企业官网建设流程全解析

1. 项目概述：这不是一份“R绘图教程”，而是一份R用户真实困惑的解剖报告

你有没有在深夜调试ggplot2图层时，盯着scale_x_continuous(breaks = ...)发呆，心里默念“这breaks到底要传向量还是函数”？有没有把theme()参数翻了三遍，却依然搞不清panel.grid.major.x和panel.grid.minor.y谁管横线、谁管竖线？有没有在Stack Overflow上搜“R plot legend position outside”，点开前十个答案，发现每个都用不同方法——legend(),guides(),theme(legend.position),cowplot::plot_grid()，最后反而更懵了？这些不是“小白问题”，而是所有R用户——从刚学plot(1:10)的本科生，到用geom_sf()画省级行政区划热力图的数据科学家——都会反复撞上的墙。“15 Questions All R Users Have About Plots”这个标题，表面看是问答集，实则是一张R可视化生态系统的“痛点地图”。它不教你怎么画出漂亮的图，而是直击那些被官方文档轻描淡写、被教程刻意绕过、但每天都在消耗你生产力的真实卡点：为什么par(mfrow = c(2,2))和patchwork::wrap_plots()行为不一致？为什么ggsave()导出的PDF文字模糊得像打了马赛克？为什么facet_wrap(~group)分面后，各子图y轴刻度自动缩放，导致根本没法横向比较数值大小？这些问题背后，是R绘图体系中base graphics、grid、lattice、ggplot2四大范式长期并存带来的底层逻辑割裂；是S3泛型函数在plot(),lines(),points()之间隐式传递图形参数时留下的“魔法黑箱”；更是R社区对“默认行为”的集体妥协与历史包袱。这篇文章，就是帮你把这张地图摊开、标出坐标、注明海拔、画出逃生路线。它不承诺让你成为R绘图大师，但能确保下次遇到Error in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : polygon edge not found时，你第一反应不是关掉RStudio重来，而是打开R控制台，敲下traceback()，然后精准定位到是哪个element_text()的margin参数超出了可用空间。适合谁？适合所有在R里画过图、被坑过、想少踩点坑的人。无论你用plot(),qplot(), 还是ggplot() + geom_col() + scale_fill_viridis()，只要你的图还没达到“所见即所得”的稳定状态，这篇就是为你写的。

2. 核心问题拆解与底层逻辑还原：为什么这15个问题会存在？

2.1 问题根源一：R绘图的“四层楼”架构与权限错位

R的绘图能力不是单一系统，而是由四套独立发展、接口不兼容的框架堆叠而成，我把它比喻成一栋没有统一物业的老旧公寓楼：

• 一楼：Base Graphics（基础绘图）
  这是R最原始的绘图引擎，核心是plot(),lines(),points(),text()等函数。它的设计哲学是“命令式”——你下一条指令，它就画一笔。par()函数是它的总控开关，管理着全局图形参数：mfrow控制多图布局，cex控制字体缩放，col控制颜色。问题在于，par()的设置是全局且持久的——你在第一个图里设了par(mar = c(5,4,4,2)+0.1)，这个边距会一直影响后续所有图，除非你手动重置。这就像一楼住户装了个总水阀，他一开水，整栋楼的水压都变了，二楼住户想调自己家水龙头，得先去一楼拧总阀。

• 二楼：Grid Graphics（网格绘图）
  这是R底层的绘图引擎，base graphics和ggplot2都建在它之上。grid包提供了更精细的控制：viewport()定义绘图区域，“grob”（grid graphic object）是图形对象的基本单元。grid.text(),grid.rect()等函数直接操作grob。它的优势是精确，劣势是繁琐——画一个带标题的散点图，你需要手动创建viewport、添加文本grob、添加点grob、再添加坐标轴grob。grid本身不提供高级绘图函数，它只提供砖块，不提供图纸。

• 三楼：Lattice（晶格绘图）
  lattice包（xyplot(),bwplot()等）是为多变量、分组数据设计的，核心思想是“条件绘图”——xyplot(y ~ x | group)自动按group分面，并保证各面板坐标轴尺度一致。它用trellis对象封装了整个绘图逻辑，update()函数可修改已有图形。但它的语法和base/ggplot2差异巨大，学习成本高，且社区支持日渐萎缩。

