作者：严涛 浙江大学作物遗传育种在读研究生（生物信息学方向）伪码农，R语言爱好者，爱开源

编者按：数据可视化是解析、理解和展示数据不可缺少的一部分。炫或不炫看个人喜好和功底，能否达意是最基本的要求---最合适的图示和配色表达最直观的含义。长文多图预警，这是关于ggplot2使用的极详细教程（190+图），是入门和晋级参考的不二手册。

前面部分是关于qplot的使用，后面是ggplot2图层的使用。原文使用R自带数据集，后面有生信宝典出品的针对生信常见作图的ggplot2使用教程。为完善之际，本文整理了关于可视化套路 (什么图适合做什么), 图形配色 (美观不突兀)和多种在线、本地、编程和界面类绘图工具和脚本供集中学习和收藏使用。

简介

本文内容基本是来源于STHDA，这是一份十分详细的ggplot2使用指南，因此我将其翻译成中文，一是有助于我自己学习理解，另外其他R语言爱好者或者可视化爱好者可以用来学习。翻译过程肯定不能十全十美，各位读者有建议或改进的话，十分欢迎发Email(tyan@zju.edu.cn)给我。

ggplot2是由Hadley Wickham创建的一个十分强大的可视化R包。按照ggplot2的绘图理念，Plot(图)= data(数据集)+ Aesthetics(美学映射)+ Geometry(几何对象)：

• data: 数据集，主要是data frame；

• Aesthetics: 美学映射，比如将变量映射给x,y坐标轴，或者映射给颜色、大小、形状等图形属性；

• Geometry: 几何对象，比如柱形图、直方图、散点图、线图、密度图等。

在ggplot2中有两个主要绘图函数：qplot()以及ggplot()。

• qplot(): 顾名思义，快速绘图；

• ggplot()：此函数才是ggplot2的精髓，远比qplot()强大，可以一步步绘制十分复杂的图形。

由ggplot2绘制出来的ggplot图可以作为一个变量，然后由print()显示出来。

图形类型

根据数据集，ggplot2提供不同的方法绘制图形，主要是为下面几类数据类型提供绘图方法：

• 一个变量x: 连续或离散

• 两个变量x&y：连续和(或)离散

• 连续双变量分布x&y: 都是连续

• 误差棒

• 地图

• 三变量

安装及加载

安装ggplot2提供三种方式：

#直接安装tidyverse，一劳永逸（推荐,数据分析大礼包） install.packages("tidyverse") #直接安装ggplot2 install.packages("ggplot2") #从Github上安装最新的版本，先安装devtools(如果没安装的话) devtools::install_github("tidyverse/ggplot2")

加载

library(ggplot2)

数据准备

数据集应该数据框data.frame

本文将使用数据集mtcars。

#load the data set data(mtcars) df <- mtcars[, c("mpg","cyl","wt")] #将cyl转为因子型factor df$cyl <- as.factor(df$cyl) head(df)

##                    mpg cyl    wt ## Mazda RX4         21.0   6 2.620 ## Mazda RX4 Wag     21.0   6 2.875 ## Datsun 710        22.8   4 2.320 ## Hornet 4 Drive    21.4   6 3.215 ## Hornet Sportabout 18.7   8 3.440 ## Valiant           18.1   6 3.460

qplot()

qplot()类似于R基本绘图函数plot(),可以快速绘制常见的几种图形：散点图、箱线图、小提琴图、直方图以及密度曲线图。其绘图格式为：

qplot(x, y=NULL, data, geom="auto")

其中：

• x,y: 根据需要绘制的图形使用;

• data：数据集;

• geom：几何图形，变量x,y同时指定的话默认为散点图，只指定x的话默认为直方图。

散点图

qplot(x=mpg, y=wt, data=df, geom = "point")

也可以添加平滑曲线

qplot(x=mpg, y=wt, data = df, geom = c("point", "smooth"))

还有其他参数可以修改，比如点的形状、大小、颜色等

#将变量cyl映射给颜色和形状 qplot(x=mpg, y=wt, data = df, colour=cyl, shape=cyl)

箱线图、小提琴图、点图

#构造数据集 set.seed(1234) wdata <- data.frame(   sex=factor(rep(c("F", "M"), each=200)),   weight=c(rnorm(200, 55), rnorm(200, 58)) ) head(wdata)

##   sex   weight ## 1   F 53.79293 ## 2   F 55.27743 ## 3   F 56.08444 ## 4   F 52.65430 ## 5   F 55.42912 ## 6   F 55.50606

箱线图

qplot(sex, weight, data = wdata, geom = "boxplot", fill=sex)

