堆积条形图：如果每个子类别（填充）都是唯一的怎么办？
Stacked bar chart : what if each subcategory (fill) is unique?
上下文
我有一个数据集，其中使用类别和子类别来描述观察结果。子类别是这样的，给定的类别仅链接到一个类别（想想 "category ~ car brand" 和 "subcategory ~ car model"）。
想象一下，我数了数我每天能看到的通过我的 window 的汽车数量。我应该得到一个类似于这样的数据集：
_______________________________________________________
| Date | Brand | Model | Count |
|===========:===============:===============:===========|
| 18-01-01 | Ford | Model T | 1 |
| 18-01-01 | Ford | Focus | 13 |
| 18-01-01 | Tesla | Model X | 17 |
| 18-01-02 | Ford | Model T | 1 |
| 18-01-02 | Honda | Civic | 210 |
| _ | _ | _ | _ |
|___________|_______________|_______________|___________|
问题
我想创建一个（水平）条形图，显示按类别分组的条目数（即每个条形代表一个品牌）。此外，我想按模型对每个条形图进行细分（即，最接近条形图轴的部分代表品牌中计数最多的模型，然后是计数第二多的模型，等等）。
我可以生成这样的图表，但每个子类别随后都表示为单个图例项（请参见下面示例中的第一张图表）。但在我的真实示例中，我有十几个类别——每个类别都使用十几个子类别（因此总共有大约 150 个子类别）。这使得这样的解决方案不是 "usable".
问题
如何生成这样的图表，其中每个条形 (~brand) 都有一种颜色 (blue/red/yellow)，每个子类别都是它的单色 shade/tint 变体（深色 blue/medium blue/light蓝色；深红色/……）？
（实际上，子类别是车型，因此特定于每个品牌 — 而不是 generic/multi-brand 类别，例如 "the most observed model of the brand"。此外，每个品牌的车型数量各不相同。）
例子
我可以使用以下代码生成接近的结果（请参阅示例底部的数据）：
library(ggplot2)
df = read.csv('fake-data.csv', header = TRUE)
df <- df[order(df$car_brand, decreasing = FALSE),]
ggplot(df, aes(x=car_brand, y=count, fill = car_model)) +
geom_bar(position = 'stack', stat = 'identity') +
coord_flip()
但是，我得到了每个模型的单一颜色和图例条目。
我更喜欢每个品牌一种颜色，每个品牌型号的给定颜色 shade/tint 有变化。
这里是fake-data.csv的内容，明显是假数据：
month,car_brand,car_model,count
18-01,Tesla,Model X,8
18-01,Ford,Model T,11
18-01,Ford,Focus,9
18-01,Ford,Focus,19
18-01,Tesla,Model 3,8
18-01,BMW,1 series,4
18-01,Ford,Model T,18
18-01,Honda,Civic,13
18-01,Ford,Model T,9
18-01,Tesla,Model S,18
18-01,BMW,1 series,6
18-01,Ford,Focus,10
18-01,Honda,Civic,9
18-01,Audi,A6,14
18-01,Audi,R8,19
18-01,Ford,Focus,13
18-01,BMW,1 series,7
18-01,Tesla,Model 3,12
18-01,BMW,1 series,11
18-01,BMW,1 series,9
18-01,BMW,1 series,4
18-01,BMW,1 series,11
18-01,Ford,Model T,17
18-01,Honda,Civic,10
18-01,BMW,1 series,9
18-01,Ford,Focus,19
18-01,Honda,Civic,9
18-01,Ford,Focus,15
18-01,Audi,A8,12
18-01,Tesla,Model X,6
18-01,Honda,Civic,14
18-01,BMW,1 series,16
18-01,Tesla,Model X,18
18-01,Tesla,Model X,16
18-01,Audi,TT,20
18-01,Tesla,Model 3,9
18-01,Tesla,Model X,21
18-01,BMW,1 series,9
18-01,Audi,A8,18
18-01,BMW,1 series,2
18-01,Ford,Focus,2
18-01,Honda,Civic,7
18-01,Tesla,Model X,9
18-01,Honda,Civic,3
18-01,BMW,1 series,5
18-01,Ford,Focus,14