• 四楼：Ggplot2（语法绘图）
  ggplot2是目前最主流的绘图系统，基于Wilkinson的《Grammar of Graphics》理论。它把图分解为数据层（data）、几何对象层（geom_*）、映射层（aes()）、统计变换层（stat_*）、坐标系层（coord_*）、分面层（facet_*）和主题层（theme()）。它的强大在于“声明式”——你描述“我要什么”，而不是“怎么做”。但这也带来了新问题：theme()里的几百个参数，哪些是真正影响外观的？scale_*和guides()在控制图例时，谁有最终解释权？facet_wrap()和facet_grid()在处理空因子水平时，行为为何天差地别？

这四层楼之间没有电梯，只有消防梯（gridBase包勉强能桥接base和grid），导致用户经常在不同楼层间迷路。比如，你想给一个ggplot2图加一个base graphics风格的箭头标注，就得用grid::grid.lines()，但必须先用grid::grid.grabExpr()捕获ggplot的grob，再用grid::grid.draw()绘制——这已经不是“画图”，是在做图形考古。

2.2 问题根源二：S3泛型函数的“静默继承”陷阱

R的S3系统让plot()成为一个泛型函数：plot(x)会根据x的class属性，自动调用plot.data.frame(),plot.ts(),plot.lm()等具体方法。这很智能，但也埋下隐患。例如，plot(lm(y ~ x))会自动生成4张诊断图，这是plot.lm()的默认行为。但如果你只想画残差图，plot(lm(y ~ x), which = 1)就能指定。问题在于，which参数只对lm对象有效，对data.frame对象无效——plot(df, which = 1)会报错。这种“方法专属参数”的存在，意味着你永远无法只靠记住plot()的通用参数列表来应对所有情况，必须查具体类的文档。更麻烦的是，很多参数名在不同方法中含义不同。main在plot.default()里是主标题，在plot.ts()里却是时间序列的标题，而在plot.lm()里，它甚至可能被忽略，因为诊断图有自己的标题逻辑。这种“同名异义”是R用户提问“为什么main没生效”的高频原因。

2.3 问题根源三：设备驱动（Device Driver）的“隐形手”

R绘图的最终输出，依赖于“图形设备”。png(),pdf(),svg(),cairo_pdf()等函数开启设备，dev.off()关闭。设备类型决定了输出质量、字体渲染、透明度支持等。pdf()设备使用Type 1字体，对中文支持极差，常出现方框；cairo_pdf()用Cairo库渲染，支持TrueType，中文正常。但ggsave()默认用pdf()，这就导致很多人导出PDF后发现中文全变问号，却不知道该换设备。另一个经典陷阱是png()的res（分辨率）参数：res = 300意味着每英寸300像素，但如果你设了width = 8, height = 6, units = "in"，那最终图像是2400×1800像素；如果units = "cm"，width = 8就约等于3.15英寸，乘以300得到945像素。单位混淆是ggsave()导出图尺寸失控的元凶。设备还影响抗锯齿：png(type = "cairo")比png(type = "quartz")（macOS）或png(type = "windows")（Windows）的线条更平滑，但cairo需要系统安装libcairo2-dev库，否则报错。这些设备细节，官方文档往往一笔带过，用户只能靠试错。

2.4 问题根源四：坐标系（Coordinate System）的“扭曲现实”

coord_cartesian(),coord_flip(),coord_polar(),coord_map()这些函数，表面上只是“换个角度看图”，实则在数学层面重定义了数据到像素的映射关系。coord_cartesian(xlim = c(0, 100))是“放大镜”效果——它裁剪坐标轴显示范围，但不丢弃数据点；而scale_x_continuous(limits = c(0, 100))是“筛子”效果——它直接过滤掉x值不在[0,100]内的数据点。这两个操作在视觉上可能一样，但下游计算（如stat_summary()的均值计算）结果完全不同。coord_flip()把x轴变成y轴，y轴变成x轴，这会让geom_bar()的position = "dodge"行为异常，因为“躲避”逻辑是按原始x轴方向计算的。coord_polar()将笛卡尔坐标转为极坐标，geom_line()会画出螺旋，geom_polygon()会画出扇形，但geom_text()的hjust/vjust参数意义完全改变——在极坐标里，“左对齐”可能指向圆心。这些坐标系的数学变换，是R用户问“为什么我的图变形了”的深层原因，而非简单的代码写错。

