宏基因組按：科研中數(shù)據(jù)分析解讀占用了我們太多時間，學(xué)習(xí)R語言是生物測序領(lǐng)域數(shù)據(jù)(reads count表)分析及可視化的首選。舉個例子，擴(kuò)增子分析從fastq到OTU表通常只有de novo或reference兩種套路(1-3天)。而對OTU表開始的組間比較、網(wǎng)絡(luò)分析、機(jī)器學(xué)習(xí)等會有上百種方法和展示方式，每一篇優(yōu)秀的文章，都是數(shù)據(jù)反復(fù)咀嚼上百次優(yōu)化出來的結(jié)果(3個月-3年)，而這一漫長的科研之路有R語言技能的相伴，可將統(tǒng)計(jì)分析可視化操作一網(wǎng)打盡，定能助你事半功倍。

前期公眾號己分享了擴(kuò)增子、宏基因組分析流程及可視化文章上百篇，但一直缺少基礎(chǔ)入門的知識。今天起分享一位從18年3月1號剛要從wet轉(zhuǎn)dry的學(xué)生零基礎(chǔ)學(xué)習(xí)筆記，供初學(xué)者學(xué)習(xí)，雖然筆記會有不系統(tǒng)的地方，但也正是初學(xué)者需要經(jīng)歷和面對的，希望想入行的快上車，共同學(xué)習(xí)，一起成長。

Welcome to ggplot2

什么是圖形的語法？

ggplot是用來繪制統(tǒng)計(jì)圖形的R軟件包，是將數(shù)據(jù)分析可視化的重要工具，由其背后的一套語法支持。

圖形的語法告訴我們，一張圖形就是從數(shù)據(jù)（data）到幾何對象的圖形屬性的一個映射（mapping）。圖形中還包含數(shù)據(jù)的統(tǒng)計(jì)變換，最終繪制在某個特定的坐標(biāo)系中。另外，分面可以用來生成數(shù)據(jù)不同子集的圖形?？偠灾?，一張統(tǒng)計(jì)圖形就是由上述這些獨(dú)立的圖形部件所組成的。

有一些概念需要了解：

• 幾何對象（Geometric，縮寫為geom）代表你在圖中實(shí)際看到的圖形元素，包括點(diǎn)、線、多邊形等

• 圖形屬性（Aesthetic，縮寫為aes）是包括顏色、形狀等

• 統(tǒng)計(jì)變換（Statistical transformation，縮寫為stats）指的是對原始數(shù)據(jù)進(jìn)行某種計(jì)算和匯總，例如二元散點(diǎn)圖加上一條回歸線

• 圖層（Layer）由幾何對象和統(tǒng)計(jì)變換組成

• 標(biāo)度（scale）是將數(shù)據(jù)的取值映射到圖形空間，例如顏色、大小和形狀表示不同的數(shù)值。展現(xiàn)標(biāo)度的常見做法是繪制圖例和坐標(biāo)軸

• 坐標(biāo)系（Coordinate，縮寫是coord）主要控制坐標(biāo)軸和網(wǎng)格線，描述的是數(shù)據(jù)如何映射到圖形所在平面。通常使用笛卡爾坐標(biāo)系

• 分面（facet）也稱條件作圖，控制分組方法和排列，描述如何將數(shù)據(jù)分解為各個子集，以及如何對子集作圖

安裝

RStudio有服務(wù)器版和本地版

安裝后，還需要下載安裝ggplot2包，運(yùn)行如下命令：

ggplot2包中自帶一套數(shù)據(jù)（關(guān)于大眾汽車燃油經(jīng)濟(jì)性）可用于學(xué)習(xí)

關(guān)于這套數(shù)據(jù)的說明：

cty和hwy：城市和高速公路行駛記錄每加侖行駛的英里數(shù)（miles per gallon，mpg）

displ：發(fā)動機(jī)排量（L）

drv：動力傳動系統(tǒng)（前輪f，后輪r，四輪4）

model：汽車模型（由于1999年至2008年期間每年都有新版本，因此選擇了38款）

class（未顯示）：描述汽車種類的變量（雙座，SUV，緊湊型等）

這個數(shù)據(jù)集可以引出一系列有趣的問題，比如發(fā)動機(jī)尺寸和燃油經(jīng)濟(jì)性的相關(guān)性如何？哪些制造商更關(guān)心燃油經(jīng)濟(jì)性？在過去的10年終燃油經(jīng)濟(jì)性是否有所改善？我們可以通過使用ggplot2進(jìn)行數(shù)據(jù)分析和作圖來回答這些問題。

Getting Started with ggplot2

ggplot()基本用法

由ggplot2所制得圖形有三個重要的組成部分

1. 數(shù)據(jù)