18-01,Honda,Civic,4
18-01,Tesla,Model S,4
18-01,Honda,Civic,7
18-01,Honda,Civic,13
18-01,Tesla,Model 3,3
18-01,Tesla,Model 3,9
18-01,BMW,1 series,13
18-01,Ford,Model T,11
18-01,Ford,Focus,10
18-01,Tesla,Model S,18
18-01,Audi,Q3,6
18-01,Audi,R8,13
18-01,Tesla,Model X,21
18-01,BMW,1 series,13
18-01,Ford,Focus,17
18-01,Tesla,Model X,14
18-01,Audi,TT,3
18-01,Ford,Model T,11
18-01,Honda,Civic,7
18-01,Ford,Focus,4
18-01,Honda,accord,6
18-01,Ford,Focus,10
18-01,Ford,Model T,10
18-01,Honda,Civic,15
18-01,Ford,Model T,2
18-01,Tesla,Model X,10
18-01,Ford,Focus,11
18-01,Tesla,Model X,14
18-01,Honda,Civic,13
18-01,BMW,1 series,19
18-01,BMW,1 series,21
18-01,Ford,Focus,8
18-01,Tesla,Model X,12
18-01,Honda,Civic,5
18-01,Honda,Civic,14
18-01,Honda,Civic,17
18-01,Audi,R8,16
18-01,Honda,Civic,12
18-01,Audi,A6,20
18-01,Tesla,Model X,4
18-01,Audi,TT,4
18-01,Ford,Focus,16
18-01,Audi,Q3,16
18-01,BMW,1 series,12
18-01,Audi,A8,18
18-01,Honda,Civic,1
18-01,Audi,A8,7
18-01,Audi,Q3,10
18-01,Tesla,Model X,18
18-01,Ford,Focus,19
18-01,Ford,Model T,2
18-01,Tesla,Model 3,15
18-01,Ford,Model T,13
18-01,Ford,Model T,2
18-01,Audi,Q3,14
18-01,BMW,1 series,4
18-01,Audi,R8,1
18-01,Honda,Civic,2
18-01,Tesla,Model 3,4
18-01,BMW,1 series,16
18-01,Audi,A8,5
18-01,Ford,Model T,18
18-01,Tesla,Model X,21
18-01,Ford,Focus,4
18-01,Ford,Focus,7
18-01,BMW,1 series,16
18-01,Tesla,Model X,16
18-01,Tesla,Model 3,14
18-01,BMW,1 series,8
18-01,BMW,1 series,13
18-01,Tesla,Model 3,7
18-01,Ford,Focus,21
18-01,BMW,1 series,14
18-01,BMW,1 series,10
18-01,Ford,Focus,11
18-01,Tesla,Model 3,13
18-01,Honda,Civic,4
18-01,Ford,Focus,11
18-01,Ford,Focus,8
18-01,BMW,1 series,18
18-01,Honda,Civic,18
18-01,Honda,Civic,15
18-01,Ford,Focus,9
18-01,Tesla,Model 3,4
18-01,BMW,1 series,5
18-01,Tesla,Model S,5
18-01,Audi,TT,12
18-01,Honda,Civic,17
18-01,BMW,1 series,9
18-01,Honda,Civic,7
18-01,Tesla,Model 3,15
18-01,Audi,A8,21
18-01,Ford,Model T,21
18-01,Ford,Model T,9
18-01,BMW,1 series,18
18-01,Tesla,Model 3,7
18-01,BMW,1 series,15
18-01,BMW,1 series,2
18-01,Ford,Model T,18
18-01,Audi,R8,17
18-01,Tesla,Model 3,3
18-01,Audi,A8,9
18-01,BMW,1 series,10
18-01,Audi,Q3,4
18-01,BMW,1 series,8
18-01,Honda,accord,19
18-01,Tesla,Model S,6
18-01,Audi,TT,18
18-01,Audi,Q3,21
18-01,Tesla,Model S,3
18-01,Tesla,Model S,9
18-01,Audi,Q3,1
18-01,Tesla,Model X,18
18-01,Honda,Civic,8
18-01,Audi,R8,14
18-01,Honda,Civic,21
18-01,Tesla,Model X,9
18-01,Audi,TT,16
18-01,Audi,A8,19