小提琴图

qplot(sex, weight, data = wdata, geom = "violin")

点图

qplot(sex, weight, data = wdata, geom = "dotplot", stackdir="center", binaxis="y", dotsize=0.5, color=sex)

直方图、密度图

直方图

qplot(weight, data = wdata, geom = "histogram", fill=sex)

密度图

qplot(weight, data = wdata, geom = "density", color=sex, linetype=sex)

ggplot()

上文中的qplot()绘制散点图：

qplot(x=mpg, y=wt, data=df, geom = "point")

在ggplot()中完全可以如下实现：

ggplot(data=df, aes(x=mpg, y=wt))+   geom_point()

改变点形状、大小、颜色等属性

ggplot(data=df, aes(x=mpg, y=wt))+geom_point(color="blue", size=2, shape=23)

绘图过程中常常要用到转换(transformation),这时添加图层的另一个方法是用stat_*()函数。
下例中的geom_density()与stat_density()是等价的

ggplot(wdata, aes(x=weight))+geom_density()

等价于

ggplot(wdata, aes(x=weight))+stat_density()

对于每一种几何图形。ggplot2 基本都提供了 geom()和 stat()

一个变量：连续型

使用数据集wdata，先计算出不同性别的体重平均值

library(plyr) mu <- ddply(wdata, "sex", summarise, grp.mean=mean(weight))

先绘制一个图层a,后面逐步添加图层

a <- ggplot(wdata, aes(x=weight))

可能添加的图层有：

• 对于一个连续变量：

• 面积图geom_area()

• 密度图geom_density()

• 点图geom_dotplot()

• 频率多边图geom_freqpoly()

• 直方图geom_histogram()

• 经验累积密度图stat_ecdf()

• QQ图stat_qq()

• 对于一个离散变量：

• 条形图geom_bar()

面积图

a+geom_area(stat = "bin")

改变颜色

a+geom_area(aes(fill=sex), stat = "bin", alpha=0.6)+   theme_classic()

注意：y轴默认为变量weight的数量即count，如果y轴要显示密度，可用以下代码：

a+geom_area(aes(y=..density..), stat = "bin")

可以通过修改不同属性如透明度、填充颜色、大小、线型等自定义图形：

密度图

使用以下函数：

• geom_density():绘制密度图

• geom_vline():添加竖直线

• scale_color_manual():手动修改颜色

a+geom_density()

根据sex修改颜色，将sex映射给line颜色

a+geom_density(aes(color=sex))

修改填充颜色以及透明度

a+geom_density(aes(fill=sex), alpha=0.4)

添加均值线以及手动修改颜色

a+geom_density(aes(color=sex))+   geom_vline(data=mu, aes(xintercept=grp.mean, color=sex), linetype="dashed")+   scale_color_manual(values = c("red", "blue"))

点图

a+geom_dotplot()

将sex映射给颜色

a+geom_dotplot(aes(fill=sex))

手动修改颜色

a+geom_dotplot(aes(fill=sex))+   scale_fill_manual(values=c("#999999", "#E69F00"))

频率多边图

a+geom_freqpoly()

y轴显示为密度

a+geom_freqpoly(aes(y=..density..))+   theme_minimal()

修改颜色以及线型

a+geom_freqpoly(aes(color=sex, linetype=sex))+   theme_minimal()

直方图

a+geom_histogram()

将sex映射给线颜色

a+geom_histogram(aes(color=sex), fill="white", position = "dodge")+theme_classic()

经验累积密度图

a+stat_ecdf()

QQ图

ggplot(data = mtcars, aes(sample=mpg))+stat_qq()

一个离散变量

#加载数据集 data(mpg) b <- ggplot(mpg, aes(x=fl)) b+geom_bar()

修改填充颜色

b+geom_bar(fill="steelblue", color="black")+theme_classic()

两个变量：x,y皆连续

使用数据集mtcars， 先创建一个ggplot图层

b <- ggplot(data = mtcars, aes(x=wt, y=mpg))

可能添加的图层有：

• geom_point():散点图

• geom_smooth():平滑线

• geom_quantile():分位线

• geom_rug():边际地毯线

• geom_jitter():避免重叠

• geom_text():添加文本注释

散点图

b+geom_point()

将变量cyl映射给点的颜色和形状

b + geom_point(aes(color = factor(cyl), shape = factor(cyl)))

自定义颜色

b+geom_point(aes(color=factor(cyl), shape=factor(cyl)))+   scale_color_manual(values=c("#999999", "#E69F00", "#56B4E9"))+theme_classic()

