下面内容摘录自《用R探索医药数据科学》专栏文章的部分内容(原文6991字)。
1章4节:数据可视化, R 语言的静态绘图和 Shiny 的交互可视化演示(更新20240814)_在r语言的众多可视化中,哪个包提供了交互式图形的功能但并未专门用于静态图表绘制-CSDN博客
一、数据可视化(Data Visualization)
我们知道,数据是对客观事件进行记录并能够被识别的符号,它记录了物体的属性、状态及其之间的关系。理解数据中蕴含的信息是一项重要挑战。安全和可互操作的临床数据集的收集和挖掘对科学进步、人工智能训练、药物研究、科学探索、商业调查和精准医疗至关重要。数据分析的强调使得医疗设备变得普遍,患者特定数据及其相关分析也成为数字健康公司的主要收入来源。需求和数据利用能力推动了健康数据市场的形成,促进了健康数据与医学研究者之间的联系,加快了医学研究和科学突破的进程。
在数据使用过程中,数据可视化(Data Visualization)不可或缺。它能将复杂的临床数据转换成直观的图形和图像,展示数据间的关联和趋势,通过人类视觉思维能力帮助理解大量数据信息,发现数据中的规律,从而提高数据使用效率。在临床数据分析中,医生可以更直观地看到病患的健康趋势、治疗效果以及可能存在的风险因素。例如,通过折线图展示病人的生理参数随时间的变化,医生可以快速发现并分析患者的健康变化趋势。所以,数据可视化能够帮助医生和研究人员快速理解大量复杂的医疗数据,从而支持医学决策和治疗方案的制定。
R语言是目前最常用的数据可视化工具之一,通过ggplot2、recharts、shiy、plotly等扩展包,用户能快速建立需要的模型,并根据数据变化随时调整模型,同时绘制各种常见图表类型。
R 语言 | Python | |
---|---|---|
主要优势 | 强大的统计分析和数据可视化扩展包(如ggplot2) | 强调数据科学生态系统,如matplotlib、seaborn、Plotly |
学习曲线 | 相对简单,语法和概念直接,适合统计分析专业人员 | 相对漫长,语法多样化,适用于多种应用场景,学习曲线较为陡峭 |
适用领域 | 统计分析、学术研究、生物信息学、临床数据分析 | 数据科学、机器学习、生物信息学、临床试验数据管理 |
图形类型 | 高度定制化,适合复杂图形和科研需求 | 多样化,广泛支持各类图表和图形,适用于多种数据可视化需求 |
社区支持 | 强大的统计和数据分析社区支持,专业领域包括生物医学 | 生态系统完备 |
交互性 | 依赖于扩展包(如plotly) | 更适合动态数据可视化 |
实时数据 | 有一些扩展包支持实时数据的动态可视化 | 支持实时数据可视化的扩展包较多,适合临床数据监控与分析 |
工作流 | RStudio等集成开发环境支持良好 | Jupyter Notebook、Spyder等集成环境广泛支持,适合团队协作与开发 |
在大数据背景下,知识图谱(Knowledge graph)是一种利用图结构数据模型或拓扑来表示和处理数据的知识库。它通常用于存储和描述对象、事件、情境或抽象概念等实体之间的互联关系。举例来说,可以将医学领域的知识图谱用于分析疾病之间的关联、药物治疗的效果和副作用,以及基因组数据中的基因表达模式。通过数据可视化,可以清晰地展示不同实体之间的相互作用网络,帮助医学研究人员发现新的治疗方法或疾病机制。此外,文献计量学(Bibliometrics)是研究科学文献的分布结构、数量关系及其变化规律的学科。在R语言中,bibliometrix扩展包支持文献计量学的知识图谱展示,提供了各种功能,通过交互式可视化用户界面,用户可以轻松操作,无需编程即可完成大部分功能。这些内容将在本书中详细探讨。
举例:
ggplot2
是R语言中最流行的数据可视化包之一,由Hadley Wickham开发。它基于“语法图形”的理念,通过组合不同的图形元素来创建图表。
# 加载 ggplot2 包
library(ggplot2)
# 使用 iris 数据集
data(iris)
# 绘制散点图
ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = Species, shape = Species)) +
geom_point(size = 3, alpha = 0.7) +
labs(
title = "Iris Dataset: Sepal Length vs Sepal Width",
x = "Sepal Length (cm)",
y = "Sepal Width (cm)",
color = "Species",
shape = "Species"
) +
scale_color_manual(values = c("setosa" = "blue", "versicolor" = "green", "virginica" = "red")) +
theme_minimal(base_size = 15) +
theme(
plot.title = element_text(hjust = 0.5, size = 18, face = "bold"),
axis.title = element_text(size = 14),
axis.text = element_text(size = 12),
legend.title = element_text(size = 14),
legend.text = element_text(size = 12)
)
二、运用 Shiny 包打造基于鸢尾花数据集的交互式数据可视化应用
~~~~~~~~~~
《用 R 探索医药数据科学》专栏每周至少定期推出三篇文章,每篇文章篇幅长达 5000 字以上。目前,该专栏已更新超过 100 篇文章,并且我们会持续更新。其内容广泛,涵盖临床试验统计、临床预测模型、学术科研绘图、公共数据库挖掘、机器学习等热点领域。此外,对于已发表的知识点,我们会依据新的技术或理解及时进行更新,这是纸质版图书难以企及的优势。温馨提示各位,随着章节的逐步完成,折扣力度会逐渐降低。所以,当下正是订阅此专栏的最佳时机!
