ggplot2常用几何对象：柱状图、折线图与箱线图

选几何对象（geom）之前先回答一个问题：数据里的一行，对应图上的什么？是一个点、一根柱子，还是一条线的转折点。回答清楚了，geom 基本就定了；回答不清楚，画出来的图通常也不能用。

散点图：geom_point 与 geom_jitter

两个连续变量之间的关系用 geom_point()。以 iris 的花瓣长度和萼片长度为例：

library(ggplot2)

ggplot(iris, aes(x = Sepal.Length, y = Petal.Length, color = Species)) +
  geom_point(size = 2, alpha = 0.8)

图形输出：散点图，150 个点分 3 种颜色，右侧有标题为 Species 的图例。
x 轴 Sepal.Length 范围 4.3–7.9，y 轴 Petal.Length 范围 1.0–6.9。
setosa（桃红）聚在左下，花瓣长度全部小于 2；versicolor（青绿）居中；
virginica（蓝）偏右上，花瓣长度都在 4.5 以上。两类之间几乎不重叠。

点一多就会重叠。当 x 是离散变量（比如剂量、处理组），同一水平上的点会叠成一条竖线，看不出分布——这时候换成 geom_jitter()，它等于 geom_point() 加上随机的水平抖动：

ggplot(ToothGrowth, aes(x = factor(dose), y = len)) +
  geom_jitter(width = 0.15, alpha = 0.7)

图形输出：3 列散点，每列 20 个点，x 轴为因子 factor(dose)（0.5 / 1 / 2），
y 轴为牙长 len。每列的点被随机向左右抖开约 ±0.15，重叠减少。
0.5 剂量组的点分布在 4.2–21.5 之间，1 组在 13.6–27.3，2 组在 18.5–33.9。

width 控制抖动的幅度，超过 0.4 就可能越过相邻类别，反而误导读者。注意抖动是随机的：每次运行、每台机器上的位置都不一样。写论文时如果图要可复现，先 set.seed(2026) 固定随机数，或者干脆换用箱线图。

size 指定的是点的直径，单位是毫米，默认 1.5。连续变量配对时点数上千，geom_point() 会糊成一块黑斑，点密度信息全部丢失。按数据量分三档处理：

点数	做法
几十到几百	geom_point(alpha = 0.5)，让重叠区域显出色深
上千	geom_bin2d(bins = 12)，用矩形颜色的深浅表示落点计数
上千且想看形状	geom_point(alpha = 0.05) 叠一层 geom_density_2d()，等密度线勾出轮廓

set.seed(2026)
d <- with(mtcars, data.frame(wt = rep(wt, 40), mpg = rep(mpg, 40) + rnorm(1280, 0, 0.3)))

ggplot(d, aes(wt, mpg)) +
  geom_bin2d(bins = 12)

geom_bin2d() 把画布切成 12 × 12 个矩形，颜色越浅表示该格里的观测越多。它给出的信息量比散点图大：既看得出相关趋势，也看得出数据集中在哪一段。代价是颜色深浅需要在图例里配一个连续刻度，读者要对照着读。

趋势线：geom_smooth

geom_smooth() 默认按 x 排序后拟合一条平滑曲线，适合展示趋势而不是精确数值。method 有三个常用取值：

• "loess"：默认值，局部加权回归。点数少于 1000 时是首选，span 参数（0.2–1）控制平滑程度，越大越平。
• "lm"：最小二乘直线，配合 formula = y ~ x 使用，可以写 y ~ poly(x, 2) 拟合二次曲线。
• "gam"：广义可加模型，点数超过 1000 时用它替代 loess。

一个常见的误用是拿 loess 曲线去外推。平滑曲线在数据范围的两端没有数据支撑，置信带会张得很开，那一段的走势基本是模型编出来的。如果审稿人问「曲线右端为什么翘起来」，那是拟合方式的问题，不是数据的问题。

柱状图：geom_bar 与 geom_col

这是概念上最容易混的一对，差别在于要不要做统计变换（stat）：

• geom_bar() 默认 stat = "count"，它先数出每个 x 类别有多少行，再拿这个计数当柱高。所以只需要给 x。
• geom_col() 用 stat = "identity"，直接把 y 的值当柱高。所以必须给 x 和 y。

# 一行数据是一辆车，柱子高度是车的数量
ggplot(mtcars, aes(x = factor(cyl))) +
  geom_bar()

图形输出：3 根等宽的灰色柱子，x 轴为因子 factor(cyl)（4 / 6 / 8），
y 轴标题 count，柱高分别为 11、7、14。8 缸车型最多，6 缸最少。

