關於ggplot2的語法基礎- 圖層
首先繪製一張最簡單的統計圖：
qplot(displ, hwy, data = mpg, colour = factor(cyl))
量化：
在R中繪圖時，我們往往用下表的格式來存儲數據：
但是，這種格式對於計算機來說是毫無意義的。我們需要將數據單元（如，單位耗油量、氣缸數）轉化成計算機可以顯示的物理單元（如，像素，顏色）。這個過程就被稱作量化。但是，對於計算機而言有意義的數據我們又不一定能理解：顏色用四位十六進制數來表示，數字代表大小，整數代表一種形狀。
在這一例中，我們有三個需要被量化的外觀參數：水平位置（x），垂直位置（y）以及顏色。在這一例子中，對於位置的量化比較簡單，因爲我們用的是默認的線性量表。我們只需要將數據線性映射到0到1的範圍內即可。這裏我們用0到1的範圍而不是實際的像素值，因爲ggplot2應用的grid繪圖體系會自動完成後續的轉化。最後要將x與y結合從而定位數據點，這一步由座標系統（coord）完成。大多數情況下會採用笛卡爾座標系，但有時也會用到極座標系，繪製地圖時會用到球形投影。
顏色的添加過程更加複雜一些，因爲結果是非數值型的。然而，與人眼對於顏色的識別機制類似，計算機對顏色的編碼也由三部分構成，這三部分構成一個三維的顏色空間。量化顏色也就轉化爲了找到特定顏色在該空間所對應的點。實現這一過程的方法有很多種，但是由於cyl是一個離散變量，我們可以在顏色空間上均勻的找到點來表示這些顏色，結果如下圖所示。對於連續變量的轉化與此並不相同。
上表所示的數據是計算機可以識別的。我們也將轉化過的外觀參數添加了上去。這樣每一個點都已經被很好地定義過，R就可以將他們一一畫下來了。
最後，我們就可以用這些元素畫出想要的圖形了。一個完整的圖形往往包含以下幾部分：點所代表的數據，量表以及座標系和附註。量表和座標系繪製座標軸以及圖例，這樣我們就可以從圖中讀出參數。附註添加圖的名稱和一些背景信息。
更復雜的圖形：
瞭解了簡單模型以後，下面我們看看稍微複雜一點的情況吧。下面的圖形在一開始的基礎上添加了新的元素：分面，多個圖層以及統計數據。分面和圖層擴展了上面提到的數據結構：每一個分面的每一個圖層都有屬於自己的數據集。你可以將它想象成是一個三維的數組：分面構成了二維平面，然後圖層給予其在新的維度上的擴展。在這個例子中，不同圖層上的數據是一樣的，但是從理論上來講，不同的圖層中可以有不同的數據。
qplot(displ, hwy, data=mpg, facets = . ~ year) + geom_smooth()
下表是每個分面上的幾行數據：
平滑圖層與散點圖圖層的不同之處在於它不顯示原始的數據，而是給出了統計方法處理過後的結果。而且，平滑圖層會給出擬合的平滑曲線，這要求額外的步驟：在被轉化成其對應的外觀參數之後，數據將會由stat進行統計轉化，對其進行一些非常有用的處理。在本例中，stat對數據進行loess平滑處理，並返回在自變量範圍內的預測值。（其他有用的統計轉化：1 and 2d binning, group means, quantile regression and contouring）
除了需要更多的步驟對數據進行處理，我們也需要一些額外的步驟對量表進行處理。因爲我們現在有多個數據集（不同的分面，不同的圖層），我們需要保證個數據集間的量表保持一致。量化的過程分爲三步：轉換，訓練和對應。我們之前沒有提到過轉換，但是在做log-log圖時有用到過。在log-log圖中，數據與座標並不是線性對應的，而是要先經過對數轉換。
量化在統計之前，因此stat是對量化後的數據進行的處理。這樣可以保證在線性座標系中log(x) vs. log(y)與對數座標系中x vs. y的一致性。還有很多其他的轉換可供選擇：如平方根轉換，對數轉換和倒數轉換。
統計過後，量表會在所有的圖層和分面上進行調整。調整過程結合所有數據集以獲得最終的取值範圍。沒有這一步，量表只對局部的數據有意義，而且由於無法對應，我們不能疊加不同的圖層。有時，不同分面之間的量表可能不需要調整（但不同圖層間必須調整）。
最後，量表與數據一一對應。這是一個局部過程：他們形成一個新的數據集。
流程示意圖：
