关于ggplot2的语法基础- 图层
首先绘制一张最简单的统计图：
qplot(displ, hwy, data = mpg, colour = factor(cyl))
量化：
在R中绘图时，我们往往用下表的格式来存储数据：
但是，这种格式对于计算机来说是毫无意义的。我们需要将数据单元（如，单位耗油量、气缸数）转化成计算机可以显示的物理单元（如，像素，颜色）。这个过程就被称作量化。但是，对于计算机而言有意义的数据我们又不一定能理解：颜色用四位十六进制数来表示，数字代表大小，整数代表一种形状。
在这一例中，我们有三个需要被量化的外观参数：水平位置（x），垂直位置（y）以及颜色。在这一例子中，对于位置的量化比较简单，因为我们用的是默认的线性量表。我们只需要将数据线性映射到0到1的范围内即可。这里我们用0到1的范围而不是实际的像素值，因为ggplot2应用的grid绘图体系会自动完成后续的转化。最后要将x与y结合从而定位数据点，这一步由座标系统（coord）完成。大多数情况下会采用笛卡尔座标系，但有时也会用到极座标系，绘制地图时会用到球形投影。
颜色的添加过程更加复杂一些，因为结果是非数值型的。然而，与人眼对于颜色的识别机制类似，计算机对颜色的编码也由三部分构成，这三部分构成一个三维的颜色空间。量化颜色也就转化为了找到特定颜色在该空间所对应的点。实现这一过程的方法有很多种，但是由于cyl是一个离散变量，我们可以在颜色空间上均匀的找到点来表示这些颜色，结果如下图所示。对于连续变量的转化与此并不相同。
上表所示的数据是计算机可以识别的。我们也将转化过的外观参数添加了上去。这样每一个点都已经被很好地定义过，R就可以将他们一一画下来了。
最后，我们就可以用这些元素画出想要的图形了。一个完整的图形往往包含以下几部分：点所代表的数据，量表以及座标系和附注。量表和座标系绘制座标轴以及图例，这样我们就可以从图中读出参数。附注添加图的名称和一些背景信息。
更复杂的图形：
了解了简单模型以后，下面我们看看稍微复杂一点的情况吧。下面的图形在一开始的基础上添加了新的元素：分面，多个图层以及统计数据。分面和图层扩展了上面提到的数据结构：每一个分面的每一个图层都有属于自己的数据集。你可以将它想象成是一个三维的数组：分面构成了二维平面，然后图层给予其在新的维度上的扩展。在这个例子中，不同图层上的数据是一样的，但是从理论上来讲，不同的图层中可以有不同的数据。
qplot(displ, hwy, data=mpg, facets = . ~ year) + geom_smooth()
下表是每个分面上的几行数据：
平滑图层与散点图图层的不同之处在于它不显示原始的数据，而是给出了统计方法处理过后的结果。而且，平滑图层会给出拟合的平滑曲线，这要求额外的步骤：在被转化成其对应的外观参数之后，数据将会由stat进行统计转化，对其进行一些非常有用的处理。在本例中，stat对数据进行loess平滑处理，并返回在自变量范围内的预测值。（其他有用的统计转化：1 and 2d binning, group means, quantile regression and contouring）
除了需要更多的步骤对数据进行处理，我们也需要一些额外的步骤对量表进行处理。因为我们现在有多个数据集（不同的分面，不同的图层），我们需要保证个数据集间的量表保持一致。量化的过程分为三步：转换，训练和对应。我们之前没有提到过转换，但是在做log-log图时有用到过。在log-log图中，数据与座标并不是线性对应的，而是要先经过对数转换。
量化在统计之前，因此stat是对量化后的数据进行的处理。这样可以保证在线性座标系中log(x) vs. log(y)与对数座标系中x vs. y的一致性。还有很多其他的转换可供选择：如平方根转换，对数转换和倒数转换。
统计过后，量表会在所有的图层和分面上进行调整。调整过程结合所有数据集以获得最终的取值范围。没有这一步，量表只对局部的数据有意义，而且由于无法对应，我们不能叠加不同的图层。有时，不同分面之间的量表可能不需要调整（但不同图层间必须调整）。
最后，量表与数据一一对应。这是一个局部过程：他们形成一个新的数据集。
流程示意图：
