想让SCI看上去更高逼格？这些绘图技巧你一定要知道！

从零开始学画图（2）

hi，大家好，不知道上次的可视化学习的怎么样呢？
这一期是咱们零基础开始学画图系列教程的第二期
希望大家可以跟着我们的节奏慢慢掌握可视化的绘图流程哦
打卡还有神秘惊喜哦
那么我们话不多说，继续我们今天的可视化教学吧

看完这篇，彻底掌握生信画图精髓！超级实用，我不许你不知道！

下面我们首先对同样的输入数据进行不同的可视化

#制备输入数据df <- data.frame( x = c(3, 1, 5), y = c(2, 4, 6), label = c("a","b","c"))

晨曦解读

输入数据永远是我们后续分析的基础和灵魂

#绘图p <- ggplot(df, aes(x, y, label = label)) + labs(x = NULL, y = NULL) + # Hide axis label theme(plot.title = element_text(size = 12)) # Shrink plot titlep + geom_point() + ggtitle("point")p + geom_text() + ggtitle("text")p + geom_bar(stat = "identity") + ggtitle("bar")p + geom_tile() + ggtitle("raster")

晨曦解读

这里我们其实可以看到我们的第一步代码，其实本质上是设立了一个ggplot2对象，真正执行绘图功能并且决定我们后续是何种可视化的是后面geom_xxx函数

p + geom_line() + ggtitle("line")p + geom_area() + ggtitle("area")p + geom_path() + ggtitle("path")p + geom_polygon() + ggtitle("polygon")

晨曦解读

下面可以尝试做一下练习哦~

#下面这些可视化你可以尝试用什么函数进行绘制呢？1.Scatterplot（geom_point）2.Line chart（geom_freqpoly）

晨曦解读

这里给大家一个提示

请使用以下工具

Function reference • ggplot2 (tidyverse.org)

前面的图大多数都是针对两个变量，这两个变量不存在分组的情况下

但是让我们假定这样一种情况，我们绘图的数据中存在分组信息

也就是说除了变量X和变量Y以外，还有一个变量group，那么我们应该如何进行绘图呢？

可视化会变成什么样子呢？

#准备输入数据data(Oxboys, package = "nlme")head(Oxboys)#> Subject age height Occasion#> 1 1 -1.0000 140 1#> 2 1 -0.7479 143 2#> 3 1 -0.4630 145 3#> 4 1 -0.1643 147 4#> 5 1 -0.0027 148 5#> 6 1 0.2466 150 6

晨曦解读

从上面的数据我们可以很清楚的看到，这里是存在分组信息的

ggplot(Oxboys, aes(age, height, group = Subject)) + geom_point() + geom_line()

晨曦解读

探究一下如果group参数放在aes映射函数的外面会怎么样？

答案是函数不会运行，因为外面的实际参数并没有group函数，但是我们的color参数确实可以在外面，这样的话表示我们自己设定颜色，而不遵循映射

但是，这里我们还有一个疑问，如果我们不指定分组变量，可视化会怎样？

#不指定分组变量ggplot(Oxboys, aes(age, height)) + geom_point() + geom_line()

但是，如果我们没有特定的单一分组变量，而是多组变量来定义，那么我们可以使用下面的方法

这个时候我们可以通过使用interaction()函数来联合多个变量作为我们的变量信息

aes(group = interaction(school_id, student_id)).

如果我们想给我们的可视化添加拟合曲线来让其更加清晰

data(Oxboys, package = "nlme")head(Oxboys)ggplot(Oxboys, aes(age, height, group = Subject)) + geom_line() + geom_smooth(method = "lm", se = FALSE)

晨曦解读

但是显然上面这个拟合曲线并不是我们想要的

简单来说就是”太多了“！

因为我们每个变量的分组是一样的，我们想要绘制一个基于总体的拟合曲线

而不是每一个线的拟合曲线，所以我们要修改代码

ggplot(Oxboys, aes(age, height)) + geom_line(aes(group = Subject)) + geom_smooth(method = "lm", size = 2, se = FALSE)#> `geom_smooth()` using formula 'y ~ x'