https://blog.csdn.net/2301_79425796/category_12729892.html?spm=1001.2014.3001.5482
第一章:认识数据科学和R
1章1节:数据科学的发展历程,何 R 备受青睐及我们专栏的独特之处(更新20240822)-CSDN博客
1章2节:关于人工智能、机器学习、统计学连和机器学习、R 与 ChatGPT 的探究 (更新20240814)-CSDN博客
1章3节:R 语言的产生与发展轨迹(更新2024/08/14)-CSDN博客
1章4节:数据可视化, R 语言的静态绘图和 Shiny 的交互可视化演示(更新20240814)-CSDN博客
第二章:R的安装和数据读取
2章1节:R和RStudio的下载和安装(Windows 和 Mac)_rst语言选择哪个镜像-CSDN博客
2章2节:RStudio 四大区应用全解,兼谈 R 的代码规范与相关文件展示_rstudio的console和terminal-CSDN博客
2章3节:RStudio的高效使用技巧,自定义RStudio环境(更新20240823)_rstudio如何使用-CSDN博客
2章4节:用RStudio做项目管理,静态图和动态图的演示,感受ggplot2的魅力-CSDN博客
2章5节:认识和安装R的扩展包,什么是模糊搜索安装,工作目录和空间的区别与设置(更新20240807 )-CSDN博客
2章6节:R的数据集读取和利用,如何高效地直接复制黏贴数据到R(更新20240807 )_r语言 复制数据集-CSDN博客
2章7节:读写RDS,CSV,TXT,Excel,SPSS、SAS、Stata、Minitab等的数据文件(更新20240807)_r语言读取rds文件-CSDN博客
2章8节:一文学会 R Markdown 的文档核心操作,切记文末有R资源的分享_r markdown文件(.rmd)-CSDN博客
2章9节:认识R与数据库连接和网络爬虫,学会在R中使用SQL语言_sql和r语言-CSDN博客
2章10节:用 R 直接下载并分析 NHANES 数据库的数据,文末示例自创便捷下载函数(更新20240807)_nhanes数据分析-CSDN博客
第三章:认识数据
3章1节:数据的基本概念以及 R 中的数据结构、向量与矩阵的创建及运算-CSDN博客
3章2节:继续讲R的数据结构,数组、数据框和列表-CSDN博客
3章3节:R的赋值操作与算术运算_r里面的赋值-CSDN博客
第四章:数据的预处理
4章1节:全面了解 R 中的数据预处理,通过 R 基本函数实施数据查阅_r数据预处理-CSDN博客
4章2节:从排序到分组和筛选,通过 R 的 dplyr 扩展包来操作-CSDN博客
4章3节:处理医学类原始数据的重要技巧,R语言中的宽长数据转换,tidyr包的使用指南-CSDN博客
4章4节:临床数据科学中如何用R来进行缺失值的处理_临床生存分析缺失值r语言-CSDN博客
4章5节:数据科学中的缺失值的处理,删除和填补的选择,K最近邻填补法-CSDN博客
4章6节:R的多重填补法中随机回归填补法的应用,MICE包的实际应用和统计与可视化评估-CSDN博客
4章7节:用R做数据重塑,数据去重和数据的匹配-CSDN博客
4章8节:用R做数据重塑,行列命名和数据类型转换-CSDN博客
4章9节:用R做数据重塑,增加变量和赋值修改,和mutate()函数的复杂用法_r语言如何在数据集中添加变量-CSDN博客
4章10节:用R做数据重塑,变体函数应用详解和可视化的数据预处理介绍-CSDN博客
4章11节:用R做数据重塑,数据的特征缩放和特征可视化-CSDN博客
4章12节:R语言中字符串的处理,正则表达式的基础要点和特殊字符-CSDN博客
4章13节:R语言中Stringr扩展包进行字符串的查阅、大小转换和排序-CSDN博客
4章14节:R语言中字符串的处理,提取替换,分割连接和填充插值_r语言替换字符串-CSDN博客
