geom_line与stat_summary(geom="line")绘图差异及匹配方法咨询

相关代码与示例图表 #

代码1：使用geom_line()绘图 #

library(tidyverse)
df = structure(list(
  year_completed_cat = structure(
    c(5L, 4L, 5L, 4L, 4L, 6L, 6L, 4L, 6L, 4L, 6L, 5L, 4L, 4L,
      4L, 5L, 6L, 5L, 6L, 5L, 6L, 6L, 6L, 5L, 4L, 6L, 6L, 6L,
      6L, 5L, 4L, 6L, 6L, 5L, 5L, 6L, 6L, 4L, 4L, 6L, 6L, 6L,
      6L, 5L, 4L, 6L, 5L, 6L, 6L, 5L),
    levels = c("18", "19", "20", "21", "22", "23", "24"),
    class = "factor"),
  asqse_quest = structure(
    c(6L, 7L, 7L, 7L, 7L, 6L, 6L, 5L, 5L, 5L, 5L, 6L, 6L, 5L,
      7L, 6L, 5L, 6L, 7L, 5L, 6L, 7L, 6L, 7L, 7L, 7L, 5L, 7L,
      5L, 5L, 6L, 7L, 5L, 5L, 7L, 5L, 7L, 6L, 6L, 5L, 6L, 5L,
      6L, 6L, 6L, 5L, 6L, 6L, 5L, 5L),
    levels = c("2", "6", "12", "18", "24", "30", "36", "48", "60"),
    class = "factor"),
  asqse_total =
    c(205, 40, 80, 60, 40, 60, 120, 0, 20, 20, 70, 70, 35, 35,
      225, 140, 80, 215, 230, 110, 180, 155, 25, 165, 75, 60, 20,
      85, 20, 75, 30, 35, 25, 55, 160, 70, 140, 35, 140, 30, 40,
      40, 25, 40, 75, 5, 35, 205, 5, 40)),
  row.names = c(NA, -50L), class = "data.frame")

ggplot(df, aes(x = year_completed_cat, y = asqse_total, 
               group = asqse_quest, color = asqse_quest)) +
  geom_line() + geom_point()

对应图表：

代码2：使用stat_summary(geom="line", fun=mean)绘图 #

ggplot(df, aes(x = year_completed_cat, y = asqse_total, 
               group = asqse_quest, color = asqse_quest)) +
  stat_summary(geom = "line", fun = mean)

对应图表：

问题解答 #

1. 两者图表差异显著的原因 #

geom_line()的核心逻辑是直接连接所有原始数据点：它会按照group指定的分组，将每个分组内的点按x轴顺序逐一连接。在你的数据中，每个year_completed_cat（x轴）与asqse_quest（分组）的组合下存在多个asqse_total值，这就导致同一分组同一x位置有多个y值，geom_line()会把这些点全部连起来，最终形成交叉、混乱的线条。

而stat_summary(geom="line", fun=mean)会先对数据做聚合计算：它会按x和group分组，对每组的y值计算均值，再将这些均值点按x轴顺序连接。这样每个x位置每个分组只有一个均值点，线条自然平滑清晰，展示的是各组的均值趋势。

2. 调整geom_line()实现均值连线效果 #

有两种常用方法可以让geom_line()达到和stat_summary一致的效果：

方法一：提前预处理数据，计算均值后绘图

先通过dplyr分组计算均值，再用处理后的数据绘图：

# 计算分组均值
df_mean <- df %>%
  group_by(year_completed_cat, asqse_quest) %>%
  summarize(mean_total = mean(asqse_total), .groups = "drop")

# 使用预处理后的数据绘图
ggplot(df_mean, aes(x = year_completed_cat, y = mean_total, 
                    group = asqse_quest, color = asqse_quest)) +
  geom_line() + geom_point()

方法二：在geom_line()中指定统计变换

直接在geom_line()里通过stat参数指定使用均值统计，无需提前处理数据：

ggplot(df, aes(x = year_completed_cat, y = asqse_total, 
               group = asqse_quest, color = asqse_quest)) +
  geom_line(stat = "summary", fun = mean)

两种方法最终生成的图表都会和stat_summary(geom="line", fun=mean)一致。

3. geom_line()现有工作逻辑的合理依据 #

geom_line()的设计目标是保留原始数据的细节，它适合以下场景：

• 时序数据中每个时间点只有一个观测值，需要展示数据的连续变化趋势；
• 需要追踪单个个体/分组的原始数据波动，而非聚合后的整体趋势；
• 当数据是一对一的x-y对应关系时，能准确反映数据的真实连接顺序。

它的逻辑是“不做数据修改，直接可视化原始点的连接关系”，这在需要展示数据离散性、原始波动的场景中是必要的——比如追踪某只股票的逐分钟价格变化，或者单个患者的每日体温波动，此时geom_line()能精准呈现数据的原始状态，而聚合后的均值线会丢失这些细节。

内容的提问来源于Stack Exchange，提问作者Luis