18-01,Ford,Focus,2
18-01,BMW,1 series,12
18-01,Ford,Model T,9
18-01,Tesla,Model X,9
18-01,Audi,R8,18
18-01,Honda,Civic,3
18-01,Honda,accord,7
18-01,Audi,A6,13
18-01,Audi,A8,13
18-01,Ford,Focus,8
18-01,Honda,accord,10
18-01,Audi,R8,20
18-01,Honda,Civic,18
18-01,Ford,Focus,7
18-01,Audi,R8,10
18-01,Audi,A6,13
18-01,Honda,Civic,4
18-01,Audi,A8,7
18-01,Audi,Q3,15
18-01,Honda,Civic,10
18-01,Audi,A8,6
18-01,Honda,Civic,1
18-01,Tesla,Model 3,21
18-01,Ford,Model T,7
18-01,BMW,1 series,6
18-01,Honda,Civic,4
18-01,Audi,A6,12
18-01,Honda,Civic,6
18-01,Tesla,Model S,17
18-01,Tesla,Model S,2
18-01,Tesla,Model X,6
18-01,Audi,A8,2
18-01,Tesla,Model 3,14
18-01,BMW,1 series,4
18-01,BMW,1 series,20
18-01,Honda,accord,17
18-01,Honda,Civic,14
18-01,BMW,1 series,16
18-01,Audi,A8,17
18-01,Audi,A6,11
18-01,Ford,Model T,1
18-01,BMW,1 series,18
18-01,Tesla,Model 3,11
18-01,Honda,Civic,21
这是一种映射到 alpha 的方法 - 这是我所知道的最接近您所追求的东西。
library(tidyverse)
df %>%
group_by(car_brand, car_model) %>%
summarise_at(vars(count), sum) %>%
group_by(car_brand) %>%
mutate(
model_rank = car_model %>% rank(),
) %>%
ggplot(aes(x = car_brand, y = count, fill = car_brand, alpha = model_rank)) +
scale_alpha_continuous(range = c(1, .25)) +
theme(legend.position = 'none') +
geom_bar(position = 'stack', stat = 'identity') +
coord_flip()
这是一个老实说比需要的更复杂的解决方案。在大多数情况下，我只推荐@Melissa Key 的答案，即映射到 alpha，但我对执行此操作的方法感到好奇并且可以扩展。这利用了将多个调色板粘贴在一起，每个调色板一个，并根据品牌为该矢量中的每个项目分配名称。
我做的第一件事是按品牌和型号总结总计数的数据框。然后我将 make 和 model 都变成了因素，并使用 forcats 函数对它们进行排序，按 make 排序（只是按字母顺序排列，但你可以更改它），然后按最常见的模型排序。
library(tidyverse)
library(RColorBrewer)
df_sums <- df %>%
group_by(car_brand, car_model) %>%
summarise(count = sum(count)) %>%
ungroup() %>%
mutate(car_brand = as.factor(car_brand)) %>%
mutate(car_model = as.factor(car_model) %>% fct_reorder2(car_brand, count, .desc = T)) %>%
arrange(car_brand, car_model)
df_sums
#> # A tibble: 13 x 3
#> car_brand car_model count
#> <fct> <fct> <int>
#> 1 Audi A8 154
#> 2 Audi R8 128
#> 3 Audi Q3 87
#> 4 Audi A6 83
#> 5 Audi TT 73
#> 6 BMW 1 series 413
#> 7 Ford Focus 284
#> 8 Ford Model T 189
#> 9 Honda Civic 346
#> 10 Honda accord 59
#> 11 Tesla Model X 250
#> 12 Tesla Model 3 169
#> 13 Tesla Model S 82
据此，我沿着数据框的拆分版本和调色板名称向量进行映射，这样我就可以按名称获得 Color Brewer 调色板，每个品牌一个。单色调顺序刻度很适合这个，而且取起来也很方便。这里的问题是你需要在 brewer.pal 中给出颜色的数量，但是这个 returns 至少有 3 种颜色，所以你需要对颜色向量进行子集化以给出正确的颜色数量.在每个调色板有更多颜色或使用 brewer.pal 以外的其他颜色来获取调色板的情况下，这不是必需的。然后我将调色板的名称设置为模型的名称，以在 scale_fill_manual.
