R语言近期记录（201911）

本文是笔者近期使用R语言的一个简单记录。

本文包括以下五个小节：

• ggplot2 手动调整线条颜色
• ggplot2 修改坐标轴
• ggplot2 组合图形
• ggplot2 多图
• dplyr包中 filter 函数的一个坑

ggplot2 手动调整线条颜色

主要是用到scale_color_manual函数，举例来说：
下面代码是生成一幅折线图，但是线条颜色是软件自动设置的。

n <- 5
x0 <- 1:n
y1 <- x0 + 10
y2 <- x0 + 20
y3 <- x0 + 30
d <- data.frame(x=paste0("X", rep(x0, times=3)), y=c(y1, y2, y3), 
                g=rep(c("a", "b", "c"), each=n))
d$x <- factor(d$x, levels=paste0("X", 1:n))
library(ggplot2)
ggplot(d, aes(x=x, y=y, group=g, color=g)) + geom_point() + geom_line()

生成的图片如下：

可以看出，一共三组数据，每组数据的线条颜色是软件自动设置的。如果添加scale_color_manual语句可以手动设置线条的颜色：

ggplot(d, aes(x=x, y=y, group=g, color=g)) + geom_point() + geom_line() +
  scale_color_manual(values=c("a"="red", "b"="blue", "c"="black"))

修改后的图片如下：

类似的函数还有scale_fill_manual，scale_size_manual，scale_shape_manual，scale_linetype_manual，scale_alpha_manual，scale_discrete_manual等。以scale_fill_manual函数为例，从其名字上就可以看出，该函数可以手动设置填充色。

ggplot2 修改坐标轴

修改坐标轴主要用到scale_x_continuous，scale_y_continuous，scale_x_discrete，scale_y_discrete这四个函数。从这些函数的名称上可以看出，分别是针对x轴和y轴的，continuous和discrete分别是针对连续型数据和离散型数据来说的。

这些函数可以对坐标轴的诸多细节进行调整，以笔者遇到的问题为例：如果x轴要画100个点，如果这些点的标签都显示出来，会挤在一起不美观。像下面这样：

其代码如下：

n <- 100
x0 <- 1:n
y1 <- x0 + 10
y2 <- x0 + 20
y3 <- x0 + 30
d <- data.frame(x=paste0("X", rep(x0, times=3)), y=c(y1, y2, y3), 
                g=rep(c("a", "b", "c"), each=n))
d$x <- factor(d$x, levels=paste0("X", 1:n))
library(ggplot2)
ggplot(d, aes(x=x, y=y, group=g, color=g)) + geom_point() + geom_line() +
  scale_color_manual(values=c("a"="red", "b"="blue", "c"="black"))

即使旋转坐标轴标签也没有多少改观：

ggplot(d, aes(x=x, y=y, group=g, color=g)) + geom_point() + geom_line() +
  scale_color_manual(values=c("a"="red", "b"="blue", "c"="black")) +
  theme(axis.text.x=element_text(angle=45, hjust=.9))   # 旋转坐标轴标签

这个时候可以使用scale_x_discrete语句，只显示其中部分标签：

ggplot(d, aes(x=x, y=y, group=g, color=g)) + geom_point() + geom_line() +
  scale_color_manual(values=c("a"="red", "b"="blue", "c"="black")) +
  scale_x_discrete(breaks=paste0("X", seq(10, 100, 10)))  # 只显示部分标签

效果如下：

上面的代码用到了scale_x_discrete函数的breaks参数，该参数控制着显示哪些标签。scale_x_discrete函数还有其它参数控制着坐标轴的诸多细节，比如limits参数，该参数可以控制坐标轴标签显示的顺序。比如我们接着上面的代码，将x轴的显示顺序从X1到X100调整为从X100到X1。

ggplot(d, aes(x=x, y=y, group=g, color=g)) + geom_point() + geom_line() +
  scale_color_manual(values=c("a"="red", "b"="blue", "c"="black")) +
  scale_x_discrete(breaks=paste0("X", seq(10, 100, 10)),  # 只显示部分标签
                   limits=paste0("X", n:1))   # 调整x轴标签顺序