柱高不是凭空来的，就是分组计数：

table(mtcars$cyl)

 4  6  8
11  7 14

如果手里已经算好了均值或总数，用 geom_col()。硬撑着给 geom_bar() 加 stat = "identity" 也能跑，但读代码的人要多想一步。反过来，给 geom_col() 的 y 传原始观测值（一个 x 类别下有多行），它会把柱子叠起来，通常不是你想要的。

柱状图只适合比较一个数值指标，不要用它表现两个连续变量的关系，那是散点图的活。

分组柱状图与 position

ToothGrowth 记录的是维生素 C 对豚鼠牙生长的影响：len 是牙长，supp 是给药方式（OJ 橙汁 / VC 抗坏血酸），dose 是每日剂量。先按两个分组变量算平均牙长：

tg <- aggregate(len ~ supp + dose, data = ToothGrowth, FUN = mean)
tg

  supp dose   len
1   OJ  0.5 13.23
2   VC  0.5  7.98
3   OJ  1.0 22.70
4   VC  1.0 16.77
5   OJ  2.0 26.06
6   VC  2.0 26.14

（同样的汇总用 dplyr 写是 group_by() 加 summarise()，见 /r/tidyverse/dplyr-grouping/。）

画成分组柱状图：

ggplot(tg, aes(x = factor(dose), y = len, fill = supp)) +
  geom_col(position = "dodge")

图形输出：3 组 x 位置（0.5 / 1 / 2），每组两根并排柱子，OJ 为桃红、VC 为青绿，
右侧有标题为 supp 的图例。0.5 剂量下 OJ（13.23）明显高于 VC（7.98）；
1.0 剂量下差距缩小到 22.70 对 16.77；2.0 剂量下两根柱子几乎等高（26.06 与 26.14）。

position 的四个取值决定了多组数据怎么摆：

取值	效果	什么时候用
"stack"	堆叠（柱状图的默认值）	各组之和本身有意义，比如总支出
"dodge"	并排	要比较同一类别内部各组的高低
"fill"	堆叠后归一到 1	只看构成比例，不看绝对量
"identity"	重叠	一般不用，除非配合透明度

注意 geom_col() 和 geom_bar() 的默认位置都是 "stack"，所以只写 fill = supp 而不写 position 时，柱子会自动堆起来。堆叠柱状图有个先天缺陷：只有最下面一段有统一的基线，上面几段的长度随下层的值浮动，跨类别的比较根本读不出来。真想比较构成，用 position = "fill" 加上百分比刻度 scale_y_continuous(labels = scales::percent)。

并排柱子的间距可以用 width 调，position_dodge(width = 0.9) 才能让两根柱子的宽度和间距精确对齐——直接写 position = "dodge" 用的是默认宽度。

折线图：geom_line 与分组

折线图表达的是「沿着某个有序变量变化」，所以 x 必须是数值或时间，类别型的 x 用折线图没有意义。

ggplot(airquality, aes(x = Day, y = Temp, color = factor(Month))) +
  geom_line()

图形输出：5 条彩色折线，每条对应一个月份（5–9），右侧有标题为 factor(Month) 的图例。
x 轴 Day 范围 1–31，y 轴温度范围 56–97 °F。5 月的线整体最低（月均约 66 °F），
7 月和 8 月最高（月均约 84 °F），9 月回落到 77 °F 附近。
所有曲线都逐日上下抖动，单日极值从 56 °F 到 97 °F，跨度比月均值的差异更大。

这里没有写 group，ggplot2 是按颜色自动分组的：映射到 color、linetype 等属性的变量，同时也会成为分组变量。反过来说，如果 x 是因子、又没有映射任何分组属性，默认分组会把每个因子水平当成一组，线段就画不出来。手工汇总后画折线是最常见的触发场景：

g <- aggregate(len ~ dose, data = ToothGrowth, FUN = mean)

# dose 转成因子后 x 轴变成离散的，必须显式指定 group = 1
ggplot(g, aes(x = factor(dose), y = len, group = 1)) +
  geom_line() +
  geom_point(size = 3)

图形输出：3 个蓝色圆点（10.61、19.74、26.10）由两条线段连接，从左下到右上。
x 轴为因子 factor(dose)，y 轴为平均牙长 len，无图例。
把 group = 1 去掉后，图上只剩 3 个孤立的点，没有任何线段。

另一种情况是数值 x 但一个 x 对应多个观测。sleep 数据里每只动物在两种药物下各测一次，要连接同一只动物的两个点，就得按个体分组：

head(sleep)

  extra group ID
1   0.7     1  1
2  -1.6     1  2
3  -0.2     1  3
4  -1.2     1  4
5  -0.1     1  5
6   3.4     1  6

ggplot(sleep, aes(x = group, y = extra, group = ID)) +
  geom_line(alpha = 0.5) +
  geom_point()

