10X单细胞（10X空间转录组）细胞通讯之绘图

下面这张图大家应该不陌生吧，细胞通讯分析得到的图

今天我们来实现一下，以下图为例，大同小异。

下面介绍绘图步骤与相应的代码。

第一步，数据存储。这里需要建立两个csv文件，命名为link.csv和node.csv，其中link里面存储节点之间的关系，node里面存储节点的信息。（对应我们分析得到的配受体对）

如下，在node这张表中，id是每一个节点的唯一身份码，name是节点的名称，size是节点的尺寸，name.type是节点的类型。（对应我们的细胞类型，细胞数量和细胞定义结果）。

如下，在link这张表中，from到to表示节点之间的关系，weight标识联系的强度，type标识联系类型。对应我们细胞通讯的配体细胞，受体细胞，配受体数量和通讯的类型。

第二步，读取数据。因为数据里面有中文，所以首先需要定义字体以及告诉R语言里面有中文，代码为（这个可选）：

windowsFonts(
   A=windowsFont("华文彩云"),
   B=windowsFont("华文仿宋"),
   C=windowsFont("华文行楷"),
   D=windowsFont("华文楷体"),
   E=windowsFont("华文隶书"),
   F=windowsFont("华文中宋"),
   G=windowsFont("华文细黑"),
   H=windowsFont("微软雅黑"),
   J=windowsFont("华文新魏"),
   K=windowsFont("幼圆")
   )
#下面一行代码解决不能显示中文
Sys.setlocale(category="LC_ALL",locale="en_US.UTF-8")

当然，我们还需要安装igraph包：

install.packages("igraph")

读取数据的代码为：

links<-read.csv("D:/network/data.csv",header = T,as.is=T)
nodes<-read.csv("D:/network/node.csv",header = T,as.is=T)

这里我们将读取的数据赋予两个新的变量links和nodes。还可以通过head()预览数据：

> head(links)
  from to weight      type
1   a1 s1     10 hyperlink
2   a2 s2      2 hyperlink
3   a3 s3      2 hyperlink
4   a4 s4      3 hyperlink
5   a5 s5      3 hyperlink
6   a6 s6      3 hyperlink
> head(nodes)
  id  name size name.type
1 a1  古月   10         1
2 a2    N2    3         1
3 a3    N3    8         1
4 a4    N4    7         1
5 a5 name5    6         1
6 a6 name6    5         1

第三步，生成网络分析的数据并绘图。代码如下：

library(igraph) #载入igraph包
(net<-graph.data.frame(links,nodes,directed = T)) #生成网络分析数据
colrs<- c("#87cefa","red")             #定义两个颜色（因为节点有两个类型），可以用颜色代码，或者英文单词
V(net)$color<-colrs[V(net)$name.type]  #设置节点的颜色
E(net)$width<-E(net)$weight/3          #设置边的宽度，这个宽度是weight除以3，也可以是别的数
E(net)$label<-E(net)$weight            #设置边的标签
deg <- igraph::degree(net, mode="all")
V(net)$size <- deg*14                   #和前面一行代码一起设置节点大小，扩大了14倍
plot(net,layout=layout.circle,          #节点的布局
     edge.arrow.size=0.5,               #设置箭头大小
     vertex.frame.color="transparent",  #节点边框透明
     vertex.label.color="black",        #节点标签黑色
     vertex.label.cex=1.25,             #节点标签大小
     vertex.label.family="B",           #节点标签字体
     edge.curved=0.5,                   #边是否弯曲，取值0-1，0为不弯曲
     edge.color="pink"                  #边的颜色
     )

plot(net)是绘图命令，后面的均是对图的定义修饰。layout定义图的布局，包括layout.circle圆形布局，即前述效果图，layout.random随机布局，以及layout.sphere/layout.drl/layout.star/layout.spring等等。

最后输出图例

legend(x=-1.5, y=-1.1, c("typ1","typ2"), 
       pch=21, col="#777777", pt.bg=colrs, 
       pt.cex=2, cex=.8, bty="n", ncol=1)

