为何没有统一的scale_fill函数，而非要分立离散和连续版本？

这个设计是ggplot2图层语法的核心设计哲学决定的，主要有三点核心原因：

• 显式优于隐式的设计原则
  ggplot2从诞生之初就遵循“明确声明要比自动推断更可靠”的设计思路，离散和连续颜色映射的业务含义完全不同：前者对应分类、分组数据，后者对应数值梯度数据。如果合并为同一个函数，内部自动判断变量类型，很容易出现非预期的映射结果：比如你想要把年份、等级这类数值型分类变量按离散类别配色，函数却自动识别为连续变量生成渐变配色，这类隐含错误在学术绘图、工业报表场景下排查成本极高。单独拆分函数的模式相当于强制开发者明确自己的数据映射逻辑，从根源上避免这类问题。
• 两类scale的参数体系差异极大，合并会大幅提升使用成本
  scale_fill_discrete系列和scale_fill_continuous系列的核心参数重叠度极低：
  • 离散scale支持breaks、labels、limits等分类配置参数，图例默认使用离散分类图例，支持自定义顺序、分组展示等配置
  • 连续scale支持trans（对数、平方根等数值变换）、oob（越界值处理规则）、n.breaks（渐变分段数）等专属参数，图例默认使用颜色条，支持渐变方向、刻度位置等自定义配置
    如果强行合并为一个函数，参数列表会非常臃肿，大量参数仅在特定数据类型下生效，对新用户的学习成本反而更高，也不符合函数单一职责的设计规范。
• 色板的映射逻辑本质不同，无法通用处理
  你提到的scale_fill_brewer和scale_fill_distiller就是典型例子：前者直接调用ColorBrewer提供的离散色板，最多支持12种分类颜色，完全没有插值逻辑；后者是将离散ColorBrewer色板做线性插值生成连续渐变配色，两种处理逻辑完全独立。如果合并为同一个函数，需要额外增加大量参数控制插值规则、色板截断逻辑，反而比现在分开调用的模式更繁琐。

针对你提到的编写复用函数时的冗余判断问题，本身有非常简便的解决方案，不需要修改ggplot2底层设计：
你可以通过scale_type()函数直接获取目标变量对应的scale类型，几行代码就能封装成你自己的通用配色函数，示例如下：

library(ggplot2)
library(rlang)

# 封装通用fill配色函数，自动适配离散/连续数据
scale_fill_brewer_auto <- function(palette = "Set2", ...) {
  function(data) {
    type <- scale_type(data)
    if (type == "discrete") {
      scale_fill_brewer(palette = palette, ...)
    } else {
      scale_fill_distiller(palette = palette, ...)
    }
  }
}

# 复用函数中直接调用即可，不需要重复写判断逻辑
plot_custom <- function(data, x, y, fill) {
  ggplot(data, aes({{x}}, {{y}}, fill = {{fill}})) +
    geom_col() +
    scale_fill_brewer_auto(palette = "Blues")()
}

最后补充说明：你提到的“内部已经存在校验逻辑”的判断并不完全准确，现有内部校验仅负责“当前scale和数据类型不匹配时报错”，并没有自动判断类型、选择对应scale逻辑的实现，要支持自动适配还要额外做大量的兼容工作，对ggplot2这种被海量代码依赖的底层包来说，这类会改变原有行为的改动风险极高，收益却很低。

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