3. 15个高频问题的逐个击破：从原理到实操

3.1 Q1：如何让图例（legend）显示在图外，且不挤压绘图区？

这是ggplot2用户的第一道坎。默认theme(legend.position = "right")会把图例塞进绘图区右侧，导致主图变窄。正确解法是分离图例与主图，再拼接。

原理：ggplot2的图例是guides()生成的grob，它和主图grob同属一个gtable。theme(legend.position = "none")只是隐藏，不删除；guides(fill = FALSE)是移除。真·图外图例，需用patchwork或cowplot包将主图和图例grob作为独立元素拼接。

实操步骤：

1. 创建主图，禁用内置图例：p <- ggplot(mtcars, aes(wt, mpg, color = factor(cyl))) + geom_point() + theme(legend.position = "none")
2. 提取图例grob：leg <- get_legend(p + guides(color = guide_legend()))
3. 用patchwork拼接：p + leg + plot_layout(widths = c(4, 1))。这里widths = c(4,1)表示主图占4份宽度，图例占1份，比例4:1。
4. 若用cowplot：plot_grid(p, leg, rel_widths = c(4,1), align = "h")

提示：get_legend()函数来自cowplot包，需library(cowplot)。patchwork的plot_layout()更灵活，支持heights、ncol等参数，是当前推荐方案。

避坑心得：不要用theme(legend.margin = margin(t = 0, r = -10, b = 0, l = 0))试图“挤出去”，这只会让图例部分被裁剪，且不同设备渲染效果不一。图例位置必须通过布局系统（layout system）控制，而非CSS式微调。

3.2 Q2：ggsave()导出的PDF中文全是方框，怎么解决？

原理：pdf()设备默认使用PostScript字体（Type 1），不支持Unicode，中文字符无对应字形，故显示为方框。解决方案是换用支持TrueType的设备，或嵌入中文字体。

实操步骤：

1. 首选方案（推荐）：用cairo_pdf()设备。ggsave("plot.pdf", plot = p, device = cairo_pdf)。cairo_pdf依赖系统Cairo库，Linux需sudo apt-get install libcairo2-dev，macOS用brew install cairo，Windows用户需安装Rtools并确保pkg-config可用。
2. 备选方案：用showtext包嵌入系统字体。library(showtext); showtext_auto(); ggsave("plot.pdf", plot = p)。showtext_auto()会自动捕获所有文本并用系统字体渲染。
3. 终极方案（跨平台稳定）：用svglite导出SVG，再用Inkscape或浏览器转PDF。ggsave("plot.svg", plot = p, device = svglite)，然后命令行inkscape -z -f plot.svg -A plot.pdf。

注意：cairo_pdf()在R 4.2+版本中已集成，无需额外安装cairoDevice包。若报错unable to load shared object 'cairo.so'，说明Cairo未正确安装。

实操心得：我在Ubuntu服务器上部署R Markdown报告时，曾因cairo_pdf缺失导致批量PDF导出失败。后来改用svglite+rsvg包（rsvg::rsvg_pdf("plot.svg", "plot.pdf")）彻底解决，rsvg纯R实现，无系统依赖，是生产环境首选。

3.3 Q3：多图排版（2x2）时，如何让所有子图共享同一个y轴标签（ylab）和标题（title）？

原理：facet_wrap()或facet_grid()生成的分面图，每个子图都有独立的坐标轴标签。共享标签需在facet之后，用theme()统一控制，或用patchwork将标题/标签作为独立元素添加。

实操步骤：

1. 用facet+theme()：p <- ggplot(mtcars, aes(wt, mpg)) + geom_point() + facet_wrap(~cyl) + theme(strip.background = element_blank(), strip.text = element_blank()) + ylab("MPG") + ggtitle("Car Weight vs MPG by Cylinders")。这里strip.text = element_blank()隐藏分面标题，ylab()和ggtitle()作用于整个图。
2. 用patchwork精准控制：p1 <- p + theme(legend.position = "none"); title <- plot_annotation(title = "Car Weight vs MPG by Cylinders", theme = theme(plot.title = element_text(hjust = 0.5))); p1 / (ylab("MPG") + plot_spacer()) + plot_layout(heights = c(1, 0.1))。plot_spacer()创建空白区域，/表示垂直拼接，heights控制标题和y轴标签高度。

