ggplot2 图层元素
1. 数据（data）：将要可视化的数据
2. 映射（aes）：数据中的变量值 一般是X\Y
3. 几何对象（geom）：如 bar 条形图，point 散点图
4. 统计变换（stats）：对数据进行计算
5. 标度（scale）：变量以什么形状、颜色映射到图形上
6. 分面（facet）：将数据拆开，进行分层画图
7. 图层（Layer）：数据、映射、几何对象、统计变换等构成一个图层。图层可以允许用户一步步的构建图形，方便单独对图层进行修改。
8.主题（theme）：主题设定，与数据无关的图层可以通过这个函数实现。
9. 注释(annotate): 对图形增加文字类的注释
ggplot （）图层
ggplot （）图层包括数据和映射。ggplot 函数相当于一幅基本的画布，画
者在上面绘制好坐标轴，设置好基本的格局和色彩、线条。
geom_XXX （） 图层
geom_XXX（） 指的是我们要绘制的图形类型，常见包括以下：
geom_point（）绘制散点图
geom_bar（）绘制条形图
geom_line（）绘制线图
geom_histogram（）绘制直方图
geom_boxplot（）绘制箱式图
geom_density（）绘制概率密度函数
scale_ XXX 图层
scale_ XXX 标度是一种函数，size 对大小进行调整， shape 对形状进行调整，
fill、col对颜色进行调整，可根据自己喜好调整
ggplot(data =数据, aes(x =变量1 , y = 变量 2,col=变量3)) +
geom_point(stat ='count'，position=”dodge”)+ #计数、并排
scale_fill_manual(values = c("颜色1","颜色2"))
facet_grid() 图层
facet_grid(...) 对图层进行分面，数据分成多个子集进行绘图
ggplot(data =数据, aes(x =变量 1 , y = 变量2,col=变量3)) +
geom_point(stat = 'count'，position=”dodge”)+
scale_colour_manual(values = c("颜色1","颜色2"))+
facet_grid(变量 4~变量5) #要求变量属于分类变量，分成多行多列的图
theme() 图层
theme() 是主题修改，是一个对绘图精雕细琢的过程, 主要对标题、坐标轴
标签、图例标签等文字调整, 以及网格线、背景、轴的颜色搭配。
theme(plot.title = element_text(size = , color =, hjust =, face = ))
ggplot2 的作图一般步骤为：
1、 准备数据，一般为数据框，且一般为长表，即每个观测时间占一行，每个观
测变量占一列。
2、载入 R 包，R 包括可以通过 tidyverse包整体载入。
3、 将数据输入到ggplot()函数中，并指定参与作图的每个变量分别 映射到哪些
图形特性， 比如映射为 x 坐标、y 坐标、 颜色、 形状等。 这些映射称为aesthetic
mappings 或 aesthetics。
很多人不明白所谓的 映射。其实映射，通俗来讲，就是告诉软件，这幅图所
涉及到的变量， 并且指出每个变量的用途。 比如， x=gender， 指的是x 轴是性别；
y=age，指的是 y 轴表示年龄大小，shape=location，指的是不同地区图标的形状
不一样（比如城市用星号，农村用三角）
4、选择一个合适的图形类型，函数名以 geom_开头，如 geom_point()表示散点
图。图形类型简称为 geom。将ggplot()部分与 geom_xxx()部分用加号连接。
到此已经可以作图，下面的步骤是进一步的细化设定。
5、设定适当的坐标系统， 如coord_cartesian(), scale_x_log10()等。 仍用加号连接。
6、设定标题和图例位置等，如 labs()。仍用加号连接。
这个流程的一个大致的模板为：
p <-ggplot(data=<输入数据框>,
mapping=aes(<维度>=<变量名>,
<维度>=<变量名>, <...>))
p +geom_<图形类型>(<...>)+
scale_<映射>_<类型>(<...>) +
coord_<类型>(<...>)+
labs(<...>)
其中<...>表示额外的选项。变量 p 包含做出的图形的所有数据与设定，变量
名可以任意取。
网上找了网友分享的学习笔记，我照着他的代码跑了一遍：https://blog.csdn.net/wzgl__wh/article/details/51901093
其中data=mpg,mapping = aes(x=cty,y=hwy)表示数据层，geom_point()表示几何图形层,aes(colour=factor(mpg$year))表示美学图层。我将year映射为映射到颜色属性。 我们也可以绘制出它的拟合曲线以及置信区间，它根据年份绘出了两条拟合曲线以及置信区间。 > ggplot(data=mpg,mapping = aes(x=cty,y=hwy))+geom_point()+aes(colour=factor(mpg$year))+stat_smooth() 只想绘制一条拟合曲线和一个置信区间，我们只需要将代码稍微改变一下就可以搞定。 > ggplot(data=mpg,mapping = aes(x=cty,y=hwy))+geom_point(aes(colour=factor(mpg$year)))+stat_smooth() 现在将displ变量映射到散点大小，绘制出来的大小不同的散点。 > ggplot(data=mpg,mapping =aes(x=cty,y=hwy))+ + geom_point(aes(colour=factor(year),size=displ))+ + stat_smooth() 使用过Photoshop的人一定知道透明度，即alpha。当然我们的ggplot2包也可以改变alpha值得大小来改变散点的透明度。alpha的值在0—1之间，不在这个范围的话则会报错。为了与前面的图片有明显的区别，我们再这里的alpha值调的比较小。一般默认alpha值得大小为1。 > ggplot(data=mpg,mapping = aes(x=cty,y=hwy))+ + geom_point(aes(colour=factor(mpg$year),size=displ),alpha=0.25)+ + stat_smooth() 也可以给图片增加标题，并精细修改图片，给图片增加x,y轴说明，以及其他说明。 ggplot(mpg, aes(x=cty, y=hwy))+ geom_point(aes(colour=class,size=displ),alpha=0.6,position = "jitter")+ stat_smooth()+ scale_size_continuous(range = c(4, 10))+ facet_wrap(~ year,ncol=1)+ ggtitle("汽车油耗与型号")+ labs(y='每加仑高速公路行驶距离', x='每加仑城市公路行驶距离')+ guides(size=guide_legend(title='排量'), colour = guide_legend(title='车型', override.aes=list(size=5))) 我们可以把不同的图层叠加在一起，这样就画在了同一张图上面。比如说我们要研究mpg数据中cty和hwy，以及displ之间的关系，我们就可以通过如下代码，将他们之间的散点图画在一起。 ggplot()+ geom_point(aes(x=mpg$cty,y=mpg$hwy),color="red")+ geom_point(aes(x=mpg$cty,y=mpg$displ),color="green") 接下来，我们来绘制一个扇形图，我们来统计一下class中各个品牌所占比例，代码和图片如下： ggplot(mpg)+geom_bar(width=1, aes(x=factor(1),fill=mpg$class))+ coord_polar(theta="y") 也可以通过使用ggplot2包来绘制 Coxcomb Plots （鸡冠花图，又名玫瑰图），这个也非常简单。width的值可以调整各个扇形区域之间的距离。 ggplot(mpg, aes(x= factor(mpg$class))) + geom_bar(width=0.7,aes(color=factor(mpg$class))) + coord_polar() 也可以给他增添颜色，代码只要稍微改一下： ggplot(mpg, aes(x= factor(mpg$class),fill=mpg$class)) + geom_bar(width=0.7) + coord_polar() 这样跑下来加深了对于开始说的ggplot2 的作图步骤的理解。
