1.6.3 度量调整

度量用于控制变量映射到视觉对象的具体细节，比如：X轴和Y轴、alpha（透明度）、colour（轮廓色、）fill（填充颜色）、linetype（线形状）、shape（形状）等，它们都有相应的度量函数，如表1-6-3所示。根据视觉通道映射的变量属性，将度量调整函数分成数值型和类别型两大类。R ggplot2的默认度量为scale_×××_identity()。需要注意的是：scale_*_manual()表示手动自定义离散的度量，包括colour、fill、alpha、linetype、shape和size等视觉通道映射参数。

表1-6-3 ggplot2常见度量调整函数

在表1-6-3中，X轴和Y轴度量是控制坐标轴的间隔与标签的显示等信息，会在1.6.4节时再进行详细介绍。颜色作为数据可视化中尤为重要的部分，colour和fill会在1.7节时再进行详细介绍。在实际的图表绘制中，我们很少使用，因为这很难观察到透明度的映射变化。每个度量调整函数的具体参数可以使用RStudio的“help”界面或者查看ggplot2的官方手册。

图1-6-9为散点图不同度量的调整效果，图1-6-9(a)是将数值离散型变量age映射到气泡的大小（size），再使用scale_size(range=c(a, b))调整了散点大小（size）的度量，range表示视觉通道映射变量转化后气泡面积的映射显示范围。图1-6-9(b)是在图1-6-9(a)的基础上添加了颜色的映射，使用scale_fill_distiller(palette="Reds")函数将数值离散型变量age映射到红色渐变颜色条，其中，direction= 0表示颜色是从浅到深渐变的（注意：需要加载RColorBrewer包，才能使用“Reds”颜色主题）。图1-6-9(c)是将类别离散型类别变量Class映射到不同的填充颜色（fill）和形状（shape），使用scale_*_manual()手动自定义fill和shape的度量。图1-6-9(d)是将数值离散型变量age和类别离散型变量Class分别映射到散点的大小（size）和填充颜色（fill），然后scale_size()和scale_fill_manual()分别调整气泡大小（size）的映射范围与填充颜色（fill）的颜色数值。

图1-6-9 不同的度量调整效果

关键是，要学会合理地使用视觉通道映射参数，并调整合适的度量。可视化最基本的形式就是简单地把数据映射成彩色图形。它的工作原理就是大脑倾向于寻找模式，你可以在图形和它所代表的数字间来回切换。1985年，AT&T贝尔实验室的统计学家威廉·克利夫兰（William Cleveland）和罗伯特·麦吉尔（Robert McGill）发表了关于图形感知和方法的论文[18]。研究焦点是确定人们理解上述视觉暗示（不包括形状）的精确程度，最终得出如图1-6-10所示的数值型数据使用不同视觉暗示的精确程度排序。

图1-6-10 克利夫兰和麦吉尔的视觉暗示排序[18]

我们能用到的视觉暗示通常有长度、面积、体积、角度、弧度、位置、方向、形状和颜色（色相和饱和度）。所以正确地选择哪些视觉暗示就取决于你对形状、颜色、大小的理解，以及数据本身和目标。不同的图表类型应该使用不同的视觉暗示，合理的视觉暗示组合能更好地促进读者理解图表的数据信息。如图1-6-11所示，相同的数据系列采用不同的视觉暗示的组合共有6种，分析结果如表1-6-4所示。

表1-6-4 图1-6-11系列图表的视觉暗示组合分析结果

图1-6-11 不同视觉暗示的组合结果

根据表1-6-4可知，图1-6-11 (f)是最优的视觉暗示组合结果，既能保证很容易区分数据系列，也保证图表很美观，同时也适应于彩色与黑白两种印刷方式。当图1-6-11(f)采用黑白印刷时，色相视觉暗示会消除，只保留位置+方向+形状，如图1-6-11(c)所示，但是这样也能容易区分数据系列，保证读者正确、快速地理解数据信息。表1v6-5展示了图1-6-11系列图表的视觉暗示组合代码与说明。

表1-6-5 图1-6-11系列图表的视觉暗示组合代码与说明

在表1-6-5中，我们需要重点理解fill、color、size、shape等视觉通道映射参数的具体位置，何时应该在aes()内部，何时应该在aes()外部的区别。

●当我们指定的视觉通道映射参数需要进行个性化映射时（即一一映射），应该写在aes()函数内部，即每一个观测值都会按照我们指定的特定变量值进行个性化设定。典型情况是需要添加一个维度，将这个维度按照颜色、大小、线条等方式针对维度向量中每一个记录值进行一一设定。

●当我们需要统一设定某些图表元素对象（共性，统一化）时，此时应该将其参数指定在aes()函数外部，即所有观测值都会按照统一属性进行映射，例如size=5, linetype="dash"，color="blue"。典型情况是需要统一所有点的大小、颜色、形状、透明度，或者线条的颜色、粗细、形状等。这种情况下不会消耗我们数据源中的任何一个维度或者度量指标，仅仅是对已经呈现出来的图形元素的外观属性做了统一设定。