您可以创建自己的方法在geom_smooth中使用。只要你有一个函数，它产生一个对象，predict泛型在该对象上工作，以获取一个具有一个名为x的列的 Dataframe ，并将其转换为y的适当值。
作为示例，让我们创建一个简单的模型，沿着运行的中位数进行插值。我们将它 Package 在自己的类中，并给予它自己的predict方法：

rolling_median <- function(formula, data, n_roll = 11, ...) {
  x <- data$x[order(data$x)]
  y <- data$y[order(data$x)]
  y <- zoo::rollmedian(y, n_roll, na.pad = TRUE)
  structure(list(x = x, y = y, f = approxfun(x, y)), class = "rollmed")
}

predict.rollmed <- function(mod, newdata, ...) {
  setNames(mod$f(newdata$x), newdata$x)
}

现在我们可以在geom_smooth中使用我们的方法：

ggplot(data = NULL, aes(x = X, y = y)) + 
  geom_smooth(formula = y ~ x, method = "rolling_median", se = FALSE)

当然，这看起来不是很“平坦”，但它比标准geom_smooth()的黄土方法计算的线要平坦得多：

ggplot(data = NULL, aes(x = X, y = y)) + 
  geom_smooth(formula = y ~ x, color = "red", se = FALSE) +
  geom_smooth(formula = y ~ x, method = "rolling_median", se = FALSE)

现在，我明白这与“中位数回归”是不一样的，所以你可能希望探索不同的方法，但是如果你想让geom_smooth来绘制它们，这就是你可以做的。注意，如果需要标准错误，则需要让predict函数返回一个成员名为fit和se.fit的列表

这里是@Allan的答案的修改，它使用固定的x窗口而不是固定数量的点。这对于不规则时间序列和同时具有多个观测值（x值）的序列非常有用。它使用了一个循环，所以效率不是很高，而且对于较大的数据集会很慢。

# running median with time window

library(dplyr)
library(ggplot2)
library(zoo)

# some irregular and skewed data
set.seed(1)
x <- seq(2000, 2020, length.out = 400) # normal time series, gives same result for both methods
x <- sort(rep(runif(40, min = 2000, max = 2020), 10)) # irregular and repeated time series
y <- exp(runif(length(x), min = -1, max = 3))
data <- data.frame(x = x, y = y)
# ggplot(data) + geom_point(aes(x = x, y = y))

# 2 year window
xwindow <- 2
nwindow <- xwindow * length(x) / 20 - 1

# rolling median
rolling_median <- function(formula, data, n_roll = 11, ...) {
  x <- data$x[order(data$x)]
  y <- data$y[order(data$x)]
  y <- zoo::rollmedian(y, n_roll, na.pad = TRUE)
  structure(list(x = x, y = y, f = approxfun(x, y)), class = "rollmed")
}

predict.rollmed <- function(mod, newdata, ...) {
  setNames(mod$f(newdata$x), newdata$x)
}

# rolling time window median
rolling_median2 <- function(formula, data, xwindow = 2, ...) {
  x <- data$x[order(data$x)]
  y <- data$y[order(data$x)]
  ys <- rep(NA, length(x)) # for the smoothed y values
  xs <- setdiff(unique(x), NA) # the unique x values
  i <- 1 # for testing
  for (i in seq_along(xs)){
    j <- xs[i] - xwindow/2 < x & x < xs[i] + xwindow/2 # x points in this window
    ys[x == xs[i]] <- median(y[j], na.rm = TRUE) # y median over this window
  }
  y <- ys
  structure(list(x = x, y = y, f = approxfun(x, y)), class = "rollmed2")
}

predict.rollmed2 <- function(mod, newdata, ...) {
  setNames(mod$f(newdata$x), newdata$x)
}

# plot smooth
ggplot(data) +
  geom_point(aes(x = x, y = y)) +
  geom_smooth(aes(x = x, y = y, colour = "nwindow"), formula = y ~ x, method = "rolling_median", se = FALSE, method.args = list(n_roll = nwindow)) +
  geom_smooth(aes(x = x, y = y, colour = "xwindow"), formula = y ~ x, method = "rolling_median2", se = FALSE, method.args = list(xwindow = xwindow))

x1c 0d1x由reprex package（v2.0.1）于2022-01-05创建

低代码解决方案是使用加性分位数回归平滑：

ggplot(data = NULL, aes(x = X, y = y)) + 
  geom_quantile(method = "rqss", quantiles = 0.5, lambda = 0.2)

正如艾伦·卡梅隆所指出的，这真的很“平滑”--它只是在y轴上放大了。lambda越高，越平滑。