ggplot2图形语法入门：图层、aes映射与几何对象

Excel 里画图是「选中数据 → 插入图表 → 调格式」。ggplot2 不是这个路子。它要求你先说清楚哪一列决定 x 轴、哪一列决定颜色，再说画成点还是线。多写两行代码，换来的是换数据不用重画、改配色只动一行、同一个数据框能出十几张规格统一的图。

图形语法的三层

ggplot2 的理论基础是 Leland Wilkinson 提出的图形语法（grammar of graphics）。名字听着玄，落到代码里只有三件事：

• 数据（data）：一个数据框，而且必须是长表——一行一个观测，一列一个变量。宽表要先转长表。
• 映射（aesthetic mapping，即 aes()）：把数据框的列对应到图形的视觉属性上，比如 x 位置、y 位置、颜色、大小、透明度、形状。
• 几何对象（geom）：最后真正画出来的东西，点、线、柱子、箱线图。

一句话串起来：数据框的列经过映射交给几何对象，几何对象把它画到画布上。分面、坐标系、标度、主题都是叠在这三层之上的附加系统，后面几篇逐个展开。

从 mtcars 开始

mtcars 是 R 内置的 1974 年《Motor Trend》汽车测试数据，32 行、11 列。取车重 wt（单位：千磅）和油耗 mpg（每加仑英里数）：

library(ggplot2)

ggplot(data = mtcars, aes(x = wt, y = mpg)) +
  geom_point()

图形输出：单面板散点图。x 轴标题 wt，范围 1.5–5.5；y 轴标题 mpg，范围约 10–35。
32 个黑色实心圆点，整体从左上向右下倾斜，车越重油耗越高。
背景为 ggplot2 默认的浅灰底加白色网格线。

三行代码的分工很清楚：data = mtcars 指定数据，aes() 说 wt 管 x、mpg 管 y，geom_point() 说画点。任何一层换掉，图的性质就变了——把 geom_point() 换成 geom_smooth() 就是一条拟合曲线，把 y 换成 hp 就是另一个问题。

有个书写习惯值得一开始就养成：+ 写在行尾，不要写在下一行开头。在控制台里逐行运行时，行首的 + 会被 R 当作一元加号解析，轻则图没画出来，重则报一个跟 ggplot2 毫无关系的错。

aes 里和 aes 外是两回事

这是 ggplot2 最容易踩的坑，没有之一。

# 写法一：color 写在 aes() 里面，属于映射
ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl))) +
  geom_point()

# 写法二：color 写在 aes() 外面，属于固定值
ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point(color = "red")

写法一输出：32 个点分成 3 种颜色（cyl = 4 / 6 / 8，默认调色板为桃红、青绿、蓝），
右侧出现标题为 factor(cyl) 的图例。8 缸车型集中在图的下半部分，wt 从 3.17 起、
mpg 全部低于 20；4 缸车型集中在左上，mpg 大多在 21 以上。

写法二输出：同样的 32 个点，全部为红色，没有图例。

为什么 aes() 里的写法这么敏感？因为 aes() 不立即求值，它记录的是一条规则：这个属性由哪一列决定。所以 aes(color = "red") 的后果不是把点画成红色，而是告诉 ggplot2「颜色由这个恒为 "red" 的变量决定」——每个点都会用默认调色板的第一个颜色（一种偏粉的红），而且右侧多出一个写着 red 的图例。判断标准很简单：属性值来自数据列就放进 aes()，是固定常量就放在外面。

再说说为什么用 factor(cyl)。cyl 本身是数值（4、6、8），直接映射到颜色，ggplot2 会当成连续变量给出渐变色条。想按气缸数分成三组离散颜色，必须先转成因子。同理，iris 里的 Species 本来就是因子，可以直接映射。

还有一对容易混的属性：color 管点和线的颜色，fill 管有面积的图形（柱子、箱体、密度曲线）的填充色。给柱状图上色要用 fill，写 color 只会给柱子描一圈边。

图层叠加：顺序就是层级

+ 的语义是往画布上追加图层，先加的先画，后加的画在上面。想让回归线压在散点下面，就得先写 geom_smooth()。

ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "steelblue")

图形输出：散点图上叠加了一条蓝色直线。散点因 alpha = 0.6 而半透明，重叠处颜色更深。
直线从左上（wt ≈ 1.5、mpg ≈ 30）延伸到右下（wt ≈ 5.5、mpg ≈ 13），
是 mpg 对 wt 的最小二乘回归线。控制台同时打印一行
`geom_smooth()` using formula = 'y ~ x'。

method = "lm" 表示用线性模型拟合。默认的 method = "loess" 是局部加权回归，适合点少、趋势弯曲的数据；观测数超过 1000 时 loess 会明显变慢，ggplot2 会提示改用 method = "gam"。se = FALSE 关掉置信带——回归线本身是给读者看趋势的，样本量小的时候那条宽得离谱的阴影只会干扰阅读。

局部映射和全局映射可以共存。写在 ggplot() 里的 aes() 是全局的，所有图层继承；某个图层需要额外或不同的映射，在它自己的 aes() 里写，同名属性以图层内的为准，不同名的则叠加。数据也可以在图层级别覆盖：

ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point(color = "grey60") +
  geom_point(data = subset(mtcars, cyl == 8), color = "firebrick", size = 3)

第二个 geom_point() 换了一份数据，只画 8 缸车型，用更大的红色点标出来。做「整体趋势 + 高亮子集」的图时这个技巧很常用，不需要提前把两份数据合并。

图形是一个对象

和 base R 的「画完就没了」不同，ggplot2 画出来的东西是一个 R 对象，可以赋值、可以存起来：

p <- ggplot(mtcars, aes(x = wt, y = mpg)) + geom_point()
class(p)

[1] "gg"     "ggplot"

它是一个 gg 对象，本质上是列表，+ 做的事情就是往这个列表里追加图层。想知道自己叠了几层，看 length(p$layers) 就行。理解这一点，后面看到「把图存进变量、批量出图、再拼成一张大图」的写法就不会觉得是魔法了。

保存成文件：ggsave

ggsave("mpg-vs-wt.png", plot = p, width = 6, height = 4, dpi = 300)

Saving 6 x 4 in image

三个参数值得留意。width / height 的单位默认是英寸，也可以写 units = "cm"。图幅决定了字号和点相对于画面的比例：同样一张图压到 3 英寸宽，坐标轴标签就会挤成一团。dpi 只对 PNG、JPEG、TIFF 这类位图有效，存 PDF、SVG 时它不参与计算，因为矢量图放大不会糊。输出格式由扩展名决定，ggsave("fig.pdf") 得到的就是矢量 PDF。

不写 plot = 时，ggsave() 保存的是「最后一次显示出来的图」。在控制台里这样用没问题，在脚本里连着出几十张图时极容易存错，显式传 plot = p 更稳妥。

下一步

记住三层结构，ggplot2 就不再是靠背参数使用的工具：数据决定能画什么，映射决定每个视觉属性由谁控制，几何对象决定形状。下一篇把常用几何对象过一遍，见 /r/visualization/geometries/，重点讲 geom_bar() 和 geom_col() 的区别，以及折线图分组要写 group = 还是 color =。

如果你也用 Python，同一张散点图在 Matplotlib 里的写法和这里差别不小——那边用 Figure / Axes 对象模型，手动控制坐标轴对象，可以参考 /python/visualization/matplotlib-basics/。