提示：facet_wrap()的labeller参数可自定义分面标签，但无法移除y轴标签。共享标签必须在facet外部统一设置。

避坑心得：grid.arrange()（gridExtra包）的top参数可加标题，但它会破坏ggplot2的grob结构，导致ggsave()导出时标题位置偏移。patchwork是ggplot2原生兼容的布局方案，应作为默认选择。

3.4 Q4：geom_smooth()的置信区间（CI）带太宽/太窄，如何调整？

原理：geom_smooth()默认用method = "loess"（局部回归）或method = "lm"（线性模型），se = TRUE开启置信区间。CI宽度由level参数控制（默认0.95），但loess的平滑度由span参数决定——span越大，拟合越平滑，CI越窄；span越小，拟合越贴近数据点，CI越宽。

实操步骤：

1. 调整置信水平：geom_smooth(se = TRUE, level = 0.8)将95% CI改为80% CI，带变窄。
2. 调整平滑度（loess）：geom_smooth(method = "loess", se = TRUE, span = 0.75)。span范围0-1，0.75是常用值，比默认0.5更平滑。
3. 用lm并自定义标准误：geom_smooth(method = "lm", se = TRUE, formula = y ~ poly(x,2))用二次多项式拟合，CI更合理。

注意：geom_smooth()的fullrange参数控制是否外推，FALSE（默认）只在数据x范围内拟合，避免不合理外推。

实操心得：在分析时间序列时，我曾用loess拟合趋势线，但span = 0.5导致CI在数据末端剧烈发散。将span调至0.9，并用level = 0.8，CI变得紧凑且可信。记住：span不是“精度”，而是“平滑度”，过高的span会掩盖数据真实波动。

3.5 Q5：如何在图上添加显著性标记（如***, **, *）和连线？

原理：ggplot2本身不提供显著性标注，需用ggsignif包（geom_signif()）或ggpubr包（stat_compare_means()）。

实操步骤：

1. 用ggsignif：library(ggsignif); p + geom_signif(comparisons = list(c("A","B"), c("A","C")), map_signif_level = TRUE)。comparisons指定要比较的组别，map_signif_level = TRUE自动将p值映射为*符号。
2. 用ggpubr：library(ggpubr); p + stat_compare_means(method = "t.test", label = "p.signif", comparisons = list(c("A","B"), c("A","C")))。method可选"t.test","wilcox.test","anova"等。

提示：geom_signif()的textsize、tip_length参数可微调标记大小和连线长度，避免与数据点重叠。

避坑心得：stat_compare_means()在分面图中会自动按分面进行组内比较，非常智能。但若数据中存在NA，t.test会报错，需提前用na.omit()或在stat_compare_means()中加na.rm = TRUE。

3.6 Q6：scale_x_date()的日期刻度太密（如每天一个tick），如何改为每月/每年？

原理：scale_x_date()的date_breaks参数控制刻度间隔，date_labels控制显示格式。date_breaks = "1 month"表示每月一个刻度，"1 year"表示每年一个。

实操步骤：

library(lubridate) df <- data.frame(date = seq(as.Date("2020-01-01"), as.Date("2022-12-31"), by = "day"), value = rnorm(1096)) p <- ggplot(df, aes(date, value)) + geom_line() + scale_x_date(date_breaks = "1 month", date_labels = "%b %Y") + theme(axis.text.x = element_text(angle = 45, hjust = 1))

date_labels = "%b %Y"显示为“Jan 2020”，angle = 45旋转标签防重叠。

注意：date_breaks接受字符串如"2 weeks","3 months","6 months"，数字必须带单位。

实操心得：在金融数据可视化中，我常用date_breaks = "3 months"配合date_labels = "%Y-Q%q"显示季度（需lubridate::quarter()），比单纯年份更精准。axis.text.x的hjust = 1让旋转后的标签右对齐，视觉更整齐。

3.7 Q7：facet_wrap()分面后，各子图y轴范围不一致，如何强制统一？

原理：facet_wrap()默认scales = "free"，各子图独立缩放。scales = "fixed"强制所有子图使用相同坐标轴范围，但可能让某些子图数据挤在角落。scales = "free_y"只统一y轴，x轴自由。

实操步骤：

p <- ggplot(mtcars, aes(wt, mpg)) + geom_point() + facet_wrap(~cyl, scales = "free_y") # 只统一y轴 # 或 p <- ggplot(mtcars, aes(wt, mpg)) + geom_point() + facet_wrap(~cyl, scales = "fixed") # 完全统一

