使用ggplot2進行高級繪圖--分組
為了理解數據，在一個圖中畫出兩個或更多組的觀察值通常是很有幫助的。在R中，組通常用分類變量的水平（因子）來定義。分組是通過ggplot2圖將一個或多個帶有諸如形狀、顏色、填充、尺寸和線類型的視覺特征的分組變量來完成的。ggplot()聲明中的aes()函數負責分配變量（圖形的視覺特征），所以這是一個分配分組變量的自然的地方。
用分組來探討Salaries數據集。數據框包含的信息是在2008~2009學年大學教授的薪水。變量包括rank（助理教授、副教授、教授）、sex（女性、男性）、yrs.since.phd（獲得博士學位年數）、yrs.service（工齡）和salary（以美元計的九個月薪水）。
首先查看薪水是如何隨學術等級變化的。代碼：
data(Salaries, package="car")
library(ggplot2)
ggplot(data=Salaries, aes(x=salary, fill=rank)) +
geom_density(alpha=.3)
結果分析：在同一幅圖中畫出了三條密度曲線（每條曲線代表一個學術等級）並用不同的顏色來區分。填充的設置有些透明度（alpha），使重疊曲線不掩蓋彼此。顏色也相互結合來提高加入地區的可視化。薪水隨着等級的增長而增長，但是重疊比較明顯，比如一些助理教授與副教授或教授的薪水相同。隨着學術等級的增長，薪水的范圍也在擴大。對於教授而言尤其如此，他們的收入差距很大。把這三個分布放在同一幅圖上方便了組間的比較。
接下來，我們通過性別和學術等級分組，繪制獲得博士學位年數與薪水的關系：
ggplot(Salaries, aes(x=yrs.since.phd, y=salary, color=rank,
shape=sex)) + geom_point()
結果分析：學術等級用點的顏色來表示（紅色代表助理教授，綠色代表副教授，藍色代表教授）。性別用點的形狀來表示（圓形代表女性，三角形代表男性）。從圖中可以看出，薪水隨着畢業年數的增加而增加，但是它們之間的關系絕對不是線性的。
你可以用一個分組的條形圖按學術等級和性別來可視化教授的人數：
ggplot(Salaries, aes(x=rank, fill=sex)) +
geom_bar(position="stack") + labs(title='position="stack"')
ggplot(Salaries, aes(x=rank, fill=sex)) +
geom_bar(position="dodge") + labs(title='position="dodge"')
ggplot(Salaries, aes(x=rank, fill=sex)) +
geom_bar(position="fill") + labs(title='position="fill"')
結果分析：從前兩個圖中可以明顯看出教授的人數大於其他學術等級的人數。除此之外，女性教授的人數比女性助理教授和副教授的人數要多。第三個圖表示即使女性的總數更大，但是女性教授在教授中的比重遠遠小於其他兩組。
使用ggplot2進行高級繪圖--添加光滑曲線
我們可以使用geom_smooth()函數來添加一系列的平滑曲線和和置信區域。函數的參數參見下表。
geom_smooth()函數
使用Salaries數據集，我們先檢驗博士畢業年數和薪水之間的關系。在這個例子中，我們可以使用帶有95%置信區間的非參數光滑曲線（loess）。暫時忽略性別和學術等級。代碼如下：
library(ggplot2)
ggplot(data=Salaries, aes(x=yrs.since.phd, y=salary)) +
geom_smooth() + geom_point()
結果分析：圖形顯示經驗和薪水之間不是線性的關系，至少在畢業時間很長的時候是這樣。
按性別擬合一個二次多項式回歸（一個彎曲）：
ggplot(data=Salaries, aes(x=yrs.since.phd, y=salary,
linetype=sex, shape=sex, color=sex)) +
geom_smooth(method=lm, formula=y~poly(x,2),
se=FALSE, size=1) +
geom_point(size=2)
結果分析：置信界限被抑制（se=FALSE）來簡化圖。性別由顏色、符號形狀和線條類型來區分。對男性來說，曲線從0增加至約30年然后下降。對女性來說，擬合曲線從0到40年一直呈上升趨勢。在數據集中沒有女性獲得博士學位超過40年。對於數據集中的大部分范圍，男性能拿到更高的薪水。