r中gglot怎么组合多张图_最终版本Science级组合图表绘制

最新推荐文章于 2023-11-23 16:20:57 发布

weixin_39765697

最新推荐文章于 2023-11-23 16:20:57 发布

阅读量464

点赞数

文章标签： r中gglot怎么组合多张图

本文链接：https://blog.csdn.net/weixin_39765697/article/details/111663063

版权

简介

ggcor 是厚哥最近的作品，功能完全代替了前两次的你终于可以做这张图和重大升级的两个science组合图表绘制。这里我也为大家带肋实战教程，总体来说厚哥这个ggcor包用起来还是挺方便的，将许多功能简化，为我们提供了一个很好的入门机会。所以大家也别再私信我要这下面这两篇推送的原始数据了，这次推送头条完全替代。重要事情说三遍！这是sicence组合图表最终版本别用之前的了！这是sicence组合图表最终版本别用之前的了！这是sicence组合图表最终版本别用之前的了！

这里我献出厚哥的信息：

厚缊业余的R语言可视化重度患者个人博客:houyun.xyz邮箱：houyunhuang@163.com

群聊

或者添加微生信生物创始人，进入微生信生物群1，与厚哥面对面：

ggcor在微生物生态领域的使用

目前厚哥这个包还在不断开发中，但是我已经迫不及待想试试了。包的安装使用github安装函数install_github。

简单来说一下这个包用来干什么的？(下面摘抄自厚哥亲笔)

相关系数矩阵可视化已经至少有两个版本的实现了，魏太云基于base绘图系统写了corrplot包，应该说是相关这个小领域中最精美的包了，使用简单，样式丰富，只能用惊艳来形容。Kassambara的ggcorrplot基于ggplot2重写了corrplot，实现了corrplot中绝大多数的功能，但仅支持“square”和“circle”的绘图标记，样式有些单调，不过整个ggcorrplot包的代码大概300行，想学习用ggplot2来自定义绘图函数，看这个包的源代码很不错。还有部分功能相似的corrr包(在写ggcor之前完全没有看过这个包，写完之后发现在相关系数矩阵变data.frame方面惊人的相似)，这个包主要在数据相关系数提取、转换上做了很多的工作，在可视化上稍显不足。ggcor的核心是为相关性分析、数据提取、转换、可视化提供一整套解决方案，目前的功能大概完成了70%，后续会根据实际需要继续扩展。

if(!require(devtools))
  install.packages("devtools")
if(!require(ggcor))
  devtools::install_github("houyunhuang/ggcor")

首先我们共同来学习一下厚哥这函数

待会咱们要使用这些函数完成实战，也挑选出来我喜欢的几个可视化方案。这里的示例数据都是现成的，所以大家在这里对照运行即可。

导入r包和示例数据

suppressWarnings(suppressMessages(library("ggcor")))
corr df df ## return a tibble

## # A tibble: 121 x 3
##       x     y      r
## * 
## 1     1    11  1
## 2     1    10 -0.852
## 3     1     9 -0.848
## 4     1     8 -0.776
## 5     1     7  0.681
## # ... with 116 more rows
## Extra attributes:
## xname: mpg cyl disp hp drat wt qsec vs am gear carb
## yname: carb gear am vs qsec wt drat hp disp cyl mpg
## type: full
## show.diag: TRUE

下面介绍几种本人喜欢的可视化方式，我这里统一将图例修改为离散型颜色：fill.bin = TRUE, legend.breaks = seq(-1, 1, length.out = 5)

注意一下开发版本才能添加颜色设置参数：,fill.bin = TRUE, legend.breaks = seq(-1, 1, length.out = 5) ，文末尾安装方式

#这里不仅仅展示了相关值，而且展示了置信区间,geom_cross用于排除不显著相关。
#
ggcor(mtcars, type = "full", cor.test = TRUE) + geom_confbox()+ geom_cross()

这里使用方形我觉得高档一些，本人比较喜欢，将不显著的去掉。

# 这里使用方形我觉得高档一些，本人比较喜欢
ggcor(mtcars, type = "full", cor.test = TRUE) +
  geom_square() + geom_cross()

配合颜色填充和相关标注，加上显著性标签很容易整体把控指标的相关性。使用r = 这里厚哥添加的五角星，我们来了解一下。

# 这里使用方形我觉得高档一些，本人比较喜欢
ggcor(mtcars, type = "full", cor.test = TRUE) +
# geom_square() +
  geom_star(n = 5)+
  geom_cross()

NA参数去除相关值，因为颜色已经表示过相关大小了，值就省略掉吧,mark = "*"参数规范统一的显著性标签。

#配合颜色填充和相关标注，加上显著性标签很容易整体把控指标的相关性。使用r = NA参数去除相关值，因为颜色已经表示过相关大小了，值就省略掉吧,mark = "*"参数规范统一的显著性标签。
ggcor(mtcars, type = "full", cor.test = TRUE, cluster.type = "all") +
# geom_raster() +
  geom_colour()+
  geom_mark(r = NA,sig.thres = 0.05, size = 3, colour = "grey90")