再来一个python版本的

import pandas as pd
import numpy as np
import os
import jieba

def my_cut(text):
    #添加特定的词到jieba分词中，即不能分割的词
    my_words = ['对口支援']
    for i in my_words:
        jieba.add_word(i)
    # 加载停用词
    stop_words = []
    with open(r"meaningless.txt", 'r', encoding='utf-8') as f:
        lines = f.readlines()
        for line in lines:
            stop_words.append(line.strip())
    # stop_words[:10]
    #返回结果：分词并且去除停用词
    return [w for w in jieba.cut(text) if w not in stop_words and len(w) > 1]

def str2csv(filePath, s, x):
    '''
    将字符串写入到本地csv文件中
    :param filePath: csv文件路径
    :param s: 待写入字符串(逗号分隔格式)
    '''
    if x == 'node':
        with open(filePath, 'w', encoding='utf-8') as f:
            f.write("Label,Weight\r")
            f.write(s)
        print('写入文件成功,请在' + filePath + '中查看')
    else:
        with open(filePath, 'w', encoding='utf-8') as f:
            f.write("Source,Target,Weight\r")
            f.write(s)
        print('写入文件成功,请在' + filePath + '中查看')

def sortDictValue(dict, is_reverse):
    '''
    将字典按照value排序
    :param dict: 待排序的字典
    :param is_reverse: 是否按照倒序排序
    :return s: 符合csv逗号分隔格式的字符串
    '''
    # 对字典的值进行倒序排序,items()将字典的每个键值对转化为一个元组,key输入的是函数,item[1]表示元组的第二个元素,reverse为真表示倒序
    tups = sorted(dict.items(), key=lambda item: item[1], reverse=is_reverse)
    s = ''
    for tup in tups:  # 合并成csv需要的逗号分隔格式
        s = s + tup[0] + ',' + str(tup[1]) + '\n'
    return s

def build_matrix(co_authors_list, is_reverse):
    '''
    根据共同列表,构建共现矩阵(存储到字典中),并将该字典按照权值排序
    :param co_authors_list: 共同列表
    :param is_reverse: 排序是否倒序
    :return node_str: 三元组形式的节点字符串(且符合csv逗号分隔格式)
    :return edge_str: 三元组形式的边字符串(且符合csv逗号分隔格式)
    '''
    node_dict = {}  # 节点字典,包含节点名+节点权值(频数)
    edge_dict = {}  # 边字典,包含起点+目标点+边权值(频数)
    # 第1层循环,遍历整表的每行信息
    for row_authors in co_authors_list:
        row_authors_list = row_authors.split(' ')  # 依据','分割每行,存储到列表中
        # 第2层循环
        for index, pre_au in enumerate(row_authors_list):  # 使用enumerate()以获取遍历次数index
            # 统计单个词出现的频次
            if pre_au not in node_dict:
                node_dict[pre_au] = 1
            else:
                node_dict[pre_au] += 1
            # 若遍历到倒数第一个元素,则无需记录关系,结束循环即可
            if pre_au == row_authors_list[-1]:
                break
            connect_list = row_authors_list[index + 1:]
            # 第3层循环,遍历当前行词后面所有的词,以统计两两词出现的频次
            for next_au in connect_list:
                A, B = pre_au, next_au
                # 固定两两词的顺序
                # 仅计算上半个矩阵
                if A == B:
                    continue
                if A > B:
                    A, B = B, A
                key = A + ',' + B  # 格式化为逗号分隔A,B形式,作为字典的键
                # 若该关系不在字典中,则初始化为1,表示词间的共同出现次数
                if key not in edge_dict:
                    edge_dict[key] = 1
                else:
                    edge_dict[key] += 1
    # 对得到的字典按照value进行排序
    node_str = sortDictValue(node_dict, is_reverse)  # 节点
    edge_str = sortDictValue(edge_dict, is_reverse)  # 边
    return node_str, edge_str

if __name__ == '__main__':
    #工作文件夹路径
    os.chdir(r'D:\university\my paper\Python_code')
    filePath1 = r'node.csv'
    filePath2 = r'edge.csv'
    # 读取待分析csv文件获取数据并存储到列表中
    df = pd.read_table("article.txt")
    print(df)
    df_ = [w for w in df['文章'] if len(w) > 20]
    co_ist = [" ".join(my_cut(w)) for w in df_]
    # 根据共同词列表, 构建共现矩阵(存储到字典中), 并将该字典按照权值排序
    node_str, edge_str = build_matrix(co_ist, is_reverse=True)
    # print(edge_str)
    # 将字符串写入到本地csv文件中
    str2csv(filePath1, node_str, 'node')
    str2csv(filePath2, edge_str, 'edge')

上述代码运行完毕后，会在工作文件夹生成node.csv和edge.csv两个数据文件，下面就可以利用Gephi（软件下载【绘制关系网络图】Gephi 入门使用始于足下行千里致广大。-CSDN博客_gephi使用教程）可视化词语之间的网络关系。打开Gephi软件，在“文件”中“打开”之前生成的csv文件，这里直接打开边文件edge.csv，软件会自动识别节点。在“外观”和“布局”窗口可以对网络图进行定义，“图”周围的快捷按钮可以快速定义网络图。基本的设置完成之后，可以在“预览”窗口对网络图的整体风格进行定义。最后“文件”-“输出”为需要的格式文件。

来一张效果图

怎么样，很简单吧，赶紧试试吧