中保持秩序。
pals <- c("Blues", "Purples", "Greens", "Reds", "Oranges")
colors <- df_sums %>%
split(.$car_brand) %>%
map2(pals, function(d, pal) {
n <- nrow(d)
brewer.pal(n, pal)[1:n] %>%
setNames(d$car_model)
}) %>%
reduce(c)
head(colors)
#> A8 R8 Q3 A6 TT 1 series
#> "#EFF3FF" "#BDD7E7" "#6BAED6" "#3182BD" "#08519C" "#EFEDF5"
df_sums %>%
ggplot(aes(x = car_brand, y = count, fill = car_model)) +
geom_col() +
coord_flip() +
scale_fill_manual(values = colors)
我还没弄明白为什么图例会按这个顺序出现，但是您可以更改标签的顺序，或者完全放弃图例，具体取决于您想要的输出。希望这不是太复杂！
上下文
我有一个数据集，其中使用类别和子类别来描述观察结果。子类别是这样的，给定的类别仅链接到一个类别（想想 "category ~ car brand" 和 "subcategory ~ car model"）。
想象一下，我数了数我每天能看到的通过我的 window 的汽车数量。我应该得到一个类似于这样的数据集：
_______________________________________________________
| Date | Brand | Model | Count |
|===========:===============:===============:===========|
| 18-01-01 | Ford | Model T | 1 |
| 18-01-01 | Ford | Focus | 13 |
| 18-01-01 | Tesla | Model X | 17 |
| 18-01-02 | Ford | Model T | 1 |
| 18-01-02 | Honda | Civic | 210 |
| _ | _ | _ | _ |
|___________|_______________|_______________|___________|
问题
我想创建一个（水平）条形图，显示按类别分组的条目数（即每个条形代表一个品牌）。此外，我想按模型对每个条形图进行细分（即，最接近条形图轴的部分代表品牌中计数最多的模型，然后是计数第二多的模型，等等）。
我可以生成这样的图表，但每个子类别随后都表示为单个图例项（请参见下面示例中的第一张图表）。但在我的真实示例中，我有十几个类别——每个类别都使用十几个子类别（因此总共有大约 150 个子类别）。这使得这样的解决方案不是 "usable".
问题
如何生成这样的图表，其中每个条形 (~brand) 都有一种颜色 (blue/red/yellow)，每个子类别都是它的单色 shade/tint 变体（深色 blue/medium blue/light蓝色；深红色/……）？
（实际上，子类别是车型，因此特定于每个品牌 — 而不是 generic/multi-brand 类别，例如 "the most observed model of the brand"。此外，每个品牌的车型数量各不相同。）
例子
我可以使用以下代码生成接近的结果（请参阅示例底部的数据）：
library(ggplot2)
df = read.csv('fake-data.csv', header = TRUE)
df <- df[order(df$car_brand, decreasing = FALSE),]
ggplot(df, aes(x=car_brand, y=count, fill = car_model)) +
geom_bar(position = 'stack', stat = 'identity') +
coord_flip()
但是，我得到了每个模型的单一颜色和图例条目。 我更喜欢每个品牌一种颜色，每个品牌型号的给定颜色 shade/tint 有变化。
这里是fake-data.csv的内容，明显是假数据：
month,car_brand,car_model,count
18-01,Tesla,Model X,8
18-01,Ford,Model T,11
18-01,Ford,Focus,9
18-01,Ford,Focus,19
18-01,Tesla,Model 3,8
18-01,BMW,1 series,4
18-01,Ford,Model T,18
18-01,Honda,Civic,13
18-01,Ford,Model T,9
18-01,Tesla,Model S,18
18-01,BMW,1 series,6
18-01,Ford,Focus,10
18-01,Honda,Civic,9
18-01,Audi,A6,14
18-01,Audi,R8,19
18-01,Ford,Focus,13
18-01,BMW,1 series,7
18-01,Tesla,Model 3,12
18-01,BMW,1 series,11
18-01,BMW,1 series,9
18-01,BMW,1 series,4
18-01,BMW,1 series,11
18-01,Ford,Model T,17
18-01,Honda,Civic,10
18-01,BMW,1 series,9
18-01,Ford,Focus,19
18-01,Honda,Civic,9
18-01,Ford,Focus,15
18-01,Audi,A8,12
18-01,Tesla,Model X,6
18-01,Honda,Civic,14
18-01,BMW,1 series,16
18-01,Tesla,Model X,18
18-01,Tesla,Model X,16
18-01,Audi,TT,20
18-01,Tesla,Model 3,9
18-01,Tesla,Model X,21
18-01,BMW,1 series,9
18-01,Audi,A8,18
18-01,BMW,1 series,2