平滑线

可以添加回归曲线

b+geom_smooth()

散点图+回归线

b+geom_point()+   geom_smooth(method = "lm", se=FALSE)#去掉置信区间

使用loess方法

b+geom_point()+   geom_smooth(method = "loess")

将变量映射给颜色和形状

b+geom_point(aes(color=factor(cyl), shape=factor(cyl)))+   geom_smooth(aes(color=factor(cyl), shape=factor(cyl)), method = "lm", se=FALSE, fullrange=TRUE)

分位线

ggplot(data = mpg, aes(cty, hwy))+   geom_point()+geom_quantile()+   theme_minimal()

边际地毯线

使用数据集faithful

ggplot(data = faithful, aes(x=eruptions, y=waiting))+   geom_point()+geom_rug()

避免重叠

实际上geom_jitter()是geom_point(position="jitter")的简称,下面使用数据集mpg

p <- ggplot(data = mpg, aes(displ, hwy)) p+geom_point()

增加抖动防止重叠

p+geom_jitter(width = 0.5, height = 0.5)

其中两个参数：

• width：x轴方向的抖动幅度

• height：y轴方向的抖动幅度

文本注释

参数label用来指定注释标签 (ggrepel可以避免标签重叠)

b+geom_text(aes(label=rownames(mtcars)))

两个变量：连续二元分布

使用数据集diamonds

head(diamonds[, c("carat", "price")])

## # A tibble: 6 x 2 ##   carat price ##   <dbl> <int> ## 1  0.23   326 ## 2  0.21   326 ## 3  0.23   327 ## 4  0.29   334 ## 5  0.31   335 ## 6  0.24   336

创建ggplot图层,后面再逐步添加图层

c <- ggplot(data=diamonds, aes(carat, price))

可添加的图层有：

• geom_bin2d(): 二维封箱热图

• geom_hex(): 六边形封箱图

• geom_density_2d(): 二维等高线密度图

二维封箱热图

geom_bin2d()将点的数量用矩形封装起来，通过颜色深浅来反映点密度

c+geom_bin2d()

设置bin的数量

c+geom_bin2d(bins=150)

六边形封箱图

geom_hex()依赖于另一个R包hexbin，所以没安装的先安装：

install.packages("hexbin")

library(hexbin) c+geom_hex()

修改bin的数目

c+geom_hex(bins=10)

二维等高线密度图

sp <- ggplot(faithful, aes(x=eruptions, y=waiting)) sp+geom_point()+ geom_density_2d()

两个变量：连续函数

主要是如何通过线来连接两个变量，使用数据集economics。

head(economics)

## # A tibble: 6 x 6 ##         date   pce    pop psavert uempmed unemploy ##       <date> <dbl>  <int>   <dbl>   <dbl>    <int> ## 1 1967-07-01 507.4 198712    12.5     4.5     2944 ## 2 1967-08-01 510.5 198911    12.5     4.7     2945 ## 3 1967-09-01 516.3 199113    11.7     4.6     2958 ## 4 1967-10-01 512.9 199311    12.5     4.9     3143 ## 5 1967-11-01 518.1 199498    12.5     4.7     3066 ## 6 1967-12-01 525.8 199657    12.1     4.8     3018

先创建一个ggplot图层，后面逐步添加图层

d <- ggplot(data = economics, aes(x=date, y=unemploy))

可添加的图层有：

• geom_area():面积图

• geom_line()：折线图

• geom_step(): 阶梯图

面积图

d+geom_area()

线图

d+geom_line()

阶梯图

set.seed(1111) ss <- economics[sample(1:nrow(economics), 20),] ggplot(ss, aes(x=date, y=unemploy))+   geom_step()

两个变量：x离散，y连续

使用数据集ToothGrowth,其中的变量len(Tooth length)是连续变量，dose是离散变量。

ToothGrowth$dose <- as.factor(ToothGrowth$dose) head(ToothGrowth)

##    len supp dose ## 1  4.2   VC  0.5 ## 2 11.5   VC  0.5 ## 3  7.3   VC  0.5 ## 4  5.8   VC  0.5 ## 5  6.4   VC  0.5 ## 6 10.0   VC  0.5

创建图层

e <- ggplot(data = ToothGrowth, aes(x=dose, y=len))

可添加的图层有：

• geom_boxplot(): 箱线图

• geom_violin()：小提琴图

• geom_dotplot()：点图

• geom_jitter(): 带状图

• geom_line(): 线图

• geom_bar(): 条形图

箱线图

e+geom_boxplot()