其它的参数也是很有用的，有机会大家可以研究。

ggplot2 组合图形

组合图形就是在一张图上叠加多个图形，这多个图形分别在不同的图层上。实际上ggplot2中的组合图形一般就是叠加图层。比如，最常见的折线图其实就是一个组合图形，它包含了点图和线图这两个图层的叠加。还以上面的数据为例：

n <- 100
x0 <- 1:n
y1 <- x0 + 10
y2 <- x0 + 20
y3 <- x0 + 30
d <- data.frame(x=paste0("X", rep(x0, times=3)), y=c(y1, y2, y3), 
                g=rep(c("a", "b", "c"), each=n))
d$x <- factor(d$x, levels=paste0("X", 1:n))
library(ggplot2)
ggplot(d, aes(x=x, y=y, group=g, color=g)) + 
	geom_point() + 		# 先是点图
	geom_line()  		# 后是线图

图层的顺序是很重要的，因为后面的图层会“盖”住前面的图层，有可能会影响前面图层的显示效果。比如，还是上面的数据，下面的代码先画箱线图，再画线图，正常显示：

ggplot(d, aes(x=g, y=y)) + 
  geom_boxplot() +  # 箱线图
  stat_summary(fun.y="mean", color="red", geom="line", group=1) # 各组平均值的连线

从图中可以看出，上图一共三组数据，每组数据的箱线图和平均值的连线都可以正常显示。但是，如果颠倒图层的顺序，先画线图，再画箱线图，那么箱线图会盖住线图，从而影响整体的显示效果：

ggplot(d, aes(x=g, y=y)) + 
  stat_summary(fun.y="mean", color="red", geom="line", group=1) + # 各组平均值的连线
  geom_boxplot()  # 箱线图

我们从上图可以看到，图层的顺序是很重要的。

其实，上面的代码中用stat_summary函数实现了平均值的线图，其实我们可以用一般的geom_line来实现，只不过需要对数据进行一下处理。因为我们是要求各组的平均值，所以先用一个数据框来存储各组平均值。

d_aver <- aggregate(d$y, list(g=d$g), mean)   # 各组平均值

然后，我们对两个不同的数据框分别作箱线图和线图：

d_aver <- aggregate(d$y, list(g=d$g), mean)   # 各组平均值
ggplot() + 
  geom_boxplot(data=d, aes(x=g, y=y)) +  # 箱线图
  geom_line(data=d_aver, aes(x=g, y=x, group=1, color="red"))  # 各组平均值的连线

其实正如stat_summary函数的名称显示的那样，这是一个统计画图函数，我们当然可以自己先统计然后画图。比如上面的例子，用处理过的数据经geom_line函数画出来的图和stat_summary画出来的图是一样的。

还有一点值得注意，就是上面的代码中，geom_boxplot函数和geom_line函数分别用了不同的数据集，这一点很有意思，也就意味着不同的图层可以用不同的数据来作图。实际上，不光是数据可以不同，不同的图层还可以使用不同的映射（mapping）。ggplot2的设计思路有点像面向对象编程里面的类的继承，ggplot函数是“基类”，它的参数值会被下面的各个图层所继承，而各个图层是相互独立的，它们可以修改自己图层中的参数值（或者说是覆盖掉ggplot函数的参数值），而不会影响其它图层以及ggplot函数的参数值。这一点可以用下面的代码来验证以下：

d_aver <- aggregate(d$y, list(g=d$g), mean)   # 各组平均值
p <- ggplot() + 
  geom_boxplot(data=d, aes(x=g, y=y)) +  # 箱线图
  geom_line(data=d_aver, aes(x=g, y=x, group=1), color="red") # 各组平均值的连线
p$layers   # 显示各个图层的参数