非对称相关图形可以节省空间，很多人曾求助怎么做，其实就是将最后的出图矩阵做相应的裁剪就好了，之前我都是自己裁剪的，现在厚哥包装进去了，方便了很多。

# 非对称相关图形可以节省空间，很多人曾求助怎么做，其实就是将最后的出图矩阵做相应的裁剪就好了，之前我都是自己裁剪的，现在厚哥包装进去了，方便了很多。
suppressWarnings(suppressMessages(library(vegan))) # 使用vegan包所带的数据集
data(varechem)
data(varespec)
df03 1:30], cluster.type = "col")
ggcor(df03) + geom_square()

群落矩阵和环境因子相关

corr "upper", show.diag = TRUE,
                    cor.test = TRUE, cluster.type = "all")
mantel                                 spec.select = list(spec01 = 22:25,
                                                   spec02 = 1:4,
                                                   spec03 = 38:43,
                                                   spec04 = 15:20),
                                mantel.fun = "mantel.randtest")
ggcor(corr, xlim = c(-5, 14.5)) +
  add_link(mantel, diag.label = TRUE) +
  add_diaglab(angle = 45) +
  geom_square() + remove_axis("y")

另外一种方式组合

library(cowplot)

mantel                                 spec.select = list(spec01 = 22:25,
                                                   spec02 = 1:4,
                                                   spec03 = 38:43,
                                                   spec04 = 15:20),
                                mantel.fun = "mantel.randtest")
mantel$p 0, 0.001, 0.01, 0.05, 1),
              labels = c("< 0.001", "< 0.01", "< 0.05", ">= 0.05"),
              right = FALSE, include.lowest = TRUE)
p1 "x")
p2 TRUE, keep.name = TRUE) +
  geom_star(aes(r = 0.65), n = 5, ratio = 0.6) +
  scale_fill_manual(values = c("darkgreen", "green", "lightgreen", "grey95"),
                    drop = FALSE)
plot_grid(p1, p2, ncol = 1, align = "v", labels = c('A', 'B'),
          rel_heights = c(0.13*dim( varechem)[2], 1))

微生物生态学领域实战

基于phloseq我开发了一系列基于扩增子的数据分析脚本，我也将再不久将这个脚本纳入，这里大家必须学习phyloseq的封装格式和基本用法。

library("phyloseq")
library(microbiomeSeq)
library("vegan")
library("grid")
library("gridExtra")
library("ggplot2")
ps = readRDS(".//ps_OTU_.rds")
ps1 = ps
ps1 = filter_taxa(ps1, function(x) sum(x ) > 200 , TRUE);ps1

## phyloseq-class experiment-level object
## otu_table()   OTU Table:         [ 78 taxa and 24 samples ]
## sample_data() Sample Data:       [ 24 samples by 14 sample variables ]
## tax_table()   Taxonomy Table:    [ 78 taxa by 7 taxonomic ranks ]

ps1  = transform_sample_counts(ps1, function(x) x / sum(x) );ps1

## phyloseq-class experiment-level object
## otu_table()   OTU Table:         [ 78 taxa and 24 samples ]
## sample_data() Sample Data:       [ 24 samples by 14 sample variables ]
## tax_table()   Taxonomy Table:    [ 78 taxa by 7 taxonomic ranks ]

path = "./phyloseq_5_RDA_CCA_cor/"
dir.create(path)

vegan_otu function(physeq){
  OTU   if(taxa_are_rows(OTU)){
    OTU   }
return(as(OTU,"matrix"))
}
otu = as.data.frame(t(vegan_otu(ps1)))

mapping = as.data.frame( sample_data(ps1))
env.dat = mapping[,3:ncol(sample_data(ps1))]
env.st = decostand(env.dat, method="standardize", MARGIN=2)#
env_dat = env.st

#这里不仅仅展示了相关值，而且展示了置信区间,geom_cross用于排除不显著相关。
ggcor(env_dat, type = "full", cor.test = TRUE) + geom_confbox()+ geom_cross()

这里使用方形我觉得高档一些，本人比较喜欢，将不显著的去掉。

# 这里使用方形我觉得高档一些，本人比较喜欢
ggcor(env_dat, type = "full", cor.test = TRUE) +
  geom_square() + geom_cross()

配合颜色填充和相关标注，加上显著性标签很容易整体把控指标的相关性。使用r = NA参数去除相关值，因为颜色已经表示过相关大小了，值就省略掉吧,mark = "*"参数规范统一的显著性标签。