晨曦解读

请仔细思考为什么我的代码改变成这个样子？

答案：其实我们是改变了全局映射和局部映射的关系

简单来说就是当我的分组信息在第一图层（全局映射），我的第一图层就全都是分组信息，然后我的拟合就需要为第一图层的每个分组信息进行拟合

但是当我的分组信息变为局部映射（第二图层），那么我们第二图层分组信息算是一个整体，所以我们拟合曲线是对整个第二图层进行拟合

当然也不需要大家强行理解，感到困惑的时候，简单修改一下，然后可视化一下即可~

比较多个变量最常见的图应该是什么，想必不用晨曦多说了

箱线图它来了

ggplot(Oxboys, aes(Occasion, height)) + geom_boxplot()

晨曦解读

提问：如果我想要DIY一下，我想要线的颜色改变一下，我需要修改什么参数？

回答：当然我们只需要添加一个geom_line函数就可以啦，因为ggplot2大家可以简单理解就是再玩一个拼图游戏

ggplot(Oxboys, aes(Occasion, height)) + geom_boxplot() + geom_line(colour = "#3366FF", alpha = 0.5)

晨曦解读

提问：老师，这个颜色参数去哪里找？我不知道

回答：这个颜色参数有以下两个网站可以找到，我这里都列了出来，大家如果感兴趣可以去看看

Aesthetic specifications • ggplot2 (tidyverse.org)

ColorSpace - Color Palettes Generator and Color Gradient Tool (mycolor.space)

这时候肯定会有小伙伴有疑问

老师，我学这些究竟如何应用在我的分析中的？

那么现在我就来演示一下，绘图技巧在分析中的应用

#这里我们使用前几篇推文中所使用的scRNA-seq的表达矩阵进行演示 expr <-data.frame(FetchData(object = scRNA, vars ="LYZ")) expr$Barcod<-rownames(expr) ident<-data.frame() ident<-data.frame(Barcod=names(Idents(object = scRNA_final)),orig.ident=Idents(object = scRNA_final)) c<-merge(expr,ident,by='Barcod')

晨曦解读

这时候肯定会有小伙伴说

老师，单细胞我不会啊，这我怎么学啊

没事滴，没事滴，我们到最后只是需要这个数据做个演示

就是下面这个样子

大家简单理解就是，LYZ是基因名，orig.ident是分组信息，箱线图其实就需要这两个信息足以

那我们常规的表达矩阵是不是下面这个样子

这个时候我们只需要确定我们要研究的Gene（观测），然后提取该Gene对应的小表达矩阵，然后转置，转换数据框，添加分组信息（这一步往往是参考临床信息得来的）然后也会得到我们最上面的那个数据结构

#简单可视化 library(ggplot2) ggplot(c,aes(orig.ident,LYZ,fill=orig.ident)) +geom_boxplot()

#DIY可视化 ggplot(c,aes(orig.ident,LYZ,fill=orig.ident)) +geom_boxplot()+theme_bw() +coord_flip() #可视化横放且去掉灰色背景

#DIY可视化 #箱子太宽不太好看，喜欢“苗条”的 ggplot(c,aes(orig.ident,LYZ,fill=orig.ident)) +geom_boxplot(notch = F,width=0.5,alpha=0.8) +theme_bw() +coord_flip()

#DIY可视化 #箱子不好看，想换成小提琴#可视化的本质其实就是数据ggplot(c,aes(orig.ident,LYZ,fill=orig.ident)) +geom_violin(width=0.5,alpha=0.8) +theme_bw() +coord_flip()

#DIY可视化 #颜色不好看，可以自己选吗？#调取调色包install.packages("RColorBrewer") library("RColorBrewer")

#查看颜色组合display.brewer.all(colorblindFriendly =TRUE) # Show allcolor palettes#选择合适的颜色组合 ggplot(c,aes(orig.ident,LYZ,fill=orig.ident)) + scale_fill_brewer(palette ="Blues")+ geom_violin(width=0.5,alpha=0.8) + theme_bw() +coord_flip() #注意：scale_fill_brewer函数用于箱线图、条形图等各种框图 #scale_color_brewer函数用于行和点