4章15节:字符串处理,提取匹配的相关操作扩展,和Stringr包不同函数的重点介绍和举例-CSDN博客
4章16节:R 语言中日期时间数据的关键处理要点_r语言 时刻数据-CSDN博客
第五章:定量数据的统计描述
5章1节:用R语言进行定量数据的统计描述,文末有众数的自定义函数-CSDN博客
5章2节:离散趋势的描述,文末1个简单函数同时搞定20个结果-CSDN博客
5章3节:在R语言中,从实际应用的角度认识假设检验-CSDN博客
5章4节:从R语言的角度认识正态分布与正态性检验-CSDN博客
5章5节:认识方差和方差齐性检验(三种方法全覆盖)-CSDN博客
5章9节:组间差异的非参数检验,Wilcoxon秩和检验和Kruskal-Wallis检验-CSDN博客
第六章:定性数据的统计描述
6章1节:定性数据的统计描述之列联表,文末有优势比计算介绍-CSDN博客
6章2节:认识birthwt数据集,EpiDisplay和Gmodels扩展包的应用-CSDN博客
6章3节:独立性检验,卡方检验,费希尔精确概率检验和Cochran-Mantel-Haenszel检验-CSDN博客
6章4节:相关关系和连续型变量的Pearson相关分析-CSDN博客
6章5节:分类型变量的Spearman相关分析,偏相关分析和相关图分析-CSDN博客
6章6节:相关图的GGally扩展包,和制表的Tableone扩展包-CSDN博客
第七章:R的传统绘图
7章1节:认识R的传统绘图系统,深度解析plot()函数和par()函数的使用-CSDN博客
7章2节:R基础绘图之散点图、直方图和概率密度图-CSDN博客
7章5节:散点矩阵图,与小提琴图、Cleveland 点图、马赛克图和等高图-CSDN博客
7章6节:用R进行图形的保存与导出,详细的高级图形输出,一文囊括大多数保存的各种问题,和如何批量保存不同情况的图形-CSDN博客
第八章:R的进阶绘图
8章1节:认识 ggplot2 扩展包,深度解析 qplot() 函数的使用-CSDN博客
8章2节:深度讲解 ggplot2 的绘图步骤,理解其核心逻辑, 和 ggplot()函数-CSDN博客
8章3节:用R来绘制医学地理图,文末有具体完整代码-CSDN博客
8章4节:维恩图的认识与应用,和使用UpSet图-CSDN博客
8章8节:绘制自定义的高质量动态图和交互式动态图-CSDN博客
第九章:临床试验的统计
9章4节:两组例数相同的均数比较的样本量估计和绘制功效曲线-CSDN博客
9章5节:两组的例数不等的均数比较的样本量估计和可视化-CSDN博客
9章6节:自身配对设计的均数比较临床试验的样本量估计和可视化-CSDN博客
9章8节: 两、三组试验组率比较的样本量估算和可视化-CSDN博客
9章9节:试验的随机分组认识,用R做简单随机化-CSDN博客
9章11节:用R实现区组随机化和置换区组随机化-CSDN博客
9章12节:动态随机化方法介绍,和用R绘制随机化卡片-CSDN博客
第十章:Meta分析攻略
10章1节:认识循证医学中的Meta分析,并予代码演示分析绘图-CSDN博客
10章2节:Meta分析的7大步骤的扼要解读-CSDN博客
10章3节:二分类变量的Meta分析模型,分析公式构建和结果解读-CSDN博客
10章4节:二分类变量的Meta分析模型,绘制漏斗图和应用剪补法,最后绘制和解读轮廓增强漏斗图-CSDN博客
10章5节:二分类变量的Meta分析模型,敏感性分析和亚组分析,绘制森林图-CSDN博客
10章6节:连续型变量的Meta分析和可视化分析全解-CSDN博客
第十一章:主成分分析
11章2节:深度讲解用R进行主成分分析(中)-CSDN博客
11章3节:深度讲解用R进行主成分分析(下)-CSDN博客
第十二章:常见类型回归分析
12章4节:深度解读构建回归模型表达式的九个关键符号-CSDN博客
12章7节:构建因变量为分类变量的二分类Logistic回归模型-CSDN博客