一、簡介
上一篇中我們介紹了ggplot2的基本語法規則，為了生成各種復雜的疊加圖層，需要了解ggplot2中一些基本的幾何圖形的構造規則，本文便就常見的基礎幾何圖形進行說明；
二、各基礎圖形
2.1 abline()、hline()與vline()
在R的基礎繪圖系統中我們可以在已繪制的圖床上通過abline來添加線條，在ggplot2中當然也有類似的方法：
geom_abline()：
我們主要使用兩個參數控制線條的位置，slope控制斜率，intercept控制截距，下面是一個簡單的例子，我們在散點圖層上疊加截距為20，斜率為2的直線：
library(ggplot2) p <- ggplot(mtcars, aes(wt, mpg)) + geom_point() + geom_abline(intercept = 20,slope = 2) p
geom_vline()：
如果你想添加的直線垂直於x軸，則可以使用geom_vline()來快捷地添加垂直線條，xintercept傳入的參數即為線條在x軸上的位置，若傳入向量則可同時添加多條線條：
library(ggplot2) p <- ggplot(mtcars, aes(wt, mpg)) + geom_point() + geom_vline(xintercept = 5) p
p <- ggplot(mtcars, aes(wt, mpg)) + geom_point() + geom_vline(xintercept = 1:5) p
geom_hline()：
同樣的，我們通過在geom_hline()中傳入參數yintercept來繪制垂直於y軸的線條：
p <- ggplot(mtcars, aes(wt, mpg)) + geom_point() + geom_hline(yintercept = 20) p
p <- ggplot(mtcars, aes(wt, mpg)) + geom_point() + geom_hline(yintercept = 15:25) p
2.2 area()
面積圖也是一種很常用的圖，多用於表現某些水平或比例類指標隨時間的變化情況，下面是一個朴素的例子，以huron湖水水平變化數據為例：
library(ggplot2) p <- ggplot(huron,aes(x=year,y=level))+ geom_area(fill='springgreen') p
實際上面積圖最有表現力的類型是堆積面積圖，下面以美國5個消費指標上5個年份的數據為例繪制堆積面積圖：
library(ggplot2) library(reshape2) #將原數據轉置以處理成行對應一個年份的形式 data <- data.frame(t(USPersonalExpenditure)) #添加年份變量 data$year <- as.numeric(row.names(data)) #利用reshape2中的melt函數按照year列將原數據集伸展為“年份、變量名、對應數值”的形式 data <- melt(data, id='year') h <- ggplot(data, aes(x=year, y=value))+ geom_area(aes(fill=variable),position = 'fill')+ theme(legend.position = 'bottom')+ labs(title='堆積面積圖')+ theme(plot.title = element_text(hjust=0.5)) h
這樣得到的圖就比較具有美感和表現力，當然我們更改position參數也可以得到真實的水平逐年變化情況：
h <- ggplot(data, aes(x=year, y=value))+ geom_area(aes(fill=variable),position = 'identity')+ theme(legend.position = 'bottom')+ labs(title='堆積面積圖')+ theme(plot.title = element_text(hjust=0.5)) h
2.3 bar()
基礎的條形圖我們前面一篇中已經涉及到了，所以這里我們只與上述的堆積面積圖進行對比，這里注意，geom_bar()默認的統計變換為count，即計算頻數，我們這里想展示真實數值需要將geom_bar()中的stat設置為'identity'，即不做任何變換：
library(ggplot2) library(reshape2) data <- data.frame(t(USPersonalExpenditure)) data$year <- row.names(data) data <- melt(data, id='year') p <- ggplot(data, aes(x=year,y=value))+ geom_bar(aes(fill=factor(variable)),stat = 'identity')+ labs(title='消費水平')+ theme(plot.title=element_text(hjust=0.5)) p
可以看出這時我們的堆疊條形圖便而可以看作離散的堆積面積圖；
2.4 bin2d()
二維熱圖也是一種非常實用的圖像，我們可以用來一覽數據的某兩個變量上的指標分布情況：
library(ggplot2) d <- ggplot(diamonds, aes(x, y))+ geom_bin2d()+ labs(title='鑽石長寬分布')+ theme(plot.title=element_text(hjust=0.5)) d
我們還可以利用bin2d()來直觀的了解數據集的缺失情況：
library(ggplot2) library(reshape2) #載入數據 data <- airquality #統計缺失值位置並保存為矩陣 na.count <- is.na(data[,-6]) #用1表示缺失，0表示未缺失 na.count[na.count == T] <- 1 na.count[na.count == F] <- 0 #將Day按列與na.count拼接並轉為數據框 na.count <- data.frame(cbind(na.count,data[,6])) names(na.count) <- names(airquality) #利用melt以Day為b na.count <- melt(na.count,id='Day') #繪制數據集缺失情況概括圖，以變量名為分面依據 p <- ggplot(na.count,aes(x=Day,y=value))+ geom_bin2d()+ facet_grid(facets = .~variable) p
2.5 density()與density2d()
很多時候當我們獲取的數據集樣本數量足夠時，通常我們可以繪制密度估計圖來大致描述數據集數據的分布，ggplot2中當然提供了這類方法，我們先從一維的說起：
geom_density()：
和R基本繪圖系統中的密度曲線繪制方法很接近：
library(ggplot2) data <- data.frame(matrix(rnorm(200),nrow=100)) v <- ggplot(data, aes(x=X1))+ geom_density(alpha=0.3,fill='springgreen',colour='springgreen') v
geom_density2d()：