添加有缺口的箱线图

e+geom_boxplot(notch = TRUE)

按dose分组映射给颜色

e+geom_boxplot(aes(color=dose))

将dose映射给填充颜色

e+geom_boxplot(aes(fill=dose))

按supp进行分类并映射给填充颜色

ggplot(ToothGrowth, aes(x=dose, y=len))+ geom_boxplot(aes(fill=supp))

小提琴图

e+geom_violin(trim = FALSE)

添加中值点

e+geom_violin(trim = FALSE)+   stat_summary(fun.data = mean_sdl, fun.args = list(mult=1),                 geom="pointrange", color="red")

与箱线图结合

e+geom_violin(trim = FALSE)+   geom_boxplot(width=0.2)

将dose映射给颜色进行分组

e+geom_violin(aes(color=dose), trim = FALSE)

点图

e+geom_dotplot(binaxis = "y", stackdir = "center")

添加中值点

e + geom_dotplot(binaxis = "y", stackdir = "center") +    stat_summary(fun.data=mean_sdl, color = "red",geom = "pointrange",fun.args=list(mult=1))

与箱线图结合

e + geom_boxplot() +    geom_dotplot(binaxis = "y", stackdir = "center")

添加小提琴图

e + geom_violin(trim = FALSE) +   geom_dotplot(binaxis='y', stackdir='center')

将dose映射给颜色以及填充色

e + geom_dotplot(aes(color = dose, fill = dose),                   binaxis = "y", stackdir = "center")

带状图

带状图是一种一维散点图，当样本量很小时，与箱线图相当

e + geom_jitter(position=position_jitter(0.2))

添加中值点

e + geom_jitter(position=position_jitter(0.2)) +    stat_summary(fun.data="mean_sdl",  fun.args = list(mult=1),                 geom="pointrange", color = "red")

与点图结合

e + geom_jitter(position=position_jitter(0.2)) +    geom_dotplot(binaxis = "y", stackdir = "center")

与小提琴图结合

e + geom_violin(trim = FALSE) +   geom_jitter(position=position_jitter(0.2))

将dose映射给颜色和形状

e +  geom_jitter(aes(color = dose, shape = dose),                  position=position_jitter(0.2))

线图

#构造数据集 df <- data.frame(supp=rep(c("VC", "OJ"), each=3),                 dose=rep(c("D0.5", "D1", "D2"),2),                 len=c(6.8, 15, 33, 4.2, 10, 29.5)) head(df)

##   supp dose  len ## 1   VC D0.5  6.8 ## 2   VC   D1 15.0 ## 3   VC   D2 33.0 ## 4   OJ D0.5  4.2 ## 5   OJ   D1 10.0 ## 6   OJ   D2 29.5

将supp映射线型

ggplot(df, aes(x=dose, y=len, group=supp)) +   geom_line(aes(linetype=supp))+   geom_point()

修改线型、点的形状以及颜色

ggplot(df, aes(x=dose, y=len, group=supp)) +   geom_line(aes(linetype=supp, color = supp))+   geom_point(aes(shape=supp, color = supp))

条形图

#构造数据集 df <- data.frame(dose=c("D0.5", "D1", "D2"),                 len=c(4.2, 10, 29.5)) head(df)

##   dose  len ## 1 D0.5  4.2 ## 2   D1 10.0 ## 3   D2 29.5

df2 <- data.frame(supp=rep(c("VC", "OJ"), each=3),                 dose=rep(c("D0.5", "D1", "D2"),2),                 len=c(6.8, 15, 33, 4.2, 10, 29.5)) head(df2)

##   supp dose  len ## 1   VC D0.5  6.8 ## 2   VC   D1 15.0 ## 3   VC   D2 33.0 ## 4   OJ D0.5  4.2 ## 5   OJ   D1 10.0 ## 6   OJ   D2 29.5

创建图层

f <- ggplot(df, aes(x = dose, y = len)) f + geom_bar(stat = "identity")

修改填充色以及添加标签

f + geom_bar(stat="identity", fill="steelblue")+   geom_text(aes(label=len), vjust=-0.3, size=3.5)+   theme_minimal()

将dose映射给条形图颜色

f + geom_bar(aes(color = dose),              stat="identity", fill="white")

修改填充色

f + geom_bar(aes(fill = dose), stat="identity")

将变量supp映射给填充色，从而达到分组效果

g <- ggplot(data=df2, aes(x=dose, y=len, fill=supp))  g + geom_bar(stat = "identity")#position默认为stack

修改position为dodge

g + geom_bar(stat="identity", position=position_dodge())

