(生物信息学)R语言绘图初-中-高级——3-10分文章必备——点阵图(初级)
发布时间
阅读量:
阅读量

生物信息学文章的发表要求不仅包含研究思路和前沿热点问题的研究方向等关键点之外,在图表绘制质量方面也具有重要影响。本专栏主要致力于(生物信息学)领域R语言绘图教学与实践——从初级到中级再到高级水平——适合3-10分的文章发表需求。内容上将归纳总结3-10分文章中常见的图表类型及其绘制方法,并提供实现这些图表所需的完整R语言代码库;同时辅以代码解读与图形理解指导。
本专栏将向大家介绍的图片绘制如下:
1. 散点图
2. 箱线图
3.条形图
4.正负条形图
5.区组条形图
6.小提琴图
7.热图
8.Venn图
9.生存曲线
10.森林图
11.TSNE
12.瀑布图
13.ROC曲线
14.点阵图
15.相关系数图
16.饼图
17.树形图
18.气泡图
19.火山图
20.点图
上一节讲了ROC曲线:
[

该文详细阐述了基于改进型灰狼优化算法的多目标优化方法,并对其性能进行了深入分析。
让我们深入探讨点阵图这种数据可视化方法。实际上它与箱线图具有相似的功能其显著特点是能够直观地展示数据量的变化例如在分析肿瘤组织与正常细胞中某一基因的表达水平时除了采用传统的箱线图分析方法外还可以通过点阵图的形式进行直观呈现这种图表形式不仅能够清晰地区分不同样本间的差异还能有效反映数据分布的密度变化从而为研究者提供更为全面的数据分析视角

数据存成CSV格式,然后读取代码:
setwd("C:\ Users\ Lijingxian\ Desktop\ 博客\ 作图(初级)")
dir()
data <- read.csv("点阵图.csv",header = T,sep = ",")
head(data)
library(ggplot2)
library(ggpubr)
head(data)
a <- ggplot(data,aes(x=Type,y = AURKA))+
geom_dotplot(aes(fill = factor(Type),color = factor(Type)),
position = position_dodge(1.2),
binaxis = "y", stackdir = "center",
binpositions="all",binwidth = 0.05)+theme_classic()
a
b <- a+stat_summary( aes(x = Type,y = AURKA,fill = Type),
fun.y = "mean",position = position_dodge(1.2),
geom = "crossbar",fun.args = list(mult =1),
width = 0.4,color = "black",size = 0.1)
b
c <- b+stat_summary(aes(x = Type,y = AURKA,fill = Type),
position = position_dodge(1.2),fun.data = "mean_sd",
geom="errorbar", width = 0.3,color = "black",size = 0.2)
c
e <- c+theme(axis.text.x.bottom = element_text(angle = 45,vjust = 1,hjust = 1,size = 9,color = "black"))+
theme(axis.text.y.left = element_text(vjust = 0.5,hjust = 0.5,size = 9,colour = "black"))+
theme(axis.title.x.bottom = element_text(vjust = 0.5,hjust = 0.5,size = 11,colour = "black"))+
theme(axis.title.y.left = element_text(vjust = 0.5,hjust = 0.5,size = 11,colour = "black"))+
theme(legend.text = element_text(vjust = 0.5,hjust = 0.5,size = 9,colour = "black"))+
theme(legend.title = element_text(vjust = 0.5,hjust = 0.5,size = 10,colour = "black"))
e
f <- e+labs(y = "AURKA mRNA expression",x="")
f
dir()
g <- f+stat_compare_means(aes(group=Type),symnum.args=list(cutpoints = c(0, 0.001, 0.01, 0.05, 1), symbols = c("***", "**", "*", "ns")),label = "p.signif")
g
AI助手
绘制图片如下:

ns代表no statistical significance,在这种情况下表示无意义的结果,在对比两组数据时发现它们在均值上并无显著差异
全部评论 (0)
还没有任何评论哟~