2. 數(shù)據(jù)和視覺變量屬性之間的映射（aesthetic mappings）

3. 呈現(xiàn)數(shù)據(jù)結(jié)果的圖層（一般使用 geom()函數(shù)）

舉例

繪制displ和hwy相關(guān)性的散點(diǎn)圖，腳本如下：

相應(yīng)的，ggplot2參數(shù)中mpg是數(shù)據(jù)集（即關(guān)于耗油量的數(shù)據(jù)集），映射即x、y坐標(biāo)軸對應(yīng)的數(shù)據(jù)，圖層是散點(diǎn)圖。

注意該函數(shù)調(diào)用的結(jié)構(gòu)，第一排包括數(shù)據(jù)集和映射 aes()，放在 ggplot()中，然后再通過 + 添加圖層 geom_point()（散點(diǎn)圖）

運(yùn)行腳本后生成圖片：

圖1：黑白散點(diǎn)圖

另外， aes()中的前兩個參數(shù)默認(rèn)為x，y軸的映射，因此腳本也可簡寫為：

設(shè)定圖形顏色、大小和形狀

利用圖形屬性（顏色和形狀）可以來比較不同分組）。

圖形的顏色、大小和形狀等都是給繪圖添加的額外變量，即標(biāo)度（scale），添加在函數(shù) aes() 的參數(shù)中，如下（注：class、drv、cyl等是數(shù)據(jù)集中的類別名稱）：

• aes(displ, hwy, colour = class)

• aes(displ, hwy, shape = drv)

• aes(displ, hwy, size = cyl)

因此，在圖1的基礎(chǔ)上，增加一個顏色參數(shù)，將class變量映射成不同的顏色，并創(chuàng)建圖例，腳本如下：

生成圖片：

圖2：彩色散點(diǎn)圖

如果并不需要根據(jù)class類區(qū)分多種顏色，也可以將所有散點(diǎn)編輯成統(tǒng)一的顏色。這種情況下則在圖層函數(shù)參數(shù)中進(jìn)行修改：

將所有散點(diǎn)設(shè)置為藍(lán)色：

生成圖片：

圖3：藍(lán)色散點(diǎn)圖

分面 （Facetting）

分面是比較不同分組的另一種方法：可以將數(shù)據(jù)分割成若干子集，然后創(chuàng)建一個圖形矩陣，將每個子集繪制到圖形矩陣的窗格中。

分面有兩種主要類型：網(wǎng)格（grid）和包裝（wrapped）。相較而言，Wrapped更常用。

使用方法是添加 facet_wrap()函數(shù)，參數(shù)寫法是 ~+變量，例如

生成圖片：

圖4：分面圖

繪制幾何對象（Plot Geoms）

ggplot2繪制各類幾何對象的功能很強(qiáng)大。 geom_point()是散點(diǎn)圖的函數(shù)命令，除此之外，ggplot2還具有大量繪制其他幾何對象的命令，幾乎可以畫出任何一種類型的圖形，以下是幾種主要的常用命令：

• geom_smooth()：擬合一條平滑曲線，并顯示標(biāo)準(zhǔn)誤

• geom_boxplot()：繪制箱線圖，概括一系列點(diǎn)的分布情況

• geom_histogram()：繪制直方圖

• geom_bar()：繪制條形圖

• geom_path()：在數(shù)據(jù)之間連線

1. 向圖中添加平滑的曲線（Smoother）

如果散點(diǎn)圖的數(shù)據(jù)較多噪點(diǎn)較大，那么數(shù)據(jù)顯示的趨勢就不是十分的明顯，這種情況下可以使用 geom_smooth()函數(shù)添加一條平滑曲線

在第三層加上一個 geom_smooth()命令即可在散點(diǎn)圖的基礎(chǔ)上添加一條平滑的趨勢曲線：

圖5：散點(diǎn)趨勢線圖

其中灰色部分是置信區(qū)間，如果不需要標(biāo)明標(biāo)準(zhǔn)誤，可以添加參數(shù) geom_smooth(se=FALSE)，即可取消灰色部分。

通過改變 method可以設(shè)置曲線平滑度等多種參數(shù)。而 method則包括幾種類型：在數(shù)據(jù)量n較小時，系統(tǒng)默認(rèn) method='loess'算法；而在數(shù)據(jù)量n>1000時，則采用 method='gam'算法；此外還有 method='lm' 和 method='rlm' 算法。

• method='loess'：在數(shù)據(jù)量較小時默認(rèn)使用。 span參數(shù)控制曲線的平滑程度，其取值范圍是0~1（從很不平滑到很平滑）

• method='gam'：此算法通過調(diào)用mgcv包擬合一個廣義可加模型，使用formula = y ? s(x) 或y ? s(x, bs = 'cs')公式。

