条形图用来比较类别
条形图回答的是“每一类各有多少？”：每个类别一根条形，条形的长度表示该类别的值。在 R 中，基础函数是 barplot()，它的输入就是一个表示高度的向量。给向量加上名字，这些名字就会成为条形下方的标签：
visits <- c(Mon = 42, Tue = 51, Wed = 47, Thu = 60, Fri = 78)
barplot(visits,
main = "Store visits by day",
ylab = "Visits")
五根灰色条形，按星期几标注，从不算高的周一一路升到周五的峰值，几乎是周一的两倍高。什么都不用安装，什么都不用配置：只要你能构建一个命名向量，就能把它画成图。
本页的在线编辑器只显示文本输出，所以这里的 barplot() 调用都是静态代码片段，需要粘贴到本地的 R 会话中运行。不过画图之前的计数步骤可以直接运行，而这恰恰是最关键的一步。
实际工作流程：先 table()，再 barplot()
实际工作中，你很少能直接拿到整理好、计好数的高度。你手上的通常是一列原始的类别标签：每份问卷回答、每个订单、每个用户各占一行，而计数才是真正要做的工作。table() 一次调用就能完成计数，它的输出是一个命名的计数向量，正是 barplot() 想要的：
然后只需再加一行就能画图：
barplot(sort(t, decreasing = TRUE),
main = "Survey responses",
ylab = "Count")
先 table() 再 barplot()，这两步是 R 中最常见的条形图流程。先对频数表排序是一个几乎零成本的改进：按高度排列的条形比按字母排列的更容易读，除非类别本身有自然的顺序（星期、月份、剂量等级）。这种情况下，用水平顺序设置正确的因子，就能防止 table() 把它们按字母排序。如果条形需要真正的聚合，也就是每组的总和或均值，而不是行数，就先做分组汇总，再把结果交给 barplot()。
标签与样式
标签通常来自向量的名字，但 names.arg 可以覆盖它们。当数据里的编码不适合直接给读者看时，这很有用：
barplot(visits,
names.arg = c("Monday", "Tuesday", "Wednesday",
"Thursday", "Friday"),
col = "steelblue",
border = NA,
main = "Store visits by day",
las = 2)
col设置条形的填充色；传入一个向量可以给每根条形单独上色，但别动不动就用彩虹色：颜色应该有含义，比如突出你正在讨论的那根条形。border = NA去掉条形的边框，让图看起来更简洁。las = 2把坐标轴标签旋转成与坐标轴垂直，用来解决类别名太长、互相重叠的问题。如果名字确实很长，再配合加大底部边距（par(mar = c(8, 4, 4, 2))）。
用矩阵画分组和堆叠条形图
要同时展示两个分类维度，比如每个季度每个渠道的销售额，就把一个矩阵交给 barplot()。每一列对应类别轴上的一个位置，各行则成为其中的子条形：
sales <- matrix(c(12, 18, 15, 22, 20, 19, 24, 27),
nrow = 2,
dimnames = list(c("Online", "Retail"),
c("Q1", "Q2", "Q3", "Q4")))
# Grouped: rows stand next to each other within each quarter
barplot(sales, beside = TRUE,
col = c("steelblue", "orange"),
legend.text = rownames(sales),
main = "Sales by channel and quarter")
# Stacked: rows pile up into one total bar per quarter (the default)
barplot(sales, beside = FALSE,
col = c("steelblue", "orange"),
legend.text = rownames(sales))
beside = TRUE 让两个渠道在每个季度内并排站立，最适合直接比较各渠道。默认的堆叠方式强调的是每个季度的总量，各部分的构成显示在每根条形内部；它如实反映了总量，但由于内部各段的起点不同，很难在不同条形之间比较它们。legend.text = rownames(sales) 添加的图例，能让两种版本都清晰易读。
还有一个开关：horiz = TRUE 让条形沿水平方向排列。类别很多、名字又很长时，这是最友好的布局：每个标签都单独占一行，紧挨着自己的条形，不需要旋转。
条形图还是直方图？
搜索的人经常把这两者搞混，花三十秒分清它们很值得：条形图比较的是互不相同的类别，坐标轴是一组标签，条形之间有间隔，调换顺序完全没问题。直方图把一个数值变量分箱，坐标轴是连续的刻度，条形紧挨着，因为各个箱是连续的区间，调换顺序毫无意义。如果你的列里是文字（“Yes”、“Chrome”、“Q3”），用 barplot(table(x))。如果是测量值（身高、价格、响应时间），用直方图和 hist(x)。
ggplot2：geom_col 与 geom_bar
ggplot2 版本有两个几何对象，区别在于计数是否已经做好：
library(ggplot2)
# geom_bar(): raw observations in, counting done for you
ggplot(survey, aes(x = response)) +
geom_bar(fill = "steelblue")
# geom_col(): heights already computed, one row per bar
totals <- data.frame(day = c("Mon", "Tue", "Wed", "Thu", "Fri"),
visits = c(42, 51, 47, 60, 78))
ggplot(totals, aes(x = day, y = visits)) +
geom_col(fill = "steelblue")
geom_bar() 相当于把 table() 内置到了图里：它接收每个观测值一行的数据，然后计数。geom_col() 接收已经聚合好的数据，把一个 y 列映射为条形高度，相当于经典的 barplot()。把已经计好数的数据交给 geom_bar() 是初学者的典型陷阱：它会统计行数（每行一个），结果每根条形都一样高。
要点回顾
barplot(heights)绘制一个命名向量，而table(x)正好能从原始类别数据生成这种形状，所以barplot(table(x))是最核心的惯用写法。- 画图之前先给频数表排序（或设置因子水平）；条形的顺序本身就是要传达的信息的一部分。
- 用矩阵可以画分组（
beside = TRUE）或堆叠（默认）条形图；记得加上legend.text = rownames(m)。 names.arg、col、las = 2和horiz = TRUE负责处理标签；名字很长时横向条形图最合适。- 类别 → 条形图；数值分箱 → 直方图。在 ggplot2 中：原始行 →
geom_bar()，算好的高度 →geom_col()。
下一篇：ggplot2 本身，一套图形语法，用同样几个可组合的部件就能构建出所有这些图表，乃至更多。
常见问题
在 R 中如何画条形图？
对一个表示高度的向量调用 barplot()。给向量加上名字，或者用 table() 生成它（它的输出本身就带名字），每个元素就会变成一根带标签的条形：barplot(table(df$category))。
在 R 中如何画分组或堆叠条形图？
传入一个矩阵。每一列对应类别轴上的一个位置；beside = TRUE 把各行画成并排的条形（分组），默认的 beside = FALSE 则把它们堆叠起来。再加上 legend.text = rownames(m)，读者就能分清各行。
R 中 barplot() 和 hist() 有什么区别？
barplot() 比较的是互不相同的类别：每个类别一根条形，条形之间有间隔。hist() 把一个数值变量划分成连续的区间：条形紧挨着，因为坐标轴是连续的刻度。如果你的变量是文字，用 barplot(table(x))；如果是数字，用 hist(x)。
在 ggplot2 中应该用 geom_bar 还是 geom_col？
geom_bar() 会替你计数：给它原始观测值，它会统计每个类别的数量。geom_col() 绘制的是你已经算好的值：给它每根条形一行数据，外加一列高度。把已经计好数的数据交给 geom_bar() 是经典错误，这种情况需要用 geom_col()。
