ggplot2直方图科学绘制：bin选择、纵轴语义与出版级实践-拓冰建站

1. 项目概述：用 ggplot2 做直方图，不是调个函数那么简单

“ggplot2 直方图”这六个字，几乎每个刚学 R 的人三周内都会撞上。但真正能画出一张信息清晰、视觉可信、可直接放进报告或论文里的直方图的人，不到三分之一。我带过二十多期 R 数据可视化训练营，发现绝大多数人卡在同一个地方：geom_histogram()一跑就报错，或者图出来了，但横轴堆成一团、纵轴单位莫名其妙、分组逻辑完全错位——更别说调整 bin 宽度、叠加密度曲线、按分组着色这些进阶操作。这不是代码写错了，是根本没理解直方图背后的统计逻辑和 ggplot2 的图层哲学。

直方图从来不只是“把数据分桶画柱子”。它本质是在用离散柱状近似连续分布，而 bin 的选择（宽度、起始点、数量）直接决定你看到的是真实模式，还是噪声幻觉。R 基础包hist()默认用 Sturges 法算 bin 数，但对偏态数据、长尾数据、小样本数据，这个默认值经常失效；而 ggplot2 的geom_histogram()默认用bins = 30，更是个毫无上下文的魔法数字。我去年帮一个医疗团队分析患者住院时长数据，原始直方图显示“集中分布在 3–5 天”，结果换用 Freedman-Diaconis 规则重算 bin 宽度后，立刻暴露出两个隐藏峰：一个是术后观察期（2–4 天），另一个是并发症处理期（7–12 天）。差的不是图好不好看，而是结论靠不靠谱。

这篇内容专为已经会写library(ggplot2)、但每次画直方图都要查文档、改三次参数才勉强满意的 R 用户而写。它不讲“什么是 ggplot2”，不重复aes()和+的基础语法，而是聚焦一个具体目标：从原始数据出发，一步步构建一张经得起推敲的直方图——包括如何科学选 bin、如何解释纵轴含义、如何叠加统计层、如何适配不同业务场景（比如临床报告要精确到天，用户行为分析要按小时切片）。所有代码都基于真实项目片段精简而来，参数有计算依据，错误有复现路径，避坑经验来自我踩过的至少 17 次stat_bin()报错现场。如果你正被binwidth和bins绕晕，或者分不清y = ..count..和y = ..density..的区别，这篇就是为你写的。

2. 核心设计思路：为什么直方图必须“先算再画”，而不是“先画再调”

2.1 直方图的本质是统计估计，不是简单计数

很多人以为直方图就是“把数据分段，数每段几个数，然后画柱子”。这是对的，但只对了一半。关键在于：分段方式（即 bin 的定义）不是任意的，它决定了你是在估计概率密度函数，还是在展示原始频数分布，抑或在做归一化比较。ggplot2 的geom_histogram()底层调用的是stat_bin()，而stat_bin()的核心任务是：给定一组数值型数据，输出三个关键列：x（bin 中心）、y（纵轴值）、count（该 bin 内原始观测数）。但y到底填什么？取决于你传给y参数的字符串——而这个字符串不是随便写的，它对应着不同的统计变换逻辑。

y = ..count..：直接输出count值，即原始频数。这是最直观的，但无法跨样本量比较（比如对比 100 个用户 vs 10000 个用户的点击时长分布）。
y = ..density..：输出密度值，计算公式为count / (n * binwidth)，其中n是总样本量，binwidth是当前 bin 的宽度。密度曲线下面积恒为 1，因此可以和理论分布（如正态分布曲线）直接叠加比对。
y = ..ncount..：归一化频数，即count / n，相当于每个 bin 的比例。适合强调“占比”而非“绝对数量”的场景，比如“各年龄段用户占总用户的百分比”。

提示：..count..、..density..这些双点符号是 ggplot2 的“统计变量引用语法”，它们不是字符串字面量，而是告诉stat_bin()：“请把计算后的统计量塞进 y 轴”。如果写成y = "count"（加引号），ggplot2 会报错，因为它找不到名为"count"的列。

我曾在一个电商 AB 测试分析中栽过跟头：A 组 5000 个用户，B 组 8000 个用户，我想对比两组的下单金额分布。如果直接用..count..画并排直方图，B 组柱子天然更高，看起来“B 组下单更多”，但这只是样本量差异造成的假象。后来我改用..density..，两组柱高立刻可比，才发现 A 组在 200–300 元区间有明显峰值，而 B 组峰值在 100–150 元——这才是真实的策略效果差异。所以，选哪个y变量，不是风格问题，而是统计严谨性问题。

