举个例子，我们探索一下钻石价格是如何随着质量而变化的

ggplot(data = diamonds, mapping = aes(x = price)) +
  geom_freqpoly(mapping = aes(color = cut), binwidth = 500)

很难看出分布上的差别，因为总体看来各组数量的差别太大了：

ggplot(diamonds) +
  geom_bar(mapping = aes(x = cut))

为了让比较变得更容易，需要改变 y 轴的显示内容，不再显示计数，而是显示密度。密度是对计数的标准化，这样每个频率多边形下边的面积都是 1

ggplot(
 data = diamonds,
 mapping = aes(x = price, y = ..density..)
 ) +
 geom_freqpoly(mapping = aes(color = cut), binwidth = 500)

这张图的部分内容非常令人惊讶，其显示出一般钻石（质量最差）的平均价格是最高的！但这可能是因为频率多边形图很难解释，所以这张图还有很多可以改进的地方。

按分类变量的分组显示连续变量分布的另一种方式是使用箱线图。箱线图是对变量值分布的一种简单可视化表示，这种图在统计学家中非常流行。

使用 geom_boxplot() 函数查看按切割质量分类的价格分布：

ggplot(data = diamonds, mapping = aes(x = cut, y = price)) +
 geom_boxplot()

例如，我们看一下 mpg 数据集中的 class 变量。你可能很想知道公路里程因汽车类别的不同会有怎样的变化：

ggplot(data = mpg, mapping = aes(x = class, y = hwy)) +
  geom_boxplot()

要想对两个分类变量间的相关变动进行可视化表示，需要计算出每个变量组合中的观测数量。完成这个任务的其中一种方法是使用内置的 geom_count() 函数：

ggplot(data = diamonds) +
  geom_count(mapping = aes(x = cut, y = color))

图中每个圆点的大小表示每个变量组合中的观测数量。相关变动就表示为特定 x 轴变量值

与特定 y 轴变量值之间的强相关关系。

计算变量组合中的观测数量的另一种方法是使用 dplyr：

diamonds %>%
  count(color, cut)

# A tibble: 35 x 3
   color cut           n
   <ord> <ord>     <int>
 1 D     Fair        163
 2 D     Good        662
 3 D     Very Good  1513
 4 D     Premium    1603
 5 D     Ideal      2834
 6 E     Fair        224
 7 E     Good        933
 8 E     Very Good  2400
 9 E     Premium    2337
10 E     Ideal      3903
# ... with 25 more rows