• method='lm' 和 method='rlm'：這兩種算法擬合的是線性模型，默認(rèn)條件下回生成一條直線?？梢酝ㄟ^添加二項(xiàng)式改變自由度使曲線波動變大。后者對異常值不敏感，但在使用前需要先加載MASS包。

2. 箱線圖（Boxplots）

變量可以分為很多種，比如連續(xù)變量、分類變量等。當(dāng)數(shù)據(jù)集中包含了分類變量和連續(xù)變量時，我們想了解連續(xù)變量是怎樣隨著不同的分類變量水平變化而變化，這時散點(diǎn)圖中則會出現(xiàn)大量重疊，而箱式圖則可以更清晰的展示這類數(shù)據(jù)。

以耗油量的數(shù)據(jù)集為例，我們想了解不同類別汽車的耗油量有什么差別，就可以使用箱式圖。

箱式圖主要有三種函數(shù)：

• geom_jitter()：擾動點(diǎn)圖，和普通散點(diǎn)圖相比減少數(shù)據(jù)點(diǎn)的重疊

圖6：擾動點(diǎn)圖

• geom_boxplot()：箱式圖，，可以相對直觀的看出數(shù)據(jù)分布特點(diǎn)。箱式圖用于多組數(shù)據(jù)平均水平和變異程度的直觀分析比較。每組數(shù)據(jù)均可呈現(xiàn)其最小值、最大值、平均水平，最小值、最大值形成間距都可以反映數(shù)據(jù)的變異程度。

圖7：箱式圖

• geom_violin()：小提琴圖，在普通箱式圖的基礎(chǔ)上可以從形狀表示出點(diǎn)的“密度”

圖8：小提琴圖

3. 直方圖（Histograms）和密度曲線圖（Frequency Polygons）

這兩類圖適合于展示單個變量的分布，但不太適合在組間進(jìn)行比較。

• geom_histogram()：直方圖又稱質(zhì)量分布圖，由一系列高度不等的縱向條紋或線段表示數(shù)據(jù)分布的情況。其中 binwidth參數(shù)可以用來設(shè)置組距，通過組距調(diào)節(jié)平滑度。

圖9：直方圖

• geom_freqpoly()：密度曲線圖

圖10：密度曲線圖

• 可以通過設(shè)置顏色標(biāo)記類別變量：

圖11：使用顏色區(qū)分類別的密度曲線圖

• 也可以使用分面模式來區(qū)別類別，添加 facet_wrap()函數(shù)：

圖12：分面直方圖

4. 條形圖（Bar Charts）

geom_bar()是用于繪制條形圖的函數(shù)

例如

圖13：基本條形圖

5. 時間序列線條圖和路徑圖

線條圖（Lines）和路徑圖（Path plot）通常用于可視化時間序列數(shù)據(jù)。

• 線條圖x軸一般表示時間，展示單個變量隨時間變化的情況

這里我們使用另一套包含較多時間序列的數(shù)據(jù)集（美國過去40年經(jīng)濟(jì)數(shù)據(jù)）?？梢宰龀鲭S著時間變化，美國失業(yè)率變化的示意圖：

圖14：美國失業(yè)率隨時間變化數(shù)據(jù)圖

• 路徑圖則展示兩個變量隨時間聯(lián)動的情況，事件反映在點(diǎn)的順序上。例如，將兩個時間序列繪制在同一張圖中，可以使用散點(diǎn)圖，但并不能夠反映出隨時間變化的情況，對此解決的方法就是將臨近時點(diǎn)的三點(diǎn)連接起來形成一張路徑圖。

例如，下面我們可以畫出失業(yè)率和失業(yè)人數(shù)隨時間變化之間的關(guān)系的路徑圖

圖15：路徑圖

修改坐標(biāo)軸

• xlab()和 ylab()是兩個最常用的修改和補(bǔ)充坐標(biāo)軸名稱的函數(shù)?？梢蕴砑釉?nbsp;ggplot()第三行-第四行的位置。例如：

圖16：修改坐標(biāo)軸名稱示例圖

• xlim()和 ylim() 可用來限制橫軸或縱軸的寬度/量程/范圍/最大值最小值等。例如：

圖17：設(shè)定縱軸數(shù)值范圍示例圖

其它輸出方法

除了寫腳本的方法，在交互式程序下也可以通過將繪圖保存在變量中，然后通過 print()生成圖片。直接輸入p也可以預(yù)覽圖片。關(guān)于如何保存各種圖片大小與格式，我們將來會講到。

參考資料：

1. Hadley Wickham(2016). ggplot2. Springer International Publishing. doi: 10.1007/978-3-319-24277-4

2. 《R語言應(yīng)用系列叢書·ggplot2:數(shù)據(jù)分析與圖形藝術(shù)》