R语言可视化学习笔记之添加p-value和显著性标记--转载

最新推荐文章于 2024-09-01 10:28:01 发布
最新推荐文章于 2024-09-01 10:28:01 发布
阅读量2.9k 收藏 11
点赞数
文章标签： r语言

https://www.jianshu.com/p/b7274afff14f?from=timeline

#先加载包
library(ggpubr)
#加载数据集ToothGrowth
data("ToothGrowth")
head(ToothGrowth)

##    len  supp  dose
## 1  4.2 VC 0.5 ## 2 11.5 VC 0.5 ## 3 7.3 VC 0.5 ## 4 5.8 VC 0.5 ## 5 6.4 VC 0.5 ## 6 10.0 VC 0.5

比较方法

R中常用的比较方法主要有下面几种：

方法R函数描述
T-testt.test()比较两组(参数)
Wilcoxon testwilcox.test()比较两组(非参数)
ANOVAaov()或anova()比较多组(参数)
Kruskal-Walliskruskal.test()比较多组(非参数)

各种比较方法后续有时间一一讲解。

添加p-value

主要利用ggpubr包中的两个函数：

  • compare_means():可以进行一组或多组间的比较
  • stat_compare_mean():自动添加p-value、显著性标记到ggplot图中

compare_means()函数

该函数主要用用法如下：

compare_means(formula, data, method = "wilcox.test", paired = FALSE,
  group.by = NULL, ref.group = NULL, ...)

注释：

  • formula:形如x~group，其中x是数值型变量，group是因子，可以是一个或者多个
  • data：数据集
  • method:比较的方法，默认为"wilcox.test", 其他可选方法为："t.test"、"anova"、"kruskal.test"
  • paired:是否要进行paired test(TRUE or FALSE)
  • group_by: 比较时是否要进行分组
  • ref.group: 是否需要指定参考组

stat_compare_means()函数

主要用法：

stat_compare_means(mapping = NULL, comparisons = NULL hide.ns = FALSE,
                   label = NULL,  label.x = NULL, label.y = NULL, ...)

注释：

  • mapping:由aes()创建的一套美学映射
  • comparisons:指定需要进行比较以及添加p-value、显著性标记的组
  • hide.ns:是否要显示显著性标记ns
  • label:显著性标记的类型，可选项为：p.signif(显著性标记)、p.format(显示p-value)
  • label.x、label.y:显著性标签调整
  • ...:其他参数

比较独立的两组

compare_means(len~supp, data=ToothGrowth)
 
 

结果解释：

  • .y:测试中使用的y变量
  • p:p-value
  • p.adj:调整后的p-value。默认为p.adjust.method="holm"
  • p.format:四舍五入后的p-value
  • p.signif:显著性水平
  • method:用于统计检验的方法

绘制箱线图

p <- ggboxplot(ToothGrowth, x="supp", y="len", color = "supp", 
palette = "jco", add = "jitter")#添加p-valuep+stat_compare_means()
 
  
#使用其他统计检验方法
p+stat_compare_means(method = "t.test")

 

 
 

上述显著性标记可以通过 label.x、 label.y、 hjust及 vjust来调整
显著性标记可以通过 aes()映射来更改：

 

  • aes(label=..p.format..)或aes(lebel=paste0("p=",..p.format..)):只显示p-value，不显示统计检验方法
  • aes(label=..p.signif..):仅显示显著性水平
  • aes(label=paste0(..method..,"\n", "p=",..p.format..)):p-value与显著性水平分行显示

举个栗子：

p+stat_compare_means(aes(label=..p.signif..), label.x = 1.5, label.y = 40)
 
 

也可以将标签指定为字符向量，不要映射，只需将p.signif两端的..去掉即可

p+stat_compare_means(label = "p.signif", label.x = 1.5, label.y = 40)
 
 

比较两个paired sample

compare_means(len~supp, data=ToothGrowth, paired = TRUE)
 
 

