分面也就是切割數據生成一系列小聯號圖，每個小圖表示不同的數據子集。本篇將討論如何較好的微調分面，特別是與位置標度相近的方法。
在qplot中可以選擇分面系統。2維分面使用face_grid，1維分面使用face_wrap。
分面通常會占用大量空間，因此本篇使用mpg數據集的子集來進行展示。
> library(ggplot2)
> mpg2 <- subset(mpg,cyl != 5 &drv %in% c("4","f"))
1.網格分面
網格分面在2維網格中展示圖形，輸入分面表達式時，你需要設定哪些變量作為分面繪圖的行，哪些變量作為列，規則如下：
- 不進行分面，我們將得到一個單獨的面板
> qplot(cty,hwy,data=mpg2) + facet_null()
- 一行多列 ：". ~ a"
電腦屏幕通常較寬，因此這個方向最合適數據的展示。另外，因為坐標軸相同，這個方向也有助於y位置的比較。
qplot(cty,hwy,data=mpg2) + facet_grid(. ~ cyl)
- 一列多行："b ~ ."
橫坐標軸相同，利於x位置的比較，尤其是對數據分布的比較。
> qplot(cty,data=mpg2,geom="histogram",binwidth=2) + facet_grid(cyl ~ .)
- 多行多列："a ~ b"
我們通常都將因子水平數目最大的變量按列排放，這樣可以充分利用屏幕的寬高比。
> qplot(cty,hwy,data=mpg2) + facet_grid(drv ~ cyl)
從以上圖形我們可以看出，變量在某行或者某列一起出現時，圖形只會展示數據中出現的變量組合。而變量在行和列都出現時，圖形將展示所有變量組合，包括原始數據中都沒有出現的組合。不過這也可能會導致出現空白面板。
邊際圖：可以參考margins來繪制邊際圖。設定margins=TRUE可展示所有的邊際圖，或者margins=c("sex","age"),列出你要展示的邊際圖的變量名稱。也可以使用grand_row或grand_col來生成行或列的邊際圖。
邊際圖的分組方式與其他面板中分組方式相同：默認使用圖層中所有分類變量的交互作用。下面第三張圖表示對每個驅動類型添加彩色平滑線。
> p <- qplot(displ,hwy,data=mpg2) + geom_smooth(method = "lm",se=F) > p + facet_grid(cyl ~ drv) > p + facet_grid(cyl ~ drv,margins = T)
> qplot(displ,hwy,data=mpg2) + geom_smooth(aes(colour=drv),method="lm",se=F)+
+ facet_grid(cyl ~ drv,margins=T)
2.標度控制
對於上述分面，可以通過調整參數scales來控制面板的位置標度是固定的還是允許變化的。
- scales = "fixed":x和y的標度在所有面板中都相同
- scales = "free"：x和y的標度在每個面板都可以變化
- scales = "free_x"：x的標度可變，y的尺度固定
- scales = "free_y": y的標度可變，x的尺度固定‘
下面展示了固定標度與自由標度間的差異：
> library(ggplot2) > p <- qplot(cty,hwy,data=mpg) > p + facet_wrap(~ cyl) ##下圖左 每個分面中固定標度即橫縱坐標范圍相同 > p + facet_wrap(~ cyl,scales="free") ##下圖右 自由標度即橫縱坐標范圍可變 >
固定標度可以讓我們在相同的基准上對子集進行比較，觀察在哪些地方各子集有相似的總體模式。而自由標度可以幫助我們發現更多細節，它在展示不同量綱的時間序列時非常有用。
> library(reshape2) > em <- melt(economics,id = "date") > qplot(date,value,data=em,geom="line",group=variable)+ + facet_grid(variable~.,scale="free_y") >
上圖展示了自由標度在展示不同量綱的時間序列時非常有用。
3.分組與分面
與通過調整圖形屬性不同（比如顏色、形狀或大小）來分組分組不同，分面提供了另外一種分組途徑。依據子集相對位置的不同，這兩種繪圖技巧都有相應的優缺點。
在分面圖形中，每個組別都在單獨的面板中，相隔較遠，組間無重疊。因此組與組之間重疊嚴重時，分面圖形有一定的好處。不過這也會導致組間的細微差別難以被發現。使用圖形屬性區分各組時，各組將會離得很近甚至可能重疊，不過細微得差別將會容易被發現。下圖展示了兩者優缺點得互補。
> library(ggplot2)
> xmaj <- c(0.3,0.5,1,3,5)
> xmin <- as.vector(outer(1:10,10^c(-1,0)))
> ymai <- c(500,1000,5000,10000)
> ymin <- as.vector(outer(1:10,10^c(2,3,4)))
> dplot <- ggplot(subset(diamonds,color %in% c("D","E","G","J")),aes(carat,price,colour=color)) +
+ scale_x_log10(breaks = xmaj,labels = xmaj,minor = xmin)+
+ scale_y_log10(breaks=ymai,labels=ymai,minor=ymin)+
+ scale_colour_hue(limits = levels(diamonds$color))+
+ theme(legend.position="none")
> dplot + geom_point()
> dplot + geom_point()+facet_grid(.~color)
> dplot + geom_smooth(method=lm,se=F,fullrange=T)
> dplot + geom_smooth(method=lm,se=F,fullrange=T)+facet_grid(.~color)
在散點圖中，僅使用顏色區分各組，我們可能還沒注意到圖形重疊了，但是回歸線卻可以讓我們看到D、E、和G被分組在一起，與J組相距甚遠。
4.並列與分面
分面可繪制出與圖形並列類似得圖形效果。
> qplot(color,data=diamonds,geom="bar",fill=cut,position="dodge") ##並列 > qplot(cut,data=diamonds,geom="bar",fill=cut)+facet_grid(.~color)+ + theme(axis.text.x=element_text(angle=90,hjust=1,size=8,colour="grey50")) ##分面
除標注方式外，當兩個變量得因子水平幾乎完全交叉，而部分變量組合缺失時，兩種繪圖方式也就會有所不同。此時，並列圖形得用處不大，因為它只是對條形局部地分割，沒有任何標簽。而分面就實用很多，它能控制分割方式時局部得還是全局得。