两个变量：x、y皆离散

使用数据集diamonds中的两个离散变量color以及cut

ggplot(diamonds, aes(cut, color)) +   geom_jitter(aes(color = cut), size = 0.5)

两个变量：绘制误差图

df <- ToothGrowth df$dose <- as.factor(df$dose) head(df)

##    len supp dose ## 1  4.2   VC  0.5 ## 2 11.5   VC  0.5 ## 3  7.3   VC  0.5 ## 4  5.8   VC  0.5 ## 5  6.4   VC  0.5 ## 6 10.0   VC  0.5

绘制误差图需要知道均值以及标准误，下面这个函数用来计算每组的均值以及标准误。

data_summary <- function(data, varname, grps){   require(plyr)   summary_func <- function(x, col){     c(mean = mean(x[[col]], na.rm=TRUE),       sd = sd(x[[col]], na.rm=TRUE))   }   data_sum<-ddply(data, grps, .fun=summary_func, varname)   data_sum <- rename(data_sum, c("mean" = varname))  return(data_sum) }

计算均值以及标准误

df2 <- data_summary(df, varname="len", grps= "dose") # Convert dose to a factor variable df2$dose=as.factor(df2$dose) head(df2)

##   dose    len       sd ## 1  0.5 10.605 4.499763 ## 2    1 19.735 4.415436 ## 3    2 26.100 3.774150

创建图层

f <- ggplot(df2, aes(x = dose, y = len,                       ymin = len-sd, ymax = len+sd))

可添加的图层有：

• geom_crossbar(): 空心柱，上中下三线分别代表ymax、mean、ymin

• geom_errorbar(): 误差棒

• geom_errorbarh(): 水平误差棒

• geom_linerange()：竖直误差线

• geom_pointrange()：中间为一点的误差线

具体如下：

geom_crossbar()

f+geom_crossbar()

将dose映射给颜色

f+geom_crossbar(aes(color=dose))

自定义颜色

f+geom_crossbar(aes(color=dose))+   scale_color_manual(values = c("#999999", "#E69F00", "#56B4E9"))+theme_classic()

修改填充色

f+geom_crossbar(aes(fill=dose))+   scale_fill_manual(values = c("#999999", "#E69F00", "#56B4E9"))+   theme_classic()

通过将supp映射给颜色实现分组，可以利用函数stat_summary()来计算mean和sd

f <- ggplot(df, aes(x=dose, y=len, color=supp)) f+stat_summary(fun.data = mean_sdl, fun.args = list(mult=1), geom="crossbar", width=0.6, position = position_dodge(0.8))

误差棒

f <- ggplot(df2, aes(x=dose, y=len, ymin=len-sd, ymax=len+sd))

将dose映射给颜色

f+geom_errorbar(aes(color=dose), width=0.2)

与线图结合

f+geom_line(aes(group=1))+   geom_errorbar(width=0.15)

与条形图结合，并将变量dose映射给颜色

f+geom_bar(aes(color=dose), stat = "identity", fill="white")+   geom_errorbar(aes(color=dose), width=0.1)

水平误差棒

#构造数据集 df2 <- data_summary(ToothGrowth, varname="len", grps = "dose") df2$dose <- as.factor(df2$dose) head(df2)

##   dose    len       sd ## 1  0.5 10.605 4.499763 ## 2    1 19.735 4.415436 ## 3    2 26.100 3.774150

创建图层

f <- ggplot(data = df2, aes(x=len, y=dose,xmin=len-sd, xmax=len+sd))

参数xmin与xmax用来设置水平误差棒

f+geom_errorbarh()

通过映射实现分组

f+geom_errorbarh(aes(color=dose))

geom_linerange()与geom_pointrange()

f <- ggplot(df2, aes(x=dose, y=len, ymin=len-sd, ymax=len+sd))

line range

f+geom_linerange()

point range

f+geom_pointrange()

点图+误差棒

g <- ggplot(df, aes(x=dose, y=len))+   geom_dotplot(binaxis = "y", stackdir = "center")

添加geom_crossbar()

g+stat_summary(fun.data = mean_sdl, fun.args = list(mult=1), geom="crossbar", color="red", width=0.1)

添加geom_errorbar()

g + stat_summary(fun.data=mean_sdl, fun.args = list(mult=1),          geom="errorbar", color="red", width=0.2) +   stat_summary(fun.y=mean, geom="point", color="red")

添加geom_pointrange()

g + stat_summary(fun.data=mean_sdl, fun.args = list(mult=1),                   geom="pointrange", color="red")