利用ggpaired()进行可视化

ggpaired(ToothGrowth, x="supp", y="len", color = "supp", line.color = "gray", 
line.size = 0.4, palette = "jco")+ stat_compare_means(paired = TRUE)
 
 

多组比较

Global test

compare_means(len~dose, data=ToothGrowth, method = "anova")
 
 

可视化

ggboxplot(ToothGrowth, x="dose", y="len", color = "dose", palette = "jco")+
stat_compare_means()
 
  
#使用其他的方法
ggboxplot(ToothGrowth, x="dose", y="len", color = "dose", palette = "jco")+ stat_compare_means(method = "anova")
 
 

Pairwise comparisons:如果分组变量中包含两个以上的水平，那么会自动进行pairwise test,默认方法为"wilcox.test"

compare_means(len~dose, data=ToothGrowth)
 
  
#可以指定比较哪些组
my_comparisons <- list(c("0.5", "1"), c("1", "2"), c("0.5", "2")) ggboxplot(ToothGrowth, x="dose", y="len", color = "dose",palette = "jco")+ stat_compare_means(comparisons=my_comparisons)+ # Add pairwise comparisons p-value stat_compare_means(label.y = 50) # Add global p-value
 
 

可以通过修改参数label.y来更改标签的位置

ggboxplot(ToothGrowth, x="dose", y="len", color = "dose",palette = "jco")+
stat_compare_means(comparisons=my_comparisons, label.y = c(29, 35, 40))+ # Add pairwise comparisons p-value stat_compare_means(label.y = 45) # Add global p-value

 

 
 

至于通过添加线条来连接比较的两组，这一功能已由包 ggsignif实现

 

##设定参考组
compare_means(len~dose, data=ToothGrowth, ref.group = "0.5",  #以dose=0.5组为参考组 
method = "t.test" )
 
  
#可视化
ggboxplot(ToothGrowth, x="dose", y="len", color = "dose", palette = "jco")+ stat_compare_means(method = "anova", label.y = 40)+ # Add global p-value stat_compare_means(label = "p.signif", method = "t.test", ref.group = "0.5") # Pairwise comparison against reference
 
 

参考组也可以设置为.all.即所有的平均值

compare_means(len~dose, data=ToothGrowth, ref.group = ".all.", method = "t.test")
 
  
#可视化
ggboxplot(ToothGrowth, x="dose", y="len", color = "dose", palette = "jco")+ stat_compare_means(method = "anova", label.y = 40)+# Add global p-value stat_compare_means(label = "p.signif", method = "t.test", ref.group = ".all.")#Pairwise comparison against all

 

 
 

接下来利用 survminer包中的数据集 myeloma来讲解一下为什么有时候我们需要将ref.group设置为.all.

 

library(survminer)#没安装的先安装再加载
data("myeloma")
head(myeloma)
 
 

我们将根据患者的分组来绘制DEPDC1基因的表达谱，看不同组之间是否存在显著性的差异，我们可以在7组之间进行比较，但是这样的话组间比较的组合就太多了，因此我们可以将7组中每一组与全部平均值进行比较，看看DEPDC1基因在不同的组中是否过表达还是低表达。

compare_means(DEPDC1~molecular_group, data = myeloma, ref.group = ".all.", method = "t.test")
 
  
#可视化DEPDC1基因表达谱
ggboxplot(myeloma, x="molecular_group", y="DEPDC1", 
color = "molecular_group", add = "jitter", legend="none")+ rotate_x_text(angle = 45)+ geom_hline(yintercept = mean(myeloma$DEPDC1), linetype=2)+# Add horizontal line at base mean stat_compare_means(method = "anova", label.y = 1600)+ # Add global annova p-value stat_compare_means(label = "p.signif", method = "t.test", ref.group = ".all.")# Pairwise comparison against all
 
 