图形输出：x 轴 group 只有 1 和 2 两个刻度，每侧 10 个点，
10 条灰色半透明线段把同一只动物的两次测量连起来。
多数线段向右上方倾斜（第二组的睡眠时间增加），少数几乎持平。

箱线图：geom_boxplot 与异常值

箱线图一张图就能给出中位数、四分位距和离群点，适合比较多个组的分布：

ggplot(ToothGrowth, aes(x = factor(dose), y = len)) +
  geom_boxplot()

图形输出：3 个箱体，中位数依次抬高，大约在 10、19、26 附近。箱体的上下边是
Q1 和 Q3，中间的粗线是中位数，须延伸到 1.5 倍四分位距以内最远的那个点，
超出这个范围的观测值画成实心圆点（离群点）。0.5 剂量组的箱体最长
（牙长从 4.2 跨到 21.5），2.0 组最紧凑，剂量越高牙长越稳定。

coef 参数控制须的长度（默认 1.5 倍 IQR，写 coef = 2 就放宽到 2 倍）。不想让离群点出现在图上，用 outlier.shape = NA 关掉——但只是不画，数据并没有被剔除，分析时该处理还得处理。

须的位置不是凭感觉定的：下须到「Q1 减 1.5 倍 IQR」，上须到「Q3 加 1.5 倍 IQR」，超出这个范围的观测值才画成离群点。按剂量分组手算一遍：

library(dplyr)

ToothGrowth |>
  group_by(dose) |>
  summarise(Q1 = quantile(len, 0.25), Q3 = quantile(len, 0.75), IQR = IQR(len),
            upper = Q3 + 1.5 * IQR(len), n_out = sum(len > Q3 + 1.5 * IQR(len)),
            .groups = "drop") |>
  mutate(across(where(is.numeric), \(x) round(x, 2))) |>
  as.data.frame()

  dose    Q1    Q3  IQR upper n_out
1  0.5  7.22 12.25 5.03 19.79     1
2  1.0 16.25 23.38 7.12 34.06     0
3  2.0 23.53 27.83 4.30 34.28     0

只有 0.5 剂量组出现一个离群点，值是 21.5。离群点不等于错误数据，它只表示这个观测值离主体较远。低剂量组里牙齿长得偏快的个体是真实的生物学变异，直接删除会引入偏差。该不该处理，取决于这个值是不是测量错误，而不是它离群。

箱线图也不是万能的。它不显示样本量，也不显示分布形状：两个箱体长得一模一样，可能一边是双峰，一边是均匀分布。每组观测数少于 10 时，四分位数本身就不稳定，箱体的位置会随抽样大幅摆动，这时候直接画点（geom_jitter()）或者用 geom_violin() 更诚实。varwidth = TRUE 能让箱体宽度与样本量成正比，至少把「每组有多少数据」这件事暴露出来。

直方图：bins 决定了你看到什么

直方图（histogram）把一个连续变量的取值范围切成若干区间，数出每个区间里的观测数。用 geom_histogram()，区间个数由 bins 或 binwidth 控制。它没有默认的最优值，选不同的值会看到不同的分布形状：

for (b in c(4, 10, 25)) {
  h <- hist(ToothGrowth$len,
            breaks = seq(min(ToothGrowth$len), max(ToothGrowth$len), length.out = b + 1),
            plot = FALSE)
  cat("bins =", b, ":", h$counts, "\n")
}

bins = 4 : 15 15 22 8
bins = 10 : 5 7 3 7 8 5 9 11 3 2
bins = 25 : 2 2 2 1 5 2 1 1 3 3 3 3 2 2 3 3 4 5 6 2 0 2 1 1 1

bins = 4 只给出四段，中间的起伏全被抹平。bins = 10 时能看出一段密集、一段稀疏。bins = 25 时区间多到大量计数只剩 1 到 3，形状开始随抽样抖动，那些高低起伏是噪声而不是分布特征。用 hist(..., plot = FALSE) 先把计数打印出来再决定 bins，比反复画图试快。

ggplot(ToothGrowth, aes(x = len)) +
  geom_histogram(bins = 10, fill = "grey70", color = "white")

color = "white" 给柱子加白色描边，相邻柱子之间才有分界。柱宽默认等于区间宽度、柱子之间不留空隙，这是直方图与柱状图在视觉上的主要区别：柱状图的柱宽可以任意指定，直方图的柱宽由数据范围和区间数共同决定。