2.2 ggplot2 的图层思维：直方图 = 数据层 + 统计层 + 几何层 + 主题层

ggplot2 不是“画图函数”，而是一个声明式绘图系统。它的强大之处在于，你可以把直方图拆解成四个独立可调的模块：

数据层（data）：原始数据框，必须包含你要画直方图的数值列（如df$amount）。
统计层（stat_bin）：负责 bin 划分和统计量计算。它决定binwidth、bins、center、boundary等参数，并输出x、y、count等列。
几何层（geom_histogram）：负责把统计层输出的(x, y)点渲染成柱状图。它控制柱子颜色、透明度、边框、宽度等视觉属性。
主题与标度层（scale_*,theme_*,labs）：负责坐标轴标签、标题、图例、网格线等呈现细节。

这种分离设计意味着：你可以单独调试统计层，而不影响视觉样式；也可以复用同一套统计逻辑，快速切换成密度图或频数图。比如，下面两行代码，除了y参数不同，其余完全一致，却生成了两种统计意义截然不同的图：

# 频数直方图（纵轴是原始计数） ggplot(df, aes(x = amount)) + geom_histogram(aes(y = ..count..), binwidth = 50, fill = "steelblue", alpha = 0.7) # 密度直方图（纵轴是概率密度） ggplot(df, aes(x = amount)) + geom_histogram(aes(y = ..density..), binwidth = 50, fill = "steelblue", alpha = 0.7)

很多初学者的问题，根源在于混淆了统计层和几何层的职责。例如，想让柱子更细，第一反应是调geom_histogram(width = 0.5)——这是错的。width参数控制的是几何柱子的相对宽度（相对于 bin 宽度），但它不改变 bin 划分本身；真正控制“柱子有多细”的，是统计层的binwidth。binwidth = 10产生的 bin 比binwidth = 50窄五倍，柱子自然更密、更细。width只是在此基础上做微调，比如避免柱子之间留缝（width = 0.9）或让柱子轻微重叠（width = 1.1）。我建议新手初期完全忽略geom_histogram(width)，只通过binwidth或bins控制柱子疏密，等理解透统计逻辑后再玩视觉微调。

2.3 为什么不能依赖默认参数？Sturges、Scott、Freedman-Diaconis 规则实战对比

ggplot2 默认bins = 30，R 基础hist()默认用 Sturges 规则：bins = 1 + log2(n)。这个规则假设数据近似正态，且对小样本（n < 30）尚可，但对大样本或非正态数据，它会严重低估 bin 数，导致直方图过度平滑，掩盖真实峰谷。举个真实例子：我们分析某 App 的单日用户停留时长（单位：秒），n = 12486。Sturges 算出来bins ≈ 15，画出来的图像一条模糊的山丘；而用 Freedman-Diaconis 规则（binwidth = 2 * IQR(x) / n^(1/3)），算出来binwidth ≈ 62 秒，对应bins ≈ 85，图立刻显现出三个清晰峰：0–60 秒（误触退出）、180–300 秒（快速浏览）、600–1200 秒（深度使用）。

三种主流 bin 选择规则的计算逻辑和适用场景如下表所示：

规则名称	计算公式	优势	劣势	适用场景
Sturges	`bins = 1 + log2(n)`	计算极快，小样本稳定	假设正态，大样本下 bin 数过少，易掩盖多峰	教学演示、快速草稿、n < 50
Scott	`binwidth = 3.5 * sd(x) / n^(1/3)`	对正态数据最优，渐近效率高	依赖标准差，对异常值敏感（一个离群点拉高 sd，导致 bin 过宽）	近似正态的中等样本（n ≈ 100–1000）
Freedman-Diaconis (FD)	`binwidth = 2 * IQR(x) / n^(1/3)`	基于四分位距，对异常值鲁棒，多峰数据表现好	计算稍慢，IQR 在极小样本（n < 10）下不稳定	实际业务数据（常含异常值、偏态、多峰），n > 50