从图中可以看出，DEPDC1基因在Proliferation组中显著性地过表达，而在Hyperdiploid和Low bone disease显著性地低表达

我们也可以将非显著性标记ns去掉，只需要将参数hide.ns=TRUE

ggboxplot(myeloma, x="molecular_group", y="DEPDC1", 
color = "molecular_group", add = "jitter", legend="none")+ rotate_x_text(angle = 45)+ geom_hline(yintercept = mean(myeloma$DEPDC1), linetype=2)+# Add horizontal line at base mean stat_compare_means(method = "anova", label.y = 1600)+ # Add global annova p-value stat_compare_means(label = "p.signif", method = "t.test", ref.group = ".all.", hide.ns = TRUE)# Pairwise comparison against all
 
 

多个分组变量

按另一个变量进行分组之后进行统计检验，比如按变量dose进行分组：

compare_means(len~supp, data=ToothGrowth, group.by = "dose")
 
  
#可视化
p <- ggboxplot(ToothGrowth, x="supp", y="len", color = "supp", 
palette = "jco", add = "jitter", facet.by = "dose", short.panel.labs = FALSE)#按dose进行分面 #label只绘制 p-valuep+stat_compare_means(label = "p.format")
 
  
#label绘制显著性水平
p+stat_compare_means(label = "p.signif", label.x = 1.5)
 
  
#将所有箱线图绘制在一个panel中
p <- ggboxplot(ToothGrowth, x="dose", y="len", color = "supp", 
palette = "jco", add = "jitter") p+stat_compare_means(aes(group=supp))
 
  
#只显示p-value
p+stat_compare_means(aes(group=supp), label = "p.format")
 
  
#显示显著性水平
p+stat_compare_means(aes(group=supp), label = "p.signif")
 
  
进行paired sample检验
compare_means(len~supp, data=ToothGrowth, group.by = "dose", paired = TRUE)
 
  
#可视化
p <- ggpaired(ToothGrowth, x="supp", y="len", color = "supp", 
palette = "jco", line.color="gray", line.size=0.4, facet.by = "dose", short.panel.labs = FALSE)#按dose分面 #只显示p-value p+stat_compare_means(label = "p.format", paired = TRUE)
 
 

其他图形

条形图与线图（一个分组变量）

#有误差棒的条形图，实际上我以前的文章里有纯粹用ggplot2实现
ggbarplot(ToothGrowth, x="dose", y="len", add = "mean_se")+ 
stat_compare_means()+ 
stat_compare_means(ref.group = "0.5", label = "p.signif", label.y = c(22, 29))
 
  
#有误差棒的线图
ggline(ToothGrowth, x="dose", y="len", add = "mean_se")+
stat_compare_means()+ 
stat_compare_means(ref.group = "0.5", label = "p.signif", label.y = c(22, 29))
 
 

条形图与线图（两个分组变量）

ggbarplot(ToothGrowth, x="dose", y="len", add = "mean_se", color = "supp", 
palette = "jco", position = position_dodge(0.8))+ stat_compare_means(aes(group=supp), label = "p.signif", label.y = 29)
 
  
ggline(ToothGrowth, x="dose", y="len", add = "mean_se", color = "supp", 
palette = "jco")+ stat_compare_means(aes(group=supp), label = "p.signif", label.y = c(16, 25, 29))
 
 