#配合颜色填充和相关标注，加上显著性标签很容易整体把控指标的相关性。使用r = NA参数去除相关值，因为颜色已经表示过相关大小了，值就省略掉吧,mark = "*"参数规范统一的显著性标签。
ggcor(env_dat, type = "full", cor.test = TRUE, cluster.type = "all") +
# geom_raster() +
  geom_colour()+
  geom_mark(r = NA,sig.thres = 0.05, size = 3, colour = "grey90")

这样一来我们来挑选微生物和环境因子做相关就方便多了。

# 非对称相关图形可以节省空间，很多人曾求助怎么做，其实就是将最后的出图矩阵做相应的裁剪就好了，之前我都是自己裁剪的，现在厚哥包装进去了，方便了很多。
#计算相关
#太多OTU展示起来不太好看，这里我选择30个展示
ss = t(otu)[,1:30]
df03 "col")
ggcor(df03) + geom_square()

现在我们来组合群落和环境因子关系，这里我模拟了两个群落，这两个群落都是一样的，我通过list收纳这两个群落. xlim = c(-5, (dim(env_dat)[2] +0.5)):在厚哥的指点下修改为环境因子数量加0.5，厚哥表示可能之后这个参数会被写到函数内部。

#转置otu表格，作为第一个群落
otu2 = t(otu)
#同样赋值为第二个群落
otu3 = t(otu)
#无论多少个群落，将其使用list包起来，注意设置名称
spe = list(A = otu2,B = otu3)


#计算环境因子相关
corr "upper", show.diag = TRUE,
                    cor.test = TRUE, cluster.type = "all")
#计算环境因子和群落相关
mantel                          # spec.select = list(A = 1:dim(otu2)[2]),
                         mantel.fun = "mantel")

#出图
ggcor(corr, xlim = c(-5,(dim(env_dat)[2] +0.5))) +
  add_link(mantel, diag.label = TRUE) +
  add_diaglab(angle = 45) +
  geom_square() + remove_axis("y")

下面展示一个四个群落的数据

#转置otu表格，作为第一个群落
otu2 = t(otu)
#同样赋值为第二个群落
otu3 = t(otu)
#无论多少个群落，将其使用list包起来，注意设置名称
spe = list(A = otu2,B = otu3,C = otu3,D = otu3)

corr "upper", show.diag = TRUE,
                    cor.test = TRUE, cluster.type = "all")

mantel                          # spec.select = list(A = 1:dim(otu2)[2]),
                         mantel.fun = "mantel")


ggcor(corr, xlim = c(-5, (dim(env_dat)[2] +0.5))) +
  add_link(mantel, diag.label = TRUE) +
  add_diaglab(angle = 45) +
# geom_square() +
  geom_star(n = 5)+
  remove_axis("y")

另外一种可视化群落和环境因子关系的组合图表，B图需要调整大小，这里我本来以为是线性映射，做一个变量，显然不是，我还是老老实实修改了一下大小。这里我们的群落和环境因子之间没有相关关系

library(cowplot)
#转置otu表格，作为第一个群落
otu2 = t(otu)
#同样赋值为第二个群落
otu3 = t(otu)
#无论多少个群落，将其使用list包起来，注意设置名称
spe = list(A = otu2,B = otu3,C = otu3,D = otu3)

corr "upper", show.diag = TRUE,
                    cor.test = TRUE, cluster.type = "all")

mantel                          # spec.select = list(A = 1:dim(otu2)[2]),
                         mantel.fun = "mantel")

mantel$p 0, 0.001, 0.01, 0.05, 1),
              labels = c("< 0.001", "< 0.01", "< 0.05", ">= 0.05"),
              right = FALSE, include.lowest = TRUE)
p1   # geom_square() +
  geom_star(n = 5)+
  remove_axis("x")
p2 TRUE, keep.name = TRUE) +
  geom_star(aes(r = 0.65), n = 5, ratio = 0.6) +
  scale_fill_manual(values = c("darkgreen", "green", "lightgreen", "grey95"),
                    drop = FALSE)
plot_grid(p1, p2, ncol = 1, align = "v", labels = c('A', 'B'),
          rel_heights = c(0.155*dim(env_dat)[2], 1))

常见问题

binned_scale找不到

这是由于ggplot版本问题，这里需要升级成新版本，来自github。

install.packages(“remotes”) remotes::install_github(“hadley/ggplot2”)

Error: ‘decode_colour’ is not an exported object from ‘namespace:farver’

这是farver版本问题

install.packages(“farver”)

weixin_39765697

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
r中gglot怎么组合多张图_最终版本Science级组合图表绘制

简介ggcor 是厚哥最近的作品，功能完全代替了前两次的你终于可以做这张图和重大升级的两个science组合图表绘制。这里我也为大家带肋实战教程，总体来说厚哥这个ggcor包用起来还是挺方便的，将许多功能简化，为我们提供了一个很好的入门机会。所以大家也别再私信我要这下面这两篇推送的原始数据了，这次推送头条完全替代。重要事情说三遍！这是sicence组合图表最终版本别用之前的了！这是si...
复制链接

扫一扫