两个变量：地图绘制

ggplot2提供了绘制地图的函数geom_map()，依赖于包maps提供地理信息。
安装map

install.paclages("maps")

下面将绘制美国地图，数据集采用USArrests

library(maps) head(USArrests)

##            Murder Assault UrbanPop Rape ## Alabama      13.2     236       58 21.2 ## Alaska       10.0     263       48 44.5 ## Arizona       8.1     294       80 31.0 ## Arkansas      8.8     190       50 19.5 ## California    9.0     276       91 40.6 ## Colorado      7.9     204       78 38.7

对数据进行整理一下,添加一列state

crimes <- data.frame(state=tolower(rownames(USArrests)), USArrests) head(crimes)

##            Murder Assault UrbanPop Rape ## Alabama      13.2     236       58 21.2 ## Alaska       10.0     263       48 44.5 ## Arizona       8.1     294       80 31.0 ## Arkansas      8.8     190       50 19.5 ## California    9.0     276       91 40.6 ## Colorado      7.9     204       78 38.7

#数据重铸 library(reshape2) crimesm <- melt(crimes, id=1) head(crimesm)

##        state variable value ## 1    alabama   Murder  13.2 ## 2     alaska   Murder  10.0 ## 3    arizona   Murder   8.1 ## 4   arkansas   Murder   8.8 ## 5 california   Murder   9.0 ## 6   colorado   Murder   7.9

map_data <- map_data("state") #绘制地图，使用Murder进行着色 ggplot(crimes, aes(map_id=state))+   geom_map(aes(fill=Murder), map=map_data)+   expand_limits(x=map_data$long, y=map_data$lat)

三个变量

使用数据集mtcars，首先绘制一个相关性图

#构造数据 df <- mtcars[, c(1,3,4,5,6,7)] head(df)

##                    mpg disp  hp drat    wt  qsec ## Mazda RX4         21.0  160 110 3.90 2.620 16.46 ## Mazda RX4 Wag     21.0  160 110 3.90 2.875 17.02 ## Datsun 710        22.8  108  93 3.85 2.320 18.61 ## Hornet 4 Drive    21.4  258 110 3.08 3.215 19.44 ## Hornet Sportabout 18.7  360 175 3.15 3.440 17.02 ## Valiant           18.1  225 105 2.76 3.460 20.22

cormat <- round(cor(df), 2) cormat_melt <- melt(cormat) head(cormat)

##        mpg  disp    hp  drat    wt  qsec ## mpg   1.00 -0.85 -0.78  0.68 -0.87  0.42 ## disp -0.85  1.00  0.79 -0.71  0.89 -0.43 ## hp   -0.78  0.79  1.00 -0.45  0.66 -0.71 ## drat  0.68 -0.71 -0.45  1.00 -0.71  0.09 ## wt   -0.87  0.89  0.66 -0.71  1.00 -0.17 ## qsec  0.42 -0.43 -0.71  0.09 -0.17  1.00

创建图层：

g <- ggplot(cormat_melt, aes(x=Var1, y=Var2))

在此基础上可添加的图层有：

• geom_tile(): 瓦片图

• geom_raster(): 光栅图，瓦片图的一种，只不过所有的tiles都是一样的大小

现在使用使用geom_tile()绘制相关性矩阵图，我们这里这绘制下三角矩阵图，首先要整理数据：

#获得相关矩阵的下三角 get_lower_tri <- function(cormat){   cormat[upper.tri(cormat)] <- NA   return(cormat) } #获得相关矩阵的上三角 get_upper_tri <- function(cormat){   cormat[lower.tri(cormat)] <- NA   return(cormat) } upper_tri <- get_upper_tri(cormat = cormat) head(upper_tri)

##      mpg  disp    hp  drat    wt  qsec ## mpg    1 -0.85 -0.78  0.68 -0.87  0.42 ## disp  NA  1.00  0.79 -0.71  0.89 -0.43 ## hp    NA    NA  1.00 -0.45  0.66 -0.71 ## drat  NA    NA    NA  1.00 -0.71  0.09 ## wt    NA    NA    NA    NA  1.00 -0.17 ## qsec  NA    NA    NA    NA    NA  1.00

绘制相关矩阵图

#数据重铸 upper_tri_melt <- melt(upper_tri, na.rm = TRUE) ggplot(data=upper_tri_melt, aes(Var1, y=Var2, fill=value))+   geom_tile(color="white")+   scale_fill_gradient2(low = "blue", high = "red", mid = "white", midpoint = 0, limit=c(-1, 1), space = "Lab", name="Person\nCorrelation")+   theme_minimal()+   theme(axis.text.x = element_text(angle = 45, vjust = 1, size = 12, hjust = 1))+   coord_fixed()

