我来帮你解决这两个问题——图例标签错误和代码重复冗余的问题，咱们一步步来：

问题1：图例显示颜色名称而非自定义标签 #

你之前直接在aes()里写color="purple"这种方式，会让ggplot把这个字符串当成分类变量的取值，而不是颜色值，所以图例就会显示这些颜色名称。正确的做法是把分组信息（全部/已验证/未验证）做成数据框的一列，然后将color映射到这个分组变量，再手动指定对应颜色和标签。

问题2：更高效的多折线实现方式 #

你原来的代码重复了三次几乎一样的数据处理逻辑，这不仅冗余，还容易出错。咱们可以用函数封装+数据合并的方式，把重复的处理逻辑抽成一个函数，再批量生成三个分组的数据，最后合并成一个长格式数据框来绘图，这更符合tidyverse的编程风格。

完整优化代码 #

首先加载所需包：

library(tidyverse)
library(textdata) # get_sentiments需要这个包

第一步：封装数据处理函数

把重复的日期转换、情感分析、ratio计算逻辑写成一个函数，方便复用：

process_sentiment_data <- function(data, filter_expr = TRUE, group_label) {
  data %>%
    filter({{filter_expr}}) %>% # 用{{}}实现非标准求值，支持传入过滤条件
    mutate(
      # 统一转换日期格式，避免重复解析
      review.date = as.POSIXct(review.date, format = "%d-%b-%y"),
      # 提取年份并转成因子，保证x轴按年份顺序排列
      month_year = factor(format(review.date, "%y"), 
                          levels = sort(unique(format(review.date, "%y"))))
    ) %>%
    inner_join(get_sentiments("bing"), by = "word") %>%
    group_by(month_year, sentiment) %>%
    count(name = "n") %>%
    # 用fill=0避免因某类情感缺失导致的NA，保证ratio计算正常
    spread(sentiment, n, fill = 0) %>%
    mutate(
      ratio = positive / negative,
      group = group_label # 添加分组标签列
    )
}

第二步：生成三个分组的数据并合并

# 生成全部数据、已验证购买、未验证购买的分组数据
plot_data <- bind_rows(
  process_sentiment_data(corp, group_label = "全部"),
  process_sentiment_data(corp, verified.purchase == TRUE, "已验证购买"),
  process_sentiment_data(corp, verified.purchase == FALSE, "未验证购买")
)

第三步：绘图并配置图例

ggplot(plot_data, aes(x = month_year, y = ratio, group = group, color = group)) +
  geom_hline(yintercept = 1, color = "white", size = 2) +
  geom_line(linewidth = 1) + # 可选：调整线条粗细
  # 手动指定每个分组对应的颜色和图例标签
  scale_color_manual(
    values = c(
      "全部" = "purple",
      "已验证购买" = "red",
      "未验证购买" = "brown"
    ),
    labels = c("全部", "已验证购买", "未验证购买")
  ) +
  ggtitle("Sentiment Analysis of Reviews Over Time") +
  theme_minimal() + # 可选：用简洁的主题
  labs(x = "年份", y = "正面/负面情感比值") # 可选：添加坐标轴标签

关键说明 #

1. 图例修复：通过将color映射到group列，ggplot会自动识别分组，再用scale_color_manual指定颜色和标签，就能得到你想要的图例。
2. 代码效率提升：用函数封装重复逻辑后，修改处理逻辑只需要改一次函数，减少了重复代码和出错概率；同时长格式数据框更适合ggplot的语法，绘图代码也更简洁。
3. 细节优化：添加了fill=0避免NA，将month_year转成因子保证x轴顺序，这些细节能让图表更健壮、更美观。

内容的提问来源于stack exchange，提问作者sourlemonaid