和density()類似，只是我們可以通過density2d來繪制二維變量的概率密度分布：
v <- ggplot(data, aes(X1, X2))+ geom_point()+ stat_density2d(aes(colour=..level..)) v
也可以不繪制等高線，將..density..作為fill的傳入參數，注意這里一定要設置contour為F：
# 密度圖函數,通過fill設置填充顏色數據為密度，geom設置繪制柵格圖 p <- ggplot(data, aes(x = X1, y = X2)) + stat_density2d(aes(fill = ..density..), geom = "raster", contour = F) p
或是在透明度alpha上動手腳：
# 密度圖函數：alpha設置填充透明度數據為密度，geom設置繪制柵格圖 p <- ggplot(data, aes(x = X1, y = X2)) + geom_point() + stat_density2d(aes(alpha = ..density..), geom = "raster", contour = FALSE) p
2.6 boxplot()
在統計學描述數據分布的圖形中，箱線圖是非常有代表性的，它通過圖形表現五數概括的情況，在數據基本的描述性統計中具有重要意義，而ggplot2中必然可以繪制箱線圖，而且可以繪制得非常精美，下面先看一個最朴素的分組箱線圖形式：
p <- ggplot(mpg, aes(class, hwy)) + geom_boxplot() p
我們為其賦以分組依據以配上顏色：
p <- ggplot(mpg, aes(class, hwy, fill=factor(class))) p + geom_boxplot()
為我們的填充設置透明度，並將邊框也賦以對應的顏色：
p <- ggplot(mpg, aes(class, hwy, fill=factor(class), colour=factor(class)))+ geom_boxplot(alpha=0.55) p
還可以將散點圖與箱線圖結合起來（這里施加jitter隨機擾動以組織樣本點重合）：
p <- ggplot(mpg, aes(class, hwy, fill=factor(class), colour=factor(class)))+ geom_boxplot(alpha=0.55)+ geom_point(position = 'jitter') p
2.7 histogram()
關於直方圖，因為前面也說過，這里就舉幾個由朴素的直方圖擴展開的示例：
library(ggplot2) p <- ggplot(diamonds, aes(carat)) + geom_histogram() p
p <- ggplot(diamonds, aes(carat,fill=cut)) +
geom_histogram()
p
p <- ggplot(diamonds, aes(carat, fill=cut)) + geom_histogram()+ facet_grid(facets = .~cut) p
2.8 curve()與segment()
有時候我們需要在已繪制的圖形中添加線段、曲線、小箭頭之類的注解，這時候就可以用到ggplot2中的geom_curve()與geom_segment()，他們的主要參數類似，需要在aes()中定義起點坐標x、y，以及終點坐標xend、yend，如需要線段或曲線上帶有小箭頭，則額外定義參數arrow即可，箭頭方向由之前的起點終點決定：
data <- data.frame(x=c(1,2,3,4),y=c(1,2,3,4)) p <- ggplot(data,aes(x,y))+ geom_point() p p + geom_curve(data=data,aes(x=x[1],y=y[1],xend=x[4],yend=y[4],colour='曲線'))
在原有圖形基礎上添加線段並帶上小箭頭：
p + geom_curve(data=data,aes(x=x[1],y=y[1],xend=x[4],yend=y[4],colour='曲線'))+ geom_segment(data=data,aes(x=x[2],y=y[2],xend=x[3],yend=y[3],colour='直線'), arrow = arrow(length = unit(0.02, 'npc')))
2.9 text()與label()
有些時候我們需要在已繪制的圖形上添加文本類標簽，這種時候就需要用到text()和label()了，下面以不同的示例來說明其常見用法：
用對應每一個樣本的文本標簽代替散點：
p <- ggplot(mtcars, aes(wt, mpg, label = rownames(mtcars)))
p + geom_text()
對出現標簽遮擋的情況進行抹除（不建議使用）：
p + geom_text(check_overlap = TRUE)
使用別致的標簽：
p + geom_label()
改變文本標簽的大小：
p + geom_text(size = 10)
調整文字標簽位置：
p + geom_point() + geom_text(hjust = 0, nudge_x = 0.05)
調整文字標簽位置：
p + geom_point() + geom_text(vjust = 0, nudge_y = 0.5)
調整文本標簽位置：
p + geom_point() + geom_text(angle = 45)
更精致的標簽類型：
p + geom_label(aes(fill = factor(cyl)), colour = "white", fontface = "bold")
在圖床指定位置添加文本標簽：
df <- data.frame( x = c(1, 1, 2, 2, 1.5), y = c(1, 2, 1, 2, 1.5), text = c("bottom-left", "bottom-right", "top-left", "top-right", "center") ) ggplot(df, aes(x, y)) + geom_text(aes(label = text))
可以看出，落入四角的標簽因為其中心對應坐標點，導致部分內容伸出邊界，這里我們令vjust = "inward", hjust = "inward"使得它自適應的調整位置以顯示全部信息：
ggplot(df, aes(x, y)) + geom_text(aes(label = text), vjust = "inward", hjust = "inward")
2.10 violin()
小提琴圖是一種功能和箱線圖類似，但增加了核密度估計功能的圖形，且更為美觀，ggplot2可以繪制出與seaborn中的小提琴圖同樣優美的圖形，因為涉及的內容比較復雜，我准備在之后單獨開一篇來介紹，下面僅展示一張簡單的小提琴圖：
library(ggplot2) data <- mtcars p <- ggplot(data, aes(factor(cyl), mpg))+ geom_violin(aes(fill = cyl,colour=cyl)) p
以上就是ggplot2中常規圖形的簡單介紹，其中比較重要且比較復雜的幾種將會在之后單獨開文章詳細介紹，如有筆誤，望指出。