Sessioninfo

sessionInfo()
## R version 3.4.0 (2017-04-21)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 8.1 x64 (build 9600)
## 
## Matrix products: default ## ## locale: ## [1] LC_COLLATE=Chinese (Simplified)_China.936 ## [2] LC_CTYPE=Chinese (Simplified)_China.936 ## [3] LC_MONETARY=Chinese (Simplified)_China.936 ## [4] LC_NUMERIC=C ## [5] LC_TIME=Chinese (Simplified)_China.936 ## ## attached base packages: ## [1] stats graphics grDevices utils datasets methods base ## ## other attached packages: ## [1] survminer_0.4.0 ggpubr_0.1.3 magrittr_1.5 ggplot2_2.2.1 ## ## loaded via a namespace (and not attached): ## [1] Rcpp_0.12.11 compiler_3.4.0 plyr_1.8.4 ## [4] tools_3.4.0 digest_0.6.12 evaluate_0.10 ## [7] tibble_1.3.3 gtable_0.2.0 nlme_3.1-131 ## [10] lattice_0.20-35 rlang_0.1.1 Matrix_1.2-10 ## [13] psych_1.7.5 ggsci_2.4 DBI_0.6-1 ## [16] cmprsk_2.2-7 yaml_2.1.14 parallel_3.4.0 ## [19] gridExtra_2.2.1 dplyr_0.5.0 stringr_1.2.0 ## [22] knitr_1.16 survMisc_0.5.4 rprojroot_1.2 ## [25] grid_3.4.0 data.table_1.10.4 KMsurv_0.1-5 ## [28] R6_2.2.1 km.ci_0.5-2 survival_2.41-3 ## [31] foreign_0.8-68 rmarkdown_1.5 reshape2_1.4.2 ## [34] tidyr_0.6.3 purrr_0.2.2.2 splines_3.4.0 ## [37] backports_1.1.0 scales_0.4.1 htmltools_0.3.6 ## [40] assertthat_0.2.0 mnormt_1.5-5 xtable_1.8-2 ## [43] colorspace_1.3-2 ggsignif_0.2.0 labeling_0.3 ## [46] stringi_1.1.5 lazyeval_0.2.0 munsell_0.4.3 ## [49] broom_0.4.2 zoo_1.8-0