误差棒：让不确定性可见

只画均值不画离散程度，读者无法判断组间差异是否可靠。geom_errorbar() 需要显式给出上下界，所以先算出汇总量：

tg_sum <- ToothGrowth |>
  group_by(supp, dose) |>
  summarise(mean = mean(len), sd = sd(len), n = n(), .groups = "drop") |>
  mutate(sem = sd / sqrt(n))

tg_sum |> mutate(across(c(mean, sd, sem), \(x) round(x, 2))) |> as.data.frame()

  supp dose  mean   sd  n  sem
1   OJ  0.5 13.23 4.46 10 1.41
2   OJ  1.0 22.70 3.91 10 1.24
3   OJ  2.0 26.06 2.66 10 0.84
4   VC  0.5  7.98 2.75 10 0.87
5   VC  1.0 16.77 2.52 10 0.80
6   VC  2.0 26.14 4.80 10 1.52

ggplot(tg_sum, aes(x = factor(dose), y = mean, color = supp, group = supp)) +
  geom_errorbar(aes(ymin = mean - sem, ymax = mean + sem), width = 0.1) +
  geom_line() +
  geom_point(size = 3)

ymin 和 ymax 必须写在 aes() 里，ggplot2 不会替你算。误差棒的长度取决于传进去的是哪个量：

传什么	含义	适用场景
sd	标准差	描述个体变异范围
sem	标准误（sd / √n）	描述均值估计的精度
置信区间半宽	95% CI	统计推断，与 p 值一致

n = 10 时 sem = sd / 3.162。OJ 组在 0.5 剂量下 sd 是 4.46、sem 只有 1.41，误差棒不到标准差的三分之一。用 sd 还是 sem 必须在图注里写明，两者相差几倍，读者从图上分辨不出来；审稿人要求误差棒时通常指的是 sem 或 95% CI。width 控制两端横杠的长度，设为 0 时误差棒只剩一条竖线，容易和折线本身混淆。

怎么选

几条经验判断：

数据形态	用什么	注意
两个连续变量	geom_point()	重叠多时加 alpha 或换 geom_jitter()
离散 x 加连续 y，要比较分布	geom_boxplot()	每组少于 10 个观测就改画点
一个汇总数值（计数、均值、总和）	geom_col()	先自己汇总，geom_bar() 只数行数
多组比较同一个汇总值	geom_col() 配 position = "dodge"	用 position_dodge(width = 0.9) 对齐柱宽
x 有序（时间、剂量）	geom_line()	汇总后画线要显式写 group = 1
单个连续变量的分布	geom_histogram()	先打印计数再定 bins
均值比较，要表达不确定性	geom_errorbar()	ymin/ymax 必须自己算

类别超过 15 个时柱状图会糊成一片，ggplot2 3.5 起官方更推荐把类别映射到 y 轴（横向柱状图），而不是用 coord_flip()，或者干脆改用表格。

两个反复出现的坑

柱状图的 y 轴必须从 0 开始。 柱状图用长度编码数值，截断基线等于歪曲比例。同一组均值，y 轴取 0 到 30 与 10 到 30 是两个结论：

tg <- aggregate(len ~ dose, data = ToothGrowth, FUN = mean)

ggplot(tg, aes(x = factor(dose), y = len)) +
  geom_col()

y 轴从 0 起时三根柱子的高度比是 1 : 1.86 : 2.46。截断到 10 到 30 之后，0.5 剂量那根柱子从视觉上几乎消失，读起来像是「低剂量没有效果」。

要截断 y 轴，用 coord_cartesian(ylim = c(10, 30))，它只放大视野，数据一行不动。不要用 ylim() 或 scale_y_continuous(limits = )——这两个会把范围外的观测直接删掉，并打印 Removed 32 rows containing missing values or values outside the scale range 这类警告。凡是靠长度表达数值的图形（柱状图、面积图、误差棒的下界）都不该截断；折线图和散点图靠位置编码，截断可以接受，但要在图注里说明。

scale_x_discrete(labels = ) 的标签数量与因子水平数不一致时不会报错，只会静默错位。 三个水平给了两个标签，标签会整体前移，图能画出来但意思全错。用命名向量最稳妥：

scale_x_discrete(labels = c("0.5" = "低剂量", "1" = "中剂量", "2" = "高剂量"))

名字对不上因子水平时会直接报错，而不是默默把标签挪错位置。

下一篇讲分面与拼图，见 /r/visualization/facets/。同样的这几种图形，在 Python 里用 Seaborn 画会省掉一部分手工汇总——它的 hue 参数把分组和上色合成了一步，可以对照 /python/visualization/seaborn/ 看两种接口的取舍。