分面也就是切割数据生成一系列小联号图，每个小图表示不同的数据子集。本篇将讨论如何较好的微调分面，特别是与位置标度相近的方法。
在qplot中可以选择分面系统。2维分面使用face_grid，1维分面使用face_wrap。
分面通常会占用大量空间，因此本篇使用mpg数据集的子集来进行展示。
> library(ggplot2)
> mpg2 <- subset(mpg,cyl != 5 &drv %in% c("4","f"))
1.网格分面
网格分面在2维网格中展示图形，输入分面表达式时，你需要设定哪些变量作为分面绘图的行，哪些变量作为列，规则如下：
- 不进行分面，我们将得到一个单独的面板
> qplot(cty,hwy,data=mpg2) + facet_null()
- 一行多列 ：". ~ a"
电脑屏幕通常较宽，因此这个方向最合适数据的展示。另外，因为坐标轴相同，这个方向也有助于y位置的比较。
qplot(cty,hwy,data=mpg2) + facet_grid(. ~ cyl)
- 一列多行："b ~ ."
横坐标轴相同，利于x位置的比较，尤其是对数据分布的比较。
> qplot(cty,data=mpg2,geom="histogram",binwidth=2) + facet_grid(cyl ~ .)
- 多行多列："a ~ b"
我们通常都将因子水平数目最大的变量按列排放，这样可以充分利用屏幕的宽高比。
> qplot(cty,hwy,data=mpg2) + facet_grid(drv ~ cyl)
从以上图形我们可以看出，变量在某行或者某列一起出现时，图形只会展示数据中出现的变量组合。而变量在行和列都出现时，图形将展示所有变量组合，包括原始数据中都没有出现的组合。不过这也可能会导致出现空白面板。
边际图：可以参考margins来绘制边际图。设定margins=TRUE可展示所有的边际图，或者margins=c("sex","age"),列出你要展示的边际图的变量名称。也可以使用grand_row或grand_col来生成行或列的边际图。
边际图的分组方式与其他面板中分组方式相同：默认使用图层中所有分类变量的交互作用。下面第三张图表示对每个驱动类型添加彩色平滑线。
> p <- qplot(displ,hwy,data=mpg2) + geom_smooth(method = "lm",se=F) > p + facet_grid(cyl ~ drv) > p + facet_grid(cyl ~ drv,margins = T)
> qplot(displ,hwy,data=mpg2) + geom_smooth(aes(colour=drv),method="lm",se=F)+
+ facet_grid(cyl ~ drv,margins=T)
2.标度控制
对于上述分面，可以通过调整参数scales来控制面板的位置标度是固定的还是允许变化的。
- scales = "fixed":x和y的标度在所有面板中都相同
- scales = "free"：x和y的标度在每个面板都可以变化
- scales = "free_x"：x的标度可变，y的尺度固定
- scales = "free_y": y的标度可变，x的尺度固定‘
下面展示了固定标度与自由标度间的差异：
> library(ggplot2) > p <- qplot(cty,hwy,data=mpg) > p + facet_wrap(~ cyl) ##下图左 每个分面中固定标度即横纵坐标范围相同 > p + facet_wrap(~ cyl,scales="free") ##下图右 自由标度即横纵坐标范围可变 >
固定标度可以让我们在相同的基准上对子集进行比较，观察在哪些地方各子集有相似的总体模式。而自由标度可以帮助我们发现更多细节，它在展示不同量纲的时间序列时非常有用。
> library(reshape2) > em <- melt(economics,id = "date") > qplot(date,value,data=em,geom="line",group=variable)+ + facet_grid(variable~.,scale="free_y") >
上图展示了自由标度在展示不同量纲的时间序列时非常有用。
3.分组与分面
与通过调整图形属性不同（比如颜色、形状或大小）来分组分组不同，分面提供了另外一种分组途径。依据子集相对位置的不同，这两种绘图技巧都有相应的优缺点。
在分面图形中，每个组别都在单独的面板中，相隔较远，组间无重叠。因此组与组之间重叠严重时，分面图形有一定的好处。不过这也会导致组间的细微差别难以被发现。使用图形属性区分各组时，各组将会离得很近甚至可能重叠，不过细微得差别将会容易被发现。下图展示了两者优缺点得互补。
> library(ggplot2)
> xmaj <- c(0.3,0.5,1,3,5)
> xmin <- as.vector(outer(1:10,10^c(-1,0)))
> ymai <- c(500,1000,5000,10000)
> ymin <- as.vector(outer(1:10,10^c(2,3,4)))
> dplot <- ggplot(subset(diamonds,color %in% c("D","E","G","J")),aes(carat,price,colour=color)) +
+ scale_x_log10(breaks = xmaj,labels = xmaj,minor = xmin)+
+ scale_y_log10(breaks=ymai,labels=ymai,minor=ymin)+
+ scale_colour_hue(limits = levels(diamonds$color))+
+ theme(legend.position="none")
> dplot + geom_point()
> dplot + geom_point()+facet_grid(.~color)
> dplot + geom_smooth(method=lm,se=F,fullrange=T)
> dplot + geom_smooth(method=lm,se=F,fullrange=T)+facet_grid(.~color)
在散点图中，仅使用颜色区分各组，我们可能还没注意到图形重叠了，但是回归线却可以让我们看到D、E、和G被分组在一起，与J组相距甚远。
4.并列与分面
分面可绘制出与图形并列类似得图形效果。
> qplot(color,data=diamonds,geom="bar",fill=cut,position="dodge") ##并列 > qplot(cut,data=diamonds,geom="bar",fill=cut)+facet_grid(.~color)+ + theme(axis.text.x=element_text(angle=90,hjust=1,size=8,colour="grey50")) ##分面
除标注方式外，当两个变量得因子水平几乎完全交叉，而部分变量组合缺失时，两种绘图方式也就会有所不同。此时，并列图形得用处不大，因为它只是对条形局部地分割，没有任何标签。而分面就实用很多，它能控制分割方式时局部得还是全局得。