18-01,Ford,Focus,2
18-01,Honda,Civic,7
18-01,Tesla,Model X,9
18-01,Honda,Civic,3
18-01,BMW,1 series,5
18-01,Ford,Focus,14
18-01,Honda,Civic,4
18-01,Tesla,Model S,4
18-01,Honda,Civic,7
18-01,Honda,Civic,13
18-01,Tesla,Model 3,3
18-01,Tesla,Model 3,9
18-01,BMW,1 series,13
18-01,Ford,Model T,11
18-01,Ford,Focus,10
18-01,Tesla,Model S,18
18-01,Audi,Q3,6
18-01,Audi,R8,13
18-01,Tesla,Model X,21
18-01,BMW,1 series,13
18-01,Ford,Focus,17
18-01,Tesla,Model X,14
18-01,Audi,TT,3
18-01,Ford,Model T,11
18-01,Honda,Civic,7
18-01,Ford,Focus,4
18-01,Honda,accord,6
18-01,Ford,Focus,10
18-01,Ford,Model T,10
18-01,Honda,Civic,15
18-01,Ford,Model T,2
18-01,Tesla,Model X,10
18-01,Ford,Focus,11
18-01,Tesla,Model X,14
18-01,Honda,Civic,13
18-01,BMW,1 series,19
18-01,BMW,1 series,21
18-01,Ford,Focus,8
18-01,Tesla,Model X,12
18-01,Honda,Civic,5
18-01,Honda,Civic,14
18-01,Honda,Civic,17
18-01,Audi,R8,16
18-01,Honda,Civic,12
18-01,Audi,A6,20
18-01,Tesla,Model X,4
18-01,Audi,TT,4
18-01,Ford,Focus,16
18-01,Audi,Q3,16
18-01,BMW,1 series,12
18-01,Audi,A8,18
18-01,Honda,Civic,1
18-01,Audi,A8,7
18-01,Audi,Q3,10
18-01,Tesla,Model X,18
18-01,Ford,Focus,19
18-01,Ford,Model T,2
18-01,Tesla,Model 3,15
18-01,Ford,Model T,13
18-01,Ford,Model T,2
18-01,Audi,Q3,14
18-01,BMW,1 series,4
18-01,Audi,R8,1
18-01,Honda,Civic,2
18-01,Tesla,Model 3,4
18-01,BMW,1 series,16
18-01,Audi,A8,5
18-01,Ford,Model T,18
18-01,Tesla,Model X,21
18-01,Ford,Focus,4
18-01,Ford,Focus,7
18-01,BMW,1 series,16
18-01,Tesla,Model X,16
18-01,Tesla,Model 3,14
18-01,BMW,1 series,8
18-01,BMW,1 series,13
18-01,Tesla,Model 3,7
18-01,Ford,Focus,21
18-01,BMW,1 series,14
18-01,BMW,1 series,10
18-01,Ford,Focus,11
18-01,Tesla,Model 3,13
18-01,Honda,Civic,4
18-01,Ford,Focus,11
18-01,Ford,Focus,8
18-01,BMW,1 series,18
18-01,Honda,Civic,18
18-01,Honda,Civic,15
18-01,Ford,Focus,9
18-01,Tesla,Model 3,4
18-01,BMW,1 series,5
18-01,Tesla,Model S,5
18-01,Audi,TT,12
18-01,Honda,Civic,17
18-01,BMW,1 series,9
18-01,Honda,Civic,7
18-01,Tesla,Model 3,15
18-01,Audi,A8,21
18-01,Ford,Model T,21
18-01,Ford,Model T,9
18-01,BMW,1 series,18
18-01,Tesla,Model 3,7
18-01,BMW,1 series,15
18-01,BMW,1 series,2
18-01,Ford,Model T,18
18-01,Audi,R8,17
18-01,Tesla,Model 3,3
18-01,Audi,A8,9
18-01,BMW,1 series,10
18-01,Audi,Q3,4
18-01,BMW,1 series,8
18-01,Honda,accord,19
18-01,Tesla,Model S,6
18-01,Audi,TT,18
18-01,Audi,Q3,21
18-01,Tesla,Model S,3
18-01,Tesla,Model S,9
18-01,Audi,Q3,1
18-01,Tesla,Model X,18
18-01,Honda,Civic,8
18-01,Audi,R8,14
18-01,Honda,Civic,21
18-01,Tesla,Model X,9
18-01,Audi,TT,16
18-01,Audi,A8,19
18-01,Ford,Focus,2
18-01,BMW,1 series,12
18-01,Ford,Model T,9
18-01,Tesla,Model X,9
18-01,Audi,R8,18
18-01,Honda,Civic,3
18-01,Honda,accord,7
18-01,Audi,A6,13
18-01,Audi,A8,13
18-01,Ford,Focus,8
18-01,Honda,accord,10