提示：scales = "free"是默认值，"free_y"和"free_x"是常用选项。"free"对数值型变量安全，对分类变量可能导致某些子图无数据点。

避坑心得：当分面变量是有序因子（如cyl为3,4,6,8），scales = "free_y"后，y轴范围会取所有子图的最大最小值，但各子图仍独立显示。若要绝对统一，必须用scales = "fixed"，并提前用coord_cartesian(ylim = c(min_val, max_val))设定范围。

3.8 Q8：如何给geom_bar()的柱子添加数值标签（count）？

原理：geom_bar()默认统计频数，stat = "count"。数值标签需用geom_text()，其y坐标应为计数值，可通过stat(count)获取。

实操步骤：

p <- ggplot(mtcars, aes(factor(cyl))) + geom_bar() + geom_text(stat = "count", aes(label = after_stat(count)), vjust = -0.5)

after_stat(count)在geom_text()中引用geom_bar()的计数结果，vjust = -0.5将标签放在柱子顶部上方。

注意：geom_text()必须与geom_bar()使用相同aes()映射，否则after_stat(count)无法解析。

实操心得：若柱子高度不同，vjust = -0.5可能导致标签离柱顶距离不一。更稳健的做法是用position_stack(vjust = 1)，但需geom_bar(position = "stack")。对于单层柱状图，vjust = -0.5足够。

3.9 Q9：theme()里几百个参数，哪些是真正常用的？

原理：theme()参数按功能分组：text（全局文本）、axis.*（坐标轴）、panel.*（绘图面板）、plot.*（整图）、legend.*（图例）、strip.*（分面标题）。新手只需掌握20个核心参数。

核心参数速查表：

提示：element_blank()可完全移除某元素（如panel.background = element_blank()），element_rect()可设置背景色和边框。

避坑心得：我习惯先用theme_minimal()打底，再叠加自定义theme()，避免从零开始。theme_minimal()已移除了大部分网格线和背景，专注数据本身，是学术图表的黄金起点。

3.10 Q10：coord_flip()后，geom_errorbar()的误差线方向反了，怎么办？

原理：coord_flip()交换x/y轴，但geom_errorbar()的xmin/xmax和ymin/ymax参数是按原始坐标系定义的。翻转后，ymin/ymax应控制水平误差线，但代码里仍写ymin/ymax，导致逻辑混乱。

实操步骤：

1. 翻转前定义：p <- ggplot(df, aes(x = group, y = mean)) + geom_point() + geom_errorbar(aes(ymin = mean - se, ymax = mean + se), width = 0.2)
2. 翻转后，用xmin/xmax替代：p + coord_flip() + geom_errorbar(aes(xmin = mean - se, xmax = mean + se), width = 0.2)。翻转后，x轴变成垂直方向，所以xmin/xmax控制垂直误差线的上下界。

注意：coord_flip()后，所有几何对象的坐标参数含义都反转，geom_linerange()同理。

实操心得：在制作横向条形图时，我总是先写好非翻转版本，确认误差线正确，再加coord_flip()，并立刻检查geom_errorbar()的参数是否已切换。一个简单口诀：“翻转后，x参数管上下，y参数管左右”。

3.11 Q11：如何保存高分辨率图片用于论文发表（300dpi）？

原理：分辨率（dpi）由ggsave()的dpi参数和width/height共同决定。dpi = 300是印刷标准，但width/height单位必须是英寸（units = "in"），否则计算错误。

实操步骤：

# 论文常用尺寸：单栏7英寸宽，双栏3.5英寸宽 ggsave("figure1.png", plot = p, width = 7, height = 5, units = "in", dpi = 300, type = "cairo") # PDF矢量图（无限缩放） ggsave("figure1.pdf", plot = p, width = 7, height = 5, units = "in", device = cairo_pdf)

提示：type = "cairo"确保PNG抗锯齿，device = cairo_pdf确保PDF中文正常。units = "in"是关键，若用"cm"，7cm≈2.76英寸，300dpi下仅828像素，远低于要求。

避坑心得：期刊投稿系统常要求TIFF格式。ggsave("figure1.tiff", plot = p, device = "tiff", dpi = 300, compression = "lzw")，compression = "lzw"减小文件体积。