实操中，我从不手算这些公式。我的标准流程是：

先用fd <- 2 * IQR(df$var) / length(df$var)^(1/3)快速算出 FD binwidth；
用seq(min(df$var), max(df$var), by = fd)检查这个 binwidth 是否会导致首尾 bin 过窄（比如 min 是 1.2，fd 是 0.5，则第一个 bin 是 1.0–1.5，但数据从 1.2 开始，前 0.2 被浪费）；
如果有浪费，用boundary参数强制第一个 bin 边界对齐数据起点：boundary = min(df$var)；
最后用geom_histogram(binwidth = fd, boundary = min(df$var))画图。

这套流程我在 12 个不同行业的数据集上验证过，FD 规则在 9 个案例中给出了最符合业务直觉的分布形态。记住：没有“最好”的规则，只有“最适合当前数据和问题”的规则。当你需要向业务方解释“为什么这里有个峰”，能拿出IQR和n^(1/3)的计算过程，远比说“ggplot 默认这样”更有说服力。

3. 核心实操步骤：从原始数据到出版级直方图的七步闭环

3.1 第一步：数据清洗与分布探查——别急着画图，先看数据长什么样

在敲ggplot()之前，必须完成三项检查，否则后续所有美化都是空中楼阁：

检查缺失值：sum(is.na(df$var))。geom_histogram()默认会丢弃 NA，但如果你不知道丢了几个，就无法判断分布是否被扭曲。比如，某字段 30% 是 NA，而 NA 往往集中在某个业务场景（如未填写年龄的用户多为青少年），直接画图会丢失这部分人群的分布特征。
检查异常值：用boxplot.stats(df$var)$out或df$var > quantile(df$var, 0.99)找出 top 1% 的值。异常值会极大拉伸 x 轴范围，导致主分布区域被压缩成一条细线。我的做法是：先画一个包含异常值的粗略直方图，用coord_cartesian(xlim = c(...))临时缩放，确认主分布形态；再决定是 winsorize（缩尾）、log 变换，还是分开展示（主图 + 插入小图展示异常值区间）。
检查数据类型与精度：str(df$var)和head(df$var)。常见陷阱是：时间字段存成字符型（如"2023-01-01"），直接画直方图会报错；或金额字段带逗号（"1,234.56"），读入后变成字符，需先gsub(",", "", x)再as.numeric()。还有精度问题：GPS 经纬度保留 6 位小数，但业务只关心城市级，round(x, 2)可大幅减少 bin 数量，提升可读性。

以我处理过的某物流订单重量数据为例：原始weight_kg字段有 2.3% NA，且存在 17 个 > 1000kg 的异常值（实际是录入错误，应为 100.0kg）。我先用df_clean <- df %>% filter(!is.na(weight_kg), weight_kg <= 1000)清洗，再用df_clean$weight_kg <- ifelse(df_clean$weight_kg > 100, df_clean$weight_kg / 10, df_clean$weight_kg)修复这批错误。这一步耗时 5 分钟，但避免了后续 2 小时的图表返工。

3.2 第二步：科学计算 binwidth —— 用 Freedman-Diaconis 规则落地

假设我们已清洗好数据df_clean，目标变量是delivery_time_min（配送时长，单位：分钟）。现在执行 FD 规则计算：

# 计算 IQR 和样本量 iqr_val <- IQR(df_clean$delivery_time_min) n_val <- nrow(df_clean) # FD binwidth 公式：2 * IQR / n^(1/3) binwidth_fd <- 2 * iqr_val / n_val^(1/3) binwidth_fd # 输出：约 8.32 # 但 8.32 分钟不便于业务解读（没人说“8.32 分钟交付”），需取整 # 我习惯向上取整到业务友好单位：5、10、15、30、60 分钟 binwidth_final <- ceiling(binwidth_fd / 5) * 5 # 结果：10 分钟 # 检查取整后是否合理：计算预期 bin 数 expected_bins <- diff(range(df_clean$delivery_time_min)) / binwidth_final expected_bins # 输出：约 42，属于合理范围（20–100）

这里的关键技巧是业务取整。纯数学最优的8.32没有意义，而10分钟对应“每 10 分钟一个服务档位”，业务方一眼能懂。同理，用户年龄用5岁一档（0–5, 5–10…），收入用10000元一档。取整不是妥协，而是让统计结果回归业务语境。另外，ceiling()比round()更安全，因为向下取整（如round(8.32, 0) = 8）可能导致 bin 过窄，产生过多噪声柱子。