作者：taoyan
链接：https://www.jianshu.com/p/b7274afff14f
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。
weixin_33749242
关注
R画图时怎么让P值显示真实值而不是最小限制值2.2e-16？
my_errors的博客
08-13 3072
发文章的时候reviewer，编辑提出，R的最小值不是2.2e-16这个R能显示的最小值。在变量后面加上$p.value。
多个分组的boxplot如何批量计算统计检验并加P值
weixin_44445027的博客
03-23 3141
多个分组的boxplot如何批量计算统计检验并加P值
使用corrplot绘制行、列不同，且带有p值显著性标注的相关系数图
最新发布
微生信
09-01 992
相关系数衡量两个变量之间的线性关系，通常以N*N的矩阵形式展示。例如样品vs样品，或者基因vs基因的相关性。本文介绍了使用corrplot R包绘制M*N的相关系数矩阵，例如M个基因表达与N个代谢物信号间的相关性，同时带上p值显著性标注。
压箱底的R语言实战作图常用技巧
Neptuneyut的博客
12-17 3046
文章目录说明1. 新罗马字体、字体大小、加粗、标题居中2.排序倒序3.ggplot 按组排序和按水平排序4.修改图例移除图例5.去掉背景以及x轴标签（适用x标签过长）6.加p-valueggplotggpubr7.显示特殊字符格式加数值标签x轴长标签，倾斜角度以及调整边缘8读入的表格是数字开头分页画图保存pdf进阶参数设置画图面板分区调色板palette()设置默认镜像，自动下载包 说明 这里以R自带的数据集mtcars说明ggplot绘图中一些常见技巧 mtcars数据摘自1974年《Motor Tren
r语言 新增一列数字类型_R语言总结
weixin_39586353的博客
11-20 1688
不连续更新，总结一些实用的R语言操作知识。如何在RStudio中更新R版本install.packages("installr") 2. 带P值的箱型图Input data:我想看看任意一列在两种类型上有没有显著差异，即可以用秩和检验求P-value来看差异性。我们基于ggpubr包为ggplot添加p值和显著性标记。关键函数：stat_compare_means()代码：library(tidy...
R语言tidycmprsk包分析竞争风险模型
dege857的博客
03-12 1181
既往我们在文章《手把手教你使用R语言做竞争风险模型并绘制列线图》和《一步到位：手把手教你R语言竞争风险模型建模-列线图-校准曲线-K折验证-外部验证- 决策曲线》已经介绍了使用cmprsk包绘制和QHScrnomo包进行分析，今天咱们来介绍一下tidycmprsk包，它也是基于cmprsk包进行分析，但是功能更多，绘制图形更加精美。接下来咱们来演示多因素分析，如果你不指定结局的话，会默认的把第一个结局当成存活，最后一个结局当成竞争风险指标，就是咱们常见的0,1,2形式。咱们也可以进一步指定，这样清楚一点。
r语言平均值显著性检验_R语言标记显著性标记
weixin_39943383的博客
12-21 4376
学术论文和杂志中最常见的是用“字母”和“星号”标记差异显著性，在之前的文章《显著性分析后如何标记“abc”？》已经介绍过如何用SPSS比较均值的结果进行“纯手动”添加字母显著性标记。嗯，方法似乎非常“绕”，且一走神就容易错。那么有没有R脚本可以实现相关的方差分析、均值比较、生成变量均值对应的“字母标记”？当然，如果能直接将字母标记添加到图表(比如柱状图)中，岂不美滋滋？闲言少叙，接下来主要为大家介...
R语言可视化学习笔记之ggpubr包
R语言中文社区
01-19 5675
作者简介Introductiontaoyan：伪码农，R语言爱好者，爱开源。个人博客: https://ytlogos.github.io/往期回顾R语言学习笔记之聚类分析Hadley Wickham创建的可视化包ggplot2可以流畅地进行优美的可视化，但是如果要通过ggplot2定制一套图形，尤其是适用于杂志期刊等出版物的图形，对于那些没有深入了解ggplot2的人来说就有点困难了，ggplo
R语言可视化学习笔记之ggrepel包
R语言中文社区
01-29 5907
作者简介Introductiontaoyan：伪码农，R语言爱好者，爱开源。个人博客: https://ytlogos.github.io/往期回顾R语言学习笔记之聚类分析R语言可视化学习笔记之ggpubr包R语言可视化学习笔记之添加p-value和显著性标记R语言可视化学习笔记之相关矩阵可视化包ggcorrplotlibrary(ggplot2)#使用数据集mtcars演示ggplot(mtca
R语言可视化学习笔记之相关矩阵可视化包ggcorrplot
R语言中文社区
01-25 8283
作者简介Introductiontaoyan：伪码农，R语言爱好者，爱开源。个人博客: https://ytlogos.github.io/往期回顾R语言学习笔记之聚类分析R语言可视化学习笔记之ggpubr包R语言可视化学习笔记之添加p-value和显著性标记基于ggplot2包以及corrplot包的相关矩阵可视化包ggcorrplot，ggcorrplot包提供对相关矩阵重排序以及在相关图中展
causalCmprsk
05-24
