真可以避免出现这样的情况，采用自动使用灰色像素线不完全填充屏幕上的像素，可以减少这种锯齿效应使得线条在屏幕上看起来更加平滑。

当你的图形时PDF格式就不用担心这种情况了，PDF会自动处理这一问题。但如果是PNG那就要需要对图形保真处理一下了。下图分别是没有经过保真处理和经过处理之后的图形对比。显而易见的是处理后的图形文本更加清晰并且曲线也很平滑。

9. 永远不要使用JPEG格式

你可能会尝试在Web上使用JPEG（又名JPG）图形格式，但这是一个馊主意。JPEG适用于类似照片的图像，但在典型的R图形中引入了围绕线条和字母的模糊处理过程，这使得另存为JPEG格式的R统计图模糊不堪。将PNG格式转换为JPEG格式或许能为你节省那么几KB的内存，但得牺牲图片质量这样的代价。

10. 要具有创造性

当然，做一张让人称赞的统计图的最重要的建议是：做一个漂亮的图形！定量数据的图形显示在某种程度上比数学推导更具艺术性，但作为一个一般规则，要想让你的数据用图形讲述故事，这需要一段时间和精力的投入。幸运的是，R为你提供了所有的工具，图形所需的任何元素都可以在R中实现完美的搭配。当然了，长时间的尝试与摸索是不可或缺的。

R 有几种用于制作图形的系统，但 ggplot2 是最优雅和最通用的系统之一。与大多数其他图形包不同，ggplot2 具有基于图形语法的底层语法，它允许您通过组合独立组件来组合图形。如果想要更加了解ggplot2，请阅读 ggplot2: Elegant Graphics for Data Analysis ，可以从 https://ggplot2-book.org/getting-started.html 学习本书

所有的图都由数据data，想要可视化的信息，映射mapping（即数据变量如何映射到美学属性的描述）组成

1. 图层（layers） 是几何元素和统计变换的集合。几何对象，简称 geoms ，代表你在图中实际看到的东西：点、线、多边形等等。 统计转换，简称 stats ，总结数据:例如，装箱和计数观察，以创建一个直方图，或拟合一个线性模型。

2. Scales 将数据空间中的值映射到美学空间中的值。这包括颜色、形状和大小的使用。Scale还绘制图例和轴，这使得从图中读取原始数据值成为可能(反向映射)。

3. 坐标（coords） 或坐标系统描述如何将数据坐标映射到图形的平面。它还提供了轴和网格线来帮助读取图形。我们通常使用笛卡尔坐标系，但也可以使用其他一些坐标系，包括极坐标和地图投影。

4. 刻面（facet） 指定如何拆分数据子集并将其显示为小倍数。这也被称为条件反射或网格/格子。

5. theme 控制更精细的显示点，如字体大小和背景颜色。

ggplot2有许多参数，可根据需求自行选取，具体参数详情可见 https://ggplot2.tidyverse.org/reference/index.html

基础绘图：由 ggplot(data,aes(x,y))+geom_ 开始,至少包含这三个组件，可以通过"+"不断的添加layers, scales, coords和facets。

Geoms ：几何对象，通常，您将使用geom_函数创建层，以下为常用的图形：

geom_bar() ：直方图，条形图

geom_boxplot() ：box图

geom_density() ：平滑密度估计曲线

geom_dotplot() ：点图

geom_point() :点图

geom_violin() ：小提琴图

aes()，颜色、大小、形状和其他审美属性

要向绘图添加其他变量，我们可以使用其他美学，如颜色、形状和大小。

按照属性定义

它们的工作方式与 x 和 y 相同，aes()：

aes(displ, hwy, colour = class) #按照某个属性着色

aes(displ, hwy, shape = drv) #按照某个属性定义

aes(displ, hwy, size = cyl) #按照某个属性定义

整体自定义

geom_xxx(colour =自定义颜色)

geom_xxx(shape=形状编号)

geom_xxx(size =编号大小定义 0-10)

注意根据需求按照aes()还是geom进行添加属性

以下为R语言中各shape形状编号

scale控制如何将数据值转换为视觉属性的细节。

labs()和lims() 是对标签和限制进行最常见调整。

labs() ，主要对图形进行调整，注释等

labs()括号内参数：title主标题，subtitle副标题，caption右下角描述，tag左上角

xlab() ，x轴命名

ylab() ，y轴命名

ggtitle() ，标题

lims()

xlim() , xlim(a,b) 限制坐标(a，b)

ylim() ， ylim(a,b) 限制坐标(a，b)

scale_alpha() 透明度尺度

scale_shape() ， 搭配aes(shape=某个属性)使用

参数：name ，solid =T/F是否填充

scale_size()搭配aes(size=某个属性)使用

参数：name，range =c(0, 10)

1.适用于发散和定性的数据

a. scale_colour_brewer() ，scale_colour_brewer(palette =" ")，scale_colour_brewer(palette ="Green ")

palette来自RcolorBrewer包，所有面板：

b. scale_colour_manual()

scale_colour_manual(values=c( )) 可以 自定义颜色 ，常用的参数

values可直接定义颜色，但是建议使用命名向量，例如

values=c("8" = "red", "4" = "blue", "6" = "darkgreen", "10" = "orange")

PS：注意在aes(colour=factor()),一定要把因素转换为factor型，否则无效

2.适用于连续的值，渐变颜色

a. scale_colour_gradient()

scale_colour_gradient (low =" ",high=" ")，根据值大小定义颜色,创建两个颜色梯度(低-高)，

b. scale_colour_gradient2()

scale_colour_gradient2(low = " ",mid = " ",high = " ")创建一个发散的颜色梯度(低-中-高)

c. scale_colour_gradientn()

创建一个n色渐变，scale_colour_gradientn(colours =许多R语言中的颜色面板)，

默认坐标系是笛卡尔 coord_cartesian()

一般不会修改

facet_grid() ，在网格中布置面板

facet_grid(rows = vars() ) cols或rows = vars(因素)，图形按列或行分割

facet_wrap()

facet_wrap(vars( ), ncol =n) , ncol或者nrow,分为多少行多少列

theme_bw() ，可以覆盖所有主题，背景变为白色,我们在文章中所用的图片大都需要该背景。

或者用 theme_classic() ，同时去除了网格线

theme() ，修改主题的组件，里面涉及多个参数，根据需求调整

常见参数：

legend.position，图例的位置,包括 "left" 左, "right" 右, "bottom" 下, "top" 上和"none",不显示