上图中蓝色代表互相关，红色代表正相关，至于coord_fixed()保证x，y轴比例为1

可以看出上图顺序有点乱，我们可以对相关矩阵进行排序

#构造函数 reorder_cormat <- function(cormat){   dd <- as.dist((1-cormat)/2)   hc <- hclust(dd)   cormat <- cormat[hc$order, hc$order] } cormat <- reorder_cormat(cormat) lower_tri <- get_lower_tri(cormat) lower_tri_melt <- melt(lower_tri, na.rm = TRUE) head(lower_tri_melt)

##   Var1 Var2 value ## 1   hp   hp  1.00 ## 2 disp   hp  0.79 ## 3   wt   hp  0.66 ## 4 qsec   hp -0.71 ## 5  mpg   hp -0.78 ## 6 drat   hp -0.45

绘制图形

ggheatmap <- ggplot(lower_tri_melt, aes(Var1, Var2, fill=value))+   geom_tile(color="white")+   scale_fill_gradient2(low = "blue", high = "red", mid = "white", midpoint = 0, limit=c(-1, 1), space = "Lab", name="Person\nCorrelation")+   theme_minimal()+  theme(axis.text.x = element_text(angle = 45, vjust = 1,      size = 12, hjust = 1))+  coord_fixed() print(ggheatmap)

图元：多边形、路径、带状、射线（线段）、矩形等

本节主要讲述的是添加图形元件，将用到一下函数：

• geom_polygon()：添加多边形

• geom_path(): 路径

• geom_ribbon(): 带状

• geom_segment(): 射线、线段

• geom_curve(): 曲线

• geom_rect(): 二维矩形

添加多边形

library(dplyr) map_data("world")%>%   filter(region==c("China", "Taiwan"))%>%   ggplot(aes(x=long, y=lat, group=group))+   geom_polygon(fill="red", color="black")

添加路径、带状、矩形

创建图层

h <- ggplot(economics, aes(date, unemploy))

添加路径

h+geom_path()

添加带状

h+geom_ribbon(aes(ymin=unemploy-800, ymax=unemploy+800), fill = "grey70")+geom_line(aes(y=unemploy))

添加矩形

h+   geom_path()+   geom_rect(aes(xmin=as.Date("1980-01-01"), ymin=-Inf, xmax=as.Date("1985-01-01"), ymax=Inf), fill="steelblue")

添加线段

i <- ggplot(mtcars, aes(wt, mpg))+geom_point() #添加线段 i+geom_segment(aes(x=2, y=15, xend=3, yend=15))

添加箭头

i+geom_segment(aes(x=5, y=30, xend=3.5, yend=25), arrow = arrow(length = unit(0.5, "cm")))

添加曲线

i+geom_curve(aes(x=2, y=15, xend=3, yend=15), color="red")

图形参数：主标题、坐标轴标签、图例标题

创建图层

ToothGrowth$dose <- as.factor(ToothGrowth$dose) p <- ggplot(ToothGrowth, aes(x=dose, y=len))+geom_boxplot()

修改标题以及标签的函数有：

• ggtitle(“New main title”): 添加主标题

• xlab(“New X axis label”): 修改x轴标签

• ylab(“New Y axis label”): 修改y轴标签

• labs(title = “New main title”, x = “New X axis label”, y = “New Y axis label”): 可同时添加主标题以及坐标轴标签，另外，图例标题也可以用此函数修改

修改主标题以及标签

(p <- p+labs(title="Plot of length\nby dose", x="Dose (mg)", y="teeth length"))

修改标签属性：颜色、字体、大小等

使用theme()修改,element_text()可以具体修改图形参数，element_blank()隐藏标签

#修改标签 p+theme( plot.title = element_text(color = "red", size = 14, face = "bold.italic"), axis.title.x = element_text(color="blue", size = 14, face = "bold"), axis.title.y = element_text(color="#993333", size = 14, face = "bold") )

#隐藏标签 p+theme(   plot.title = element_blank(),   axis.title.x = element_blank(),   axis.title.y = element_blank() )

修改图例标题

p <- ggplot(ToothGrowth, aes(x=dose, y=len, fill=dose))+   geom_boxplot() p

#修改图例标题 p+labs(fill="Dose (mg)")

图例位置以及外观

修改图例位置以及外观

#图例位置在最上面，有五个选项："left","top", "right", "bottom", "none" p+theme(legend.position = "top")

移除图例

p+theme(legend.position = "none")