causalCmprsk-竞争风险中ATE的非参数和基于Cox的估计 causalCmprsk软件包旨在评估两种静态治疗方案对K次竞争事件（K可以为1）的事件发生时间的平均治疗效果（ATE）。 该方法使用倾向得分加权来模拟基线随机化。 该软件包随附Charpignon，Vakulenko-Lagun，Zheng，Magdamo等人的论文，在现实世界患者数据和系统药理学的模拟试验中（已提交）二甲双胍与痴呆和生存的关系。 causalCmprsk软件包提供了两个主要功能： fit.cox （假定Cox比例风险回归用于潜在结果）和fit.nonpar潜在结果进行任何建模假设）。 causalCmprsk软件包可以通过以下方式安装 devtools::install_github("Bella2001/causalCmprsk") 如何使用这些例子causalCmprsk包是。
R----tidyr包介绍学习
weixin_42683052的博客
11-02 211
R----tidyr包介绍学习 - Little_Rookie - 博客园 https://www.cnblogs.com/nxld/p/6060533.html # 1.载入包 # 使用datasets包中的mtcars数据集做演示 library(tidyr) library(dplyr) head(mtcars) # 为方便处理，在数据集中增加一列car mtcars$car <- rownames(mtcars) mtcars <- mtcars[, c(12, 1:11)].
R语言添加p-value和显著性标记
热门推荐
刘永鑫的博客——宏基因组公众号
02-18 5万+
R语言添加p-value和显著性标记，原文链接 https://mp.weixin.qq.com/s/gRw0krS3LY7c0QK9y47EJw 作者简介 Introduction taoyan：伪码农，R语言爱好者，爱开源。 个人博客: https://ytlogos.github.io/ 往期回顾 一条命令轻松绘制CNS顶级配图-ggpubr R语言聚类分析–cluster, f...
R语言可视化学习笔记之添加p-value和显著性标记
R语言中文社区
01-23 1万+
作者简介Introductiontaoyan：伪码农，R语言爱好者，爱开源。个人博客: https://ytlogos.github.io/往期回顾R语言学习笔记之聚类分析R语言可视化学习笔记之ggpubr包上篇文章中提了一下如何通过ggpubr包为ggplot图添加p-value以及显著性标记,本文将详细介绍。利用数据集ToothGrowth进行演示。#先加载包library(ggpubr)#加
graphpad做饼图_配对样本对比图，多个图形拼图，并导出到ppt中进行详细修改，真的不错吆...
weixin_39915171的博客
11-24 1906
配对样本对比图在Graphpad和Medcalc中都可以实现，但如果要做批量的话，还是推荐用R作图。比如做上百个指标的前后对比，如果手动点菜单是的很难受，如果数据有变动，再重来一遍，那真的是欲哭无泪了。今天把用R实现配对样本对比图，多个图形拼图，并导出到ppt中做深度修改，这些内容总结出来，希望对大家有所帮助。如果觉得有用，希望在文章右下角点个“在看”。一、产生模拟数据a1a2b1b2c...
ggpubr|让数据可视化更加优雅
weixin_45822007的博客
03-30 6676
ggpubr的基础用法指南 ggpubr是由Alboukadel Kassambara创建的，基于ggplot2的可视化包。主要用于绘制符合出版要求的图形。 本文代码领取：后台回复 ggpubr。 安装与加载 从CRAN安装： install.packages("ggpubr") 或者从GitHub上安装最新版本： # Install if(!require(devtools)) install.packages("devtools") devtools::install_github("ka.
R语言箱线图添加显著性--不同水平实现方法
邓飞----育种数据分析之放飞自我
12-29 2万+
本节，介绍一下箱线图实现显著性添加的方法，类似这种： 单因素二水平T检验箱线图可视化 单因素三水平T检验箱线图可视化 单因素三水平柱形图 单因素三水平折线图 二因素柱形图 二因素折线图 1. 单因素二水平 这种试验，比如有两个品种，株高的差异，每个品种调查了10株，就构成了这样的试验数据。 模拟数据： set.seed(123) y1 = rnorm(10) + 5 y2 = rnorm(10) + 15 dd = data.frame(Group = rep(c("A","B"),each=1
boxplot加显著性
qq_39306047的博客
04-27 1218
boxplot加显著性 library(ggplot2) library(ggsignif) head(iris) #自动添加显著性标记 compaired <- list(c(“versicolor”, “virginica”)) ggplot(iris, aes(x=Species, y=Sepal.Width, fill=Species)) + geom_boxplot() + geom_signif(comparisons = compaired, map_signif_level = T)
R可视化08|ggplot2图层-标度图层（scale layer）-图例篇
qq_21478261的博客
10-10 1565
详细介绍ggplot2中图例设置
ggpubr包为ggplot图添加p-value以及显著性标记
01-16
ggpubr包是一个在R语言中用于ggplot2图形添加注释的包。它提供了一种简单的方式来在ggplot2图中添加p-value以及显著性标记。通过使用ggpubr包，我们可以方便地在ggplot2图中展示变量之间的显著性差异。 要在ggplot...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值