3.3 第三步：构建基础直方图——用`geom_histogram()`搭建骨架

有了binwidth_final = 10，现在构建最简可用图：

p_base <- ggplot(df_clean, aes(x = delivery_time_min)) + geom_histogram( binwidth = binwidth_final, fill = "#2E8B57", # 海军绿，专业感强 color = "white", # 白色边框，柱子更分明 alpha = 0.8 # 适度透明，避免重叠时颜色过深 ) + labs( title = "订单配送时长分布", subtitle = "N = 12,486 个有效订单", x = "配送时长（分钟）", y = "频数" ) p_base

注意三点细节：

fill用十六进制色值而非"green"，确保跨设备颜色一致；
color = "white"是点睛之笔，白色边框让相邻柱子边界清晰，尤其在打印黑白稿时至关重要；
subtitle明确写出样本量N，这是统计图的基本素养，避免读者猜测数据规模。

此时图已可用，但离“出版级”还差得远。接下来是四步精细化打磨。

3.4 第四步：纵轴语义升级——从频数到密度，叠加理论分布曲线

业务方问：“这个峰值代表什么？” 仅看频数，你说“最多订单集中在 20–30 分钟”，但无法回答“这个集中程度是否显著高于随机分布？”。这时需切换到密度视角，并叠加正态分布曲线作参照：

# 计算均值和标准差，用于正态曲线 mu <- mean(df_clean$delivery_time_min) sigma <- sd(df_clean$delivery_time_min) p_density <- p_base + # 替换纵轴为密度 aes(y = ..density..) + # 移除原 y 标签，更新为密度 labs(y = "概率密度") + # 叠加正态密度曲线（用 stat_function） stat_function( fun = dnorm, args = list(mean = mu, sd = sigma), geom = "line", color = "#DC143C", # 猩红色，与柱子形成对比 size = 1.2, linetype = "dashed" ) + # 添加图例说明 annotate("text", x = 80, y = 0.025, label = "正态分布拟合", color = "#DC143C", fontface = "bold", size = 4) p_density

stat_function()是 ggplot2 的隐藏神器。它不依赖数据，而是直接调用 R 的概率分布函数（如dnorm,dgamma）生成理论曲线。这里args = list(mean = mu, sd = sigma)把样本均值和标准差传给dnorm，实现“用样本估计总体参数，再画理论曲线”的完整闭环。如果业务方质疑“为什么假设正态？”，你可以立刻换fun = dgamma试试伽马分布，或fun = dweibull试威布尔分布——这正是 ggplot2 图层思维的优势：统计逻辑和视觉呈现解耦，替换成本极低。

3.5 第五步：分组与着色——用`fill`映射分类变量，揭示深层结构

单一变量直方图只能看整体。但业务问题往往是：“新老用户配送时长有差异吗？”、“工作日和周末有差异吗？”。这时需引入分组：

# 假设 df_clean 有列 'user_type'（"new", "returning"）和 'day_type'（"weekday", "weekend"） p_grouped <- ggplot(df_clean, aes(x = delivery_time_min, fill = user_type)) + geom_histogram( binwidth = binwidth_final, position = "identity", # 重叠模式，便于对比形状 alpha = 0.7 ) + scale_fill_manual( values = c("#2E8B57", "#4169E1"), # 新用户绿，老用户蓝 name = "用户类型", labels = c("新用户", "回流用户") ) + labs( title = "新老用户配送时长分布对比", x = "配送时长（分钟）", y = "频数" ) + theme_minimal() + theme(legend.position = "top") p_grouped

关键参数解析：

position = "identity"：默认position = "stack"是堆叠，"dodge"是并排，但两者都扭曲了单个分布的形状。"identity"让两组柱子完全重叠，靠透明度和颜色区分，真实保留了各自的分布形态，适合比较峰度、偏度等特征。
scale_fill_manual()强制指定颜色和图例标签，避免 ggplot2 自动分配的user_type原始值（如"new"）出现在图例中，确保业务可读。
theme_minimal()去掉背景网格和边框，让焦点完全集中在分布对比上。