ggplot2 多图

我们经常要将多幅图放在一起，ggplot2 处理这个问题常用两种方式，一是用ggplot2本身的facet，二是利用与ggplot2相关的一个包gridExtra。
首先看分面的方式（facet），有facet_wrap函数和facet_grid函数。我们看一个例子：

n <- 5
x0 <- 1:n
y1 <- x0 + 10
y2 <- x0 + 20
y3 <- x0 + 30
d <- data.frame(x=paste0("X", rep(x0, times=3)), y=c(y1, y2, y3), 
                g=rep(c("a", "b", "c"), each=n))
d$x <- factor(d$x, levels=paste0("X", 1:n))
library(ggplot2)
# 采用分面（facet）
# 这里用facet_wrap函数比较合适：
ggplot(d, aes(x=x, y=y)) + geom_line(group=1) + facet_wrap(~g, nrow=2)

画出来的效果是：

上面的例子比较适合facet_wrap函数，当然，使用facet_grid函数也是可以的：

# 当然，用facet_grid函数也可以：
ggplot(d, aes(x=x, y=y)) + geom_line(group=1) + facet_grid(.~g)

画出来的效果是：

说完了facet，我们再看看gridExtra包。这个R包可以将多个图片组合成一张大图。笔者常用包中的marrangeGrob函数。将要组合的多个图放入一个list中即可，还以上面的数据为例：

n <- 5
x0 <- 1:n
y1 <- x0 + 10
y2 <- x0 + 20
y3 <- x0 + 30
d <- data.frame(x=paste0("X", rep(x0, times=3)), y=c(y1, y2, y3), 
                g=rep(c("a", "b", "c"), each=n))
d$x <- factor(d$x, levels=paste0("X", 1:n))
library(ggplot2)
library(gridExtra)
oneGrob <- function(g) {  # 生成单张小图
  data <- d[d$g == g, ]
  ggplot(data, aes(x=x, y=y)) + geom_line(group=1) + 
    labs(title=paste0("group=", g)) +
    theme(plot.title = element_text(hjust=0.5))
}
lgrob <- lapply(unique(d$g), oneGrob)  # 将多张小图放到一个list中
# 将多张小图组合成一张大图
marrangeGrob(lgrob, nrow=2, ncol=2, top="Example of marrangeGrob function")

其效果是：

我们可以看到，图片是按照列优先的顺序进行排列的，如果要按照行的顺序进行排列，可以调整marrangeGrob函数的layout_matrix参数，像下面这样：

marrangeGrob(lgrob, nrow=2, ncol=2, 
    layout_matrix = matrix(1:4, 2, 2, byrow=T),  # 设置byrow=T，按行排列小图
    top="Example of marrangeGrob function")

dplyr包中 filter 函数的一个坑

自从笔者接触dplyr包以来，使用它的频率越来越高。但是，笔者近期在使用该包的filter函数时，遇到一个问题。以上面的数据为例，假设要挑选出"a"组的数据，将其它组的数据过滤掉，可以这样：

n <- 5
x0 <- 1:n
y1 <- x0 + 10
y2 <- x0 + 20
y3 <- x0 + 30
d <- data.frame(x=paste0("X", rep(x0, times=3)), y=c(y1, y2, y3), 
                g=rep(c("a", "b", "c"), each=n))
d$x <- factor(d$x, levels=paste0("X", 1:n))
library(dplyr)
# 过滤前各组数据量统计
table(d$g)
# 过滤
g <- "a"       # 过滤后剩下的组的组名
d1 <- d %>% filter(g == g)
table(d1$g)  # 过滤失败

过滤失败的原因是filter函数中的过滤条件没有发挥作用，因为g == g在filter函数中恒成立，其实是犯了变量重名的一个错误，把代码改动一下即可：

# 重新过滤
g <- "a"       # 过滤后剩下的组的组名
g2 <- g        # 为了避免变量重名，另赋值一个变量
d2 <- d %>% filter(g == g2)
table(d2$g)  # 过滤成功

（公众号：生信了）