3.12 Q12：scale_fill_gradient2()的三色渐变，如何让中间色对应特定数值（如0）？

原理：scale_fill_gradient2()的low,mid,high参数定义颜色，limits参数定义数值范围，midpoint参数指定中间色对应的数值。midpoint默认为(min + max)/2，但可手动设为0。

实操步骤：

p <- ggplot(mtcars, aes(wt, mpg, fill = wt - 3)) + geom_point(size = 3) + scale_fill_gradient2(low = "blue", mid = "white", high = "red", midpoint = 0, limits = c(-2, 2))

wt - 3使数据围绕0分布，midpoint = 0确保白色对应wt=3，limits = c(-2,2)固定色阶范围，避免极端值拉伸。

注意：midpoint必须在limits范围内，否则警告。

实操心得：在绘制相关系数热力图时，我总用midpoint = 0，蓝色负相关，红色正相关，白色零相关，一目了然。limits必须手动设定，否则每次数据变化，色阶都会重算，导致多图不可比。

3.13 Q13：geom_tile()热力图，如何让行列标签（row/column names）显示在格子中心？

原理：geom_tile()默认将x/y映射到格子中心，但scale_x_discrete()/scale_y_discrete()的position参数控制标签位置。position = "top"将x轴标签移到顶部，"left"将y轴标签移到左侧。

实操步骤：

# 构造矩阵数据 mat <- matrix(rnorm(100), 10, 10) df <- as.data.frame(as.table(mat)) names(df) <- c("row", "col", "value") p <- ggplot(df, aes(col, row, fill = value)) + geom_tile() + scale_x_discrete(position = "top") + # x标签在顶部 scale_y_discrete(position = "left") + # y标签在左侧 theme(axis.title = element_blank())

提示：position = "top"后，x轴标题会消失，需用labs(x = NULL)或theme(axis.title.x = element_blank())。

避坑心得：geom_raster()比geom_tile()快，但不支持position参数。若需行列标签居中，必须用geom_tile()。

3.14 Q14：如何在ggplot2图上添加一个自定义形状（如三角形、星形）作为图例项？

原理：scale_shape_manual()可手动指定形状，shape参数接受整数（21-25是填充形状），fill控制填充色，color控制边框色。

实操步骤：

p <- ggplot(mtcars, aes(wt, mpg, shape = factor(am), fill = factor(am))) + geom_point(size = 4, stroke = 1.5) + scale_shape_manual(values = c(21, 24)) + # 21=圆圈, 24=三角形 scale_fill_manual(values = c("red", "blue"))

stroke控制边框粗细，size控制整体大小。

注意：shape = 21需要同时指定fill和color，否则只显示边框。

实操心得：shape = 21（圆圈）和shape = 24（三角形）是最佳组合，对比度高，打印清晰。避免用shape = 0-18（无填充），在黑白打印时难以区分。

3.15 Q15：plot()基础图中，如何添加一条垂直线（abline(v=...)）并让它只穿过数据区，不延伸到边框？

原理：abline(v = x)默认画满整个图形设备区域。要限制在数据区内，需用segments()函数，指定起止坐标。

实操步骤：

# 基础图 plot(mtcars$wt, mtcars$mpg, type = "p") # 获取当前坐标轴范围 usr <- par("usr") # usr = c(xmin, xmax, ymin, ymax) # 添加垂直线，从ymin到ymax segments(x0 = 3, y0 = usr[3], x1 = 3, y1 = usr[4], col = "red", lwd = 2)

par("usr")返回当前绘图区域的用户坐标范围，segments()用此范围精确控制线段端点。

提示：abline()的untf = TRUE参数可让线段只在数据区，但仅对abline(h = ...)有效，v = ...无效，故必须用segments()。

避坑心得：在ggplot2中，用geom_vline(xintercept = 3, linetype = "dashed")即可，它天然只在数据区内。基础图的灵活性低，复杂需求建议迁移到ggplot2。

4. 实战经验总结与避坑指南：十年踩坑换来的10条铁律

4.1 铁律一：永远先用theme_set(theme_minimal())重置全局主题

R的默认主题（theme_gray()）有灰色背景和粗网格线，干扰数据阅读。theme_minimal()移除所有非必要元素，只留坐标轴和数据。我在团队中推行这条铁律：新项目第一行代码必是theme_set(theme_minimal())。它不改变你的图，