我曾用此法发现：新用户峰值在 25–35 分钟（熟悉流程中），而回流用户峰值在 15–25 分钟（操作熟练）。这个洞察直接推动产品团队优化新用户引导流程。

3.6 第六步：坐标轴与标度优化——让数字自己说话

默认坐标轴往往不够友好。以下是必做的五项调整：

x 轴刻度对齐 bin 边界：scale_x_continuous(breaks = seq(0, 120, by = 10))，确保刻度线与柱子边界重合，避免“柱子卡在两个刻度中间”的错觉。
y 轴强制从 0 开始：scale_y_continuous(expand = expansion(mult = c(0, 0.05)))，mult = c(0, 0.05)表示下界不扩展（即ymin = 0），上界扩展 5%，防止柱子顶到图顶。
添加参考线：geom_vline(xintercept = mu, linetype = "dashed", color = "gray50")画均值线，geom_hline(yintercept = 0, color = "black")强化 x 轴。
标题层级清晰：labs(title = ... , subtitle = ... , caption = "数据来源：2023年Q3订单库")，caption放数据出处，体现可追溯性。
字体统一：theme(text = element_text(family = "sans"))，避免中文字体混乱（RStudio 默认可能用宋体，导出 PDF 时崩坏）。

p_polished <- p_grouped + scale_x_continuous( breaks = seq(0, 120, by = 10), limits = c(0, 120) ) + scale_y_continuous( expand = expansion(mult = c(0, 0.05)), labels = scales::comma_format() ) + geom_vline(xintercept = mu, linetype = "dashed", color = "gray50", size = 0.8) + labs( caption = "数据来源：2023年Q3订单库 | 分析日期：2023-10-15" ) + theme_minimal() + theme( text = element_text(family = "sans"), plot.title = element_text(size = 16, face = "bold"), plot.subtitle = element_text(size = 12, color = "gray50"), legend.position = "top" ) p_polished

scales::comma_format()是神技，它把12486自动格式化为12,486，大幅提升数字可读性。这个包必须library(scales)，但值得。

3.7 第七步：导出与复用——生成可嵌入报告的高清图

最后一步常被忽略，却是交付质量的关键：

# 导出为 300dpi 高清 PNG（适合网页、PPT） ggsave( filename = "delivery_time_histogram.png", plot = p_polished, width = 10, height = 6, units = "in", # 10英寸宽，6英寸高 dpi = 300 ) # 导出为 PDF（适合论文、印刷，矢量无限缩放） ggsave( filename = "delivery_time_histogram.pdf", plot = p_polished, width = 10, height = 6, units = "in" ) # 保存为 RDS（保留 ggplot 对象，下次可直接加载修改） saveRDS(p_polished, "delivery_time_histogram.rds")

ggsave()的units = "in"是重点。很多人用cm或mm，但 R 的单位系统对in支持最稳定。width = 10, height = 6是标准报告图幅（类似 A4 横版），确保在 PPT 中不需缩放。PDF 导出无需指定 dpi，因为它是矢量格式；而 PNG 必须设dpi = 300，否则在高清屏上发虚。saveRDS()是专业习惯——把最终图对象存下来，下次业务方说“把标题改成‘2023年Q4’”，你只需p <- readRDS("...")，然后p + labs(title = "...")，30 秒搞定，不用重跑全部代码。

4. 常见问题与排查技巧实录：那些让我凌晨两点还在 debug 的报错

4.1 错误`stat_bin()`requires an x aesthetic —— 你以为指定了 x，其实没指定

这是新手最高频报错。表面看代码写了aes(x = var)，但实际原因有三个：

aes()写在geom_histogram()里，但data没传给ggplot()：

# ❌ 错误：ggplot() 没 data，geom 里 aes 无效 ggplot() + geom_histogram(aes(x = delivery_time_min)) # ✅ 正确：data 必须在 ggplot() 层指定 ggplot(df_clean, aes(x = delivery_time_min)) + geom_histogram()

变量名拼写错误，或数据框没加载到环境：
df_clean$delivry_time_min（少了个e）或df_clean对象根本不存在。用ls()和str(df_clean)先确认。

用了管道%>%但没把数据传进ggplot()：

# ❌ 错误：管道输出是数据框，但 ggplot() 没接收 df_clean %>% ggplot(aes(x = delivery_time_min)) + geom_histogram() # ✅ 正确：管道输出作为 ggplot() 的第一个参数 df_clean %>% ggplot(aes(x = delivery_time_min)) + geom_histogram()

注意：ggplot(data, aes(...))中data是位置参数，管道%>%会自动把它塞进去，所以上面的 ✅ 写法是合法的。但如果你写成df_clean %>% ggplot() + aes(x = ...), 就会报错，因为aes()不是ggplot()的参数。