18-01,Audi,R8,20
18-01,Honda,Civic,18
18-01,Ford,Focus,7
18-01,Audi,R8,10
18-01,Audi,A6,13
18-01,Honda,Civic,4
18-01,Audi,A8,7
18-01,Audi,Q3,15
18-01,Honda,Civic,10
18-01,Audi,A8,6
18-01,Honda,Civic,1
18-01,Tesla,Model 3,21
18-01,Ford,Model T,7
18-01,BMW,1 series,6
18-01,Honda,Civic,4
18-01,Audi,A6,12
18-01,Honda,Civic,6
18-01,Tesla,Model S,17
18-01,Tesla,Model S,2
18-01,Tesla,Model X,6
18-01,Audi,A8,2
18-01,Tesla,Model 3,14
18-01,BMW,1 series,4
18-01,BMW,1 series,20
18-01,Honda,accord,17
18-01,Honda,Civic,14
18-01,BMW,1 series,16
18-01,Audi,A8,17
18-01,Audi,A6,11
18-01,Ford,Model T,1
18-01,BMW,1 series,18
18-01,Tesla,Model 3,11
18-01,Honda,Civic,21
这是一种映射到 alpha 的方法 - 这是我所知道的最接近您所追求的东西。
library(tidyverse)
df %>%
group_by(car_brand, car_model) %>%
summarise_at(vars(count), sum) %>%
group_by(car_brand) %>%
mutate(
model_rank = car_model %>% rank(),
) %>%
ggplot(aes(x = car_brand, y = count, fill = car_brand, alpha = model_rank)) +
scale_alpha_continuous(range = c(1, .25)) +
theme(legend.position = 'none') +
geom_bar(position = 'stack', stat = 'identity') +
coord_flip()
这是一个老实说比需要的更复杂的解决方案。在大多数情况下，我只推荐@Melissa Key 的答案，即映射到 alpha，但我对执行此操作的方法感到好奇并且可以扩展。这利用了将多个调色板粘贴在一起，每个调色板一个，并根据品牌为该矢量中的每个项目分配名称。
我做的第一件事是按品牌和型号总结总计数的数据框。然后我将 make 和 model 都变成了因素，并使用 forcats 函数对它们进行排序，按 make 排序（只是按字母顺序排列，但你可以更改它），然后按最常见的模型排序。
library(tidyverse)
library(RColorBrewer)
df_sums <- df %>%
group_by(car_brand, car_model) %>%
summarise(count = sum(count)) %>%
ungroup() %>%
mutate(car_brand = as.factor(car_brand)) %>%
mutate(car_model = as.factor(car_model) %>% fct_reorder2(car_brand, count, .desc = T)) %>%
arrange(car_brand, car_model)
df_sums
#> # A tibble: 13 x 3
#> car_brand car_model count
#> <fct> <fct> <int>
#> 1 Audi A8 154
#> 2 Audi R8 128
#> 3 Audi Q3 87
#> 4 Audi A6 83
#> 5 Audi TT 73
#> 6 BMW 1 series 413
#> 7 Ford Focus 284
#> 8 Ford Model T 189
#> 9 Honda Civic 346
#> 10 Honda accord 59
#> 11 Tesla Model X 250
#> 12 Tesla Model 3 169
#> 13 Tesla Model S 82
据此，我沿着数据框的拆分版本和调色板名称向量进行映射，这样我就可以按名称获得 Color Brewer 调色板，每个品牌一个。单色调顺序刻度很适合这个，而且取起来也很方便。这里的问题是你需要在 brewer.pal 中给出颜色的数量，但是这个 returns 至少有 3 种颜色，所以你需要对颜色向量进行子集化以给出正确的颜色数量.在每个调色板有更多颜色或使用 brewer.pal 以外的其他颜色来获取调色板的情况下，这不是必需的。然后我将调色板的名称设置为模型的名称，以在 scale_fill_manual.
pals <- c("Blues", "Purples", "Greens", "Reds", "Oranges")
colors <- df_sums %>%
split(.$car_brand) %>%
map2(pals, function(d, pal) {
n <- nrow(d)
brewer.pal(n, pal)[1:n] %>%
setNames(d$car_model)
}) %>%
reduce(c)
head(colors)
#> A8 R8 Q3 A6 TT 1 series
#> "#EFF3FF" "#BDD7E7" "#6BAED6" "#3182BD" "#08519C" "#EFEDF5"
df_sums %>%
ggplot(aes(x = car_brand, y = count, fill = car_model)) +
geom_col() +
coord_flip() +
scale_fill_manual(values = colors)
我还没弄明白为什么图例会按这个顺序出现，但是您可以更改标签的顺序，或者完全放弃图例，具体取决于您想要的输出。希望这不是太复杂！