修改图例标题以及标签外观

p+theme(   legend.title = element_text(color="blue"),   legend.text = element_text(color="red") )

修改图例背景

p+theme(legend.background = element_rect(fill="lightblue"))

利用scale()函数自定义图例

主要两个函数：

• scale_x_discrete()：修改图例标签顺序

• scale_fill_discrete(): 修改图例标题以及标签

#修改顺序 p+scale_x_discrete(limits=c("2", "0.5", "1"))

#修改标题以及标签 p+scale_fill_discrete(name="Dose", label=c("A","B","C"))

自动/手动修改颜色

mtcars$cyl <- as.factor(mtcars$cyl)

创建图层

# boxplot bp <- ggplot(ToothGrowth, aes(x=dose, y=len)) # scatter plot sp <- ggplot(mtcars, aes(x=wt, y=mpg))

修改填充色、轮廓线颜色

bp+geom_boxplot(fill="steelblue", color="red")

sp+geom_point(color="darkblue")

通过映射分组修改颜色

(bp <- bp+geom_boxplot(aes(fill=dose)))

(sp <- sp+geom_point(aes(color=cyl)))

手动修改颜色

主要两个函数：

• scale_fill_manual(): 填充色

• scale_color_manual()：轮廓色，如点线

# Box plot bp + scale_fill_manual(values=c("#999999", "#E69F00", "#56B4E9"))

# Scatter plot sp + scale_color_manual(values=c("#999999", "#E69F00", "#56B4E9"))

使用RColorBrewer调色板

• scale_fill_brewer(): 填充色

• scale_color_brewer()：轮廓色，如点线

# Box plot bp + scale_fill_brewer(palette="Dark2")

# Scatter plot sp + scale_color_brewer(palette="Dark2")

RColorBrewer包提供以下调色板

还专门有一个灰度调色板：

# Box plot bp + scale_fill_grey() + theme_classic()

# Scatter plot sp + scale_color_grey() + theme_classic()

梯度或连续颜色

有时我们会将某个连续变量映射给颜色，这时修改这种梯度或连续型颜色就可以使用以下函数：

• scale_color_gradient(), scale_fill_gradient()：两种颜色的连续梯度

• scale_color_gradient2(), scale_fill_gradient2()：不同梯度

• scale_color_gradientn(), scale_fill_gradientn()：多种颜色梯度

# Color by qsec values sp2<-ggplot(mtcars, aes(x=wt, y=mpg)) +   geom_point(aes(color = qsec)) sp2

# Change the low and high colors # Sequential color scheme sp2+scale_color_gradient(low="blue", high="red")

# Diverging color scheme mid<-mean(mtcars$qsec) sp2+scale_color_gradient2(midpoint=mid, low="blue", mid="white",                           high="red", space = "Lab" )

点颜色、大小、形状

R提供的点形状是由数字表示的，具体如下：

# Basic scatter plot ggplot(mtcars, aes(x=wt, y=mpg)) +   geom_point(shape = 18, color = "steelblue", size = 4)

# Change point shapes and colors by groups ggplot(mtcars, aes(x=wt, y=mpg)) +   geom_point(aes(shape = cyl, color = cyl))

可通过以下方法对点的颜色、大小、形状进行修改：

• scale_shape_manual() : to change point shapes

• scale_color_manual() : to change point colors

• scale_size_manual() : to change the size of points

# Change colors and shapes manually ggplot(mtcars, aes(x=wt, y=mpg, group=cyl)) +   geom_point(aes(shape=cyl, color=cyl), size=2)+   scale_shape_manual(values=c(3, 16, 17))+   scale_color_manual(values=c('#999999','#E69F00', '#56B4E9'))+   theme(legend.position="top")

文本注释

对图形进行文本注释有以下方法：

• geom_text(): 文本注释

• geom_label(): 文本注释,类似于geom_text(),只是多了个背景框

• annotate(): 文本注释

• annotation_custom(): 分面时可以在所有的面板进行文本注释

set.seed(1234) df <- mtcars[sample(1:nrow(mtcars), 10), ] df$cyl <- as.factor(df$cyl)

散点图注释

# Scatter plot sp <- ggplot(df, aes(x=wt, y=mpg))+ geom_point()  # Add text, change colors by groups sp + geom_text(aes(label = rownames(df), color = cyl),                size = 3, vjust = -1)

# Add text at a particular coordinate sp + geom_text(x = 3, y = 30, label = "Scatter plot",               color="red")

# geom_label()进行注释 sp + geom_label(aes(label=rownames(df)))

# annotation_custom(),需要用到textGrob() library(grid) # Create a text grob <