在ggplot2中绘制不同值域多序列：如何清晰展示三者联动关系？

当然可以！当你面对数值尺度差异极大的变量时，有几种实用的方法能让所有序列的趋势都清晰呈现，同时保留它们之间的联动关系。下面我给你详细介绍三种方案：

方法1：使用双Y轴（Secondary Y-axis） #

这是最直接的方案，将利率类变量（repo、revrepo）放在左侧Y轴，NSE价格放在右侧Y轴，各自使用适配自身范围的刻度，既能看到实际数值，又能直观对比趋势联动。

library(ggplot2)

# 计算尺度转换的参数，用于将nse映射到repo/revrepo的范围
min_rate <- min(c(df_nse_1$repo, df_nse_1$revrepo))
max_rate <- max(c(df_nse_1$repo, df_nse_1$revrepo))
min_nse <- min(df_nse_1$nse)
max_nse <- max(df_nse_1$nse)

p_nse <- ggplot(df_nse_1) + 
  # 绘制左侧Y轴的利率序列
  geom_line(aes(x=Number, y=repo, color = "Repo"), size=1.4) + 
  geom_line(aes(x=Number, y=revrepo, color = "Reverse Repo"), size=1.4) + 
  # 绘制nse，先做线性转换适配左侧刻度范围
  geom_line(aes(x=Number, y=(nse - min_nse)/(max_nse - min_nse)*(max_rate - min_rate) + min_rate, color = "nse"), size=1.4) +
  # 设置左侧Y轴（利率）
  scale_y_continuous(
    name = 'LAF rates (%)',
    limits = c(min_rate - 0.5, max_rate + 0.5),
    breaks = seq(5, 7, 0.5)
  ) +
  # 设置右侧Y轴（NSE价格），反向转换回原始数值
  scale_y_continuous(
    sec.axis = sec_axis(
      trans = ~(. - min_rate)*(max_nse - min_nse)/(max_rate - min_rate) + min_nse,
      name = 'Estimated nse prices'
    ),
    name = 'LAF rates (%)',
    limits = c(min_rate - 0.5, max_rate + 0.5),
    breaks = seq(5, 7, 0.5)
  ) +
  scale_x_continuous(breaks = c(2,4,6,8,10))+ 
  labs(color="Series") + 
  xlab('\nNumber') + 
  ggtitle("Estimated nse closing Prices given changes in LAF & CRR Rates") + 
  theme(
    axis.text.x=element_text(size=12, color = "black"),
    plot.title = element_text(lineheight=.8, face="bold",colour = "black",hjust = 0.5,vjust = 2,size = 10),
    axis.title.y.right = element_text(color = "red"), # 右轴标题颜色与nse线条对应
    legend.position = "top"
  ) +
  scale_color_manual(values = c("Repo"="blue", "Reverse Repo"="green", "nse"="red"))

p_nse

方法2：数据归一化展示相对趋势 #

如果更关注变量间的相对变化联动而非实际数值，可以将所有变量缩放到[0,1]的范围，这样在同一Y轴上就能清晰看到趋势的同步性。

library(ggplot2)
library(dplyr) # 需要用dplyr做数据转换

# 对三个变量做归一化处理
df_normalized <- df_nse_1 %>%
  mutate(
    repo_norm = (repo - min(repo))/(max(repo)-min(repo)),
    revrepo_norm = (revrepo - min(revrepo))/(max(revrepo)-min(revrepo)),
    nse_norm = (nse - min(nse))/(max(nse)-min(nse))
  )

# 绘制归一化后的趋势图
p_normalized <- ggplot(df_normalized) +
  geom_line(aes(x=Number, y=repo_norm, color="Repo"), size=1.4) +
  geom_line(aes(x=Number, y=revrepo_norm, color="Reverse Repo"), size=1.4) +
  geom_line(aes(x=Number, y=nse_norm, color="nse"), size=1.4) +
  scale_x_continuous(breaks = c(2,4,6,8,10)) +
  labs(
    color="Series", 
    y="Normalized Value (0-1)", 
    x="\nNumber"
  ) +
  ggtitle("Normalized Trends of LAF Rates and NSE Prices") +
  theme(
    axis.text.x=element_text(size=12, color = "black"),
    plot.title = element_text(lineheight=.8, face="bold",colour = "black",hjust = 0.5,vjust = 2,size = 10)
  ) +
  scale_color_manual(values = c("Repo"="blue", "Reverse Repo"="green", "nse"="red"))

p_normalized

方法3：分面绘图独立展示每个序列 #

如果希望最大化每个变量的细节展示，同时保留X轴的一致性以便对比，可以将三个序列分成独立的子图，每个子图使用自己的Y轴刻度。

library(ggplot2)
library(tidyr) # 需要用tidyr将数据转为长格式

# 将宽格式数据转换为长格式，方便分面
df_long <- df_nse_1 %>%
  pivot_longer(cols = c(repo, revrepo, nse), names_to = "Series", values_to = "Value")

# 绘制分面图
p_faceted <- ggplot(df_long, aes(x=Number, y=Value, color=Series)) +
  geom_line(size=1.4) +
  facet_wrap(~Series, scales = "free_y", ncol=1) + # 每个子图使用独立Y轴，纵向排列
  scale_x_continuous(breaks = c(2,4,6,8,10)) +
  labs(x="\nNumber", y="Value") +
  ggtitle("Trends of LAF Rates and NSE Prices") +
  theme(
    axis.text.x=element_text(size=12, color = "black"),
    plot.title = element_text(lineheight=.8, face="bold",colour = "black",hjust = 0.5,vjust = 2,size = 10),
    strip.text = element_text(face="bold") # 子图标题加粗
  ) +
  scale_color_manual(values = c("repo"="blue", "revrepo"="green", "nse"="red"))

p_faceted

方案选择建议 #

• 若需要同时查看实际数值和联动关系，优先选择双Y轴方案；
• 若仅关注相对变化趋势的同步性，归一化方法更简洁直观；
• 若想完整展示每个变量的细节，分面绘图是最佳选择。

内容的提问来源于stack exchange，提问作者Nishant