4.2 柱子高度为 0 或全是 NA ——`binwidth`太大，数据全挤在一个 bin 里

现象：图只有一根超高的柱子，或Warning: Removed 12486 rows containing missing values (geom_bar)。根本原因是binwidth远大于数据范围。例如，delivery_time_min范围是0–120，你设binwidth = 200，那所有数据都落在[0, 200)这一个 bin 里，count = 12486，y = 12486，其他 bin 全空。

排查步骤：

range(df_clean$delivery_time_min)查数据范围；
binwidth必须小于diff(range(...))，理想是diff(...) / 20到diff(...) / 100；
如果数据范围极小（如c(1.01, 1.05)），binwidth = 0.01可能仍太大，此时用bins = 20更稳妥。

4.3 柱子之间有缝隙，或重叠溢出 ——`boundary`和`center`参数没设好

geom_histogram()默认以0为基准对齐 bin 边界。如果数据最小值是1.2，binwidth = 5，默认 bin 是0–5, 5–10...，那么1.2落在第一个 bin，但0–1.2这段是空的，柱子左边悬空。解决方法是强制boundary对齐数据起点：

# ✅ 让第一个 bin 左边界 = min(data) geom_histogram(binwidth = 5, boundary = min(df_clean$var)) # ✅ 或让第一个 bin 中心 = min(data)，等效 geom_histogram(binwidth = 5, center = min(df_clean$var) + 5/2)

boundary更直观，我始终优先用它。center适合当你知道某个业务锚点（如“午休开始于 12:00”，想让 12:00 成为 bin 中心）。

4.4 叠加密度曲线不匹配——`stat_function()`的`args`传错了

现象：正态曲线又矮又宽，或又高又窄，完全不贴合直方图。常见错误：

args = list(mean = mu, sd = sigma)写成args = list(mean = mu, sd = sigma^2)（传了方差而非标准差）；
fun = dnorm但y轴是..count..，而dnorm输出密度，单位不匹配。必须确保y = ..density..；
xlim范围太小，stat_function()只在可见范围内画线，超出部分被裁剪。用coord_cartesian(xlim = c(...))而非xlim()，前者只缩放视图，后者会丢弃数据。

4.5 分组直方图颜色混乱——`fill`映射了数值型变量

aes(fill = score)（score是数值），ggplot2 会自动把它当连续变量，用渐变色填充，而你想的是离散分组。解决方案：

# ❌ 错误：score 是数值，fill 当连续变量处理 aes(fill = score) # ✅ 正确：转为因子，明确告知是分类变量 aes(fill = factor(score)) # ✅ 更佳：用 cut() 分箱，再转因子 aes(fill = factor(cut(score, breaks = c(0, 60, 80, 100))))

factor()是分类变量的保险栓。永远不要相信原始数据类型，str(df)后手动factor()一次，省去后续所有颜色、图例、排序的麻烦。

5. 实战延伸：三个高价值场景的直方图定制方案

5.1 场景一：临床实验室报告——带参考区间的直方图

医疗报告要求标注“正常参考区间”（如 ALT 酶：0–40 U/L）。直方图需同时显示：

数据分布柱子；
参考区间阴影带；
区间边界虚线；
异常值标记（>40 的点）。

# 假设 df_lab 有列 'alt_value' 和 'reference_low = 0', 'reference_high = 40' p_clinic <- ggplot(df_lab, aes(x = alt_value)) + geom_histogram(binwidth = 2, fill = "#2E8B57", alpha = 0.6) + # 参考区间阴影 geom_rect( xmin = 0, xmax = 40, ymin = -Inf, ymax = Inf, fill = "lightblue", alpha = 0.2 ) + # 参考线 geom_vline(xintercept = 0, linetype = "dashed", color = "blue") + geom_vline(xintercept = 40, linetype = "dashed", color = "blue") + # 异常值点（>40） geom_point( data = subset(df_lab, alt_value > 40), aes(x = alt_value, y = 0), color = "red", size = 2 ) + labs( title = "ALT 酶水平分布", subtitle = "参考区间：0–40 U/L（蓝色虚线）", x = "ALT 值（U/L）", y = "频数" ) + theme_minimal() p_clinic

geom_rect()画矩形阴影，xmin/xmax设区间，ymin/ymax = -Inf/Inf让它铺满整个 y 轴。这是临床报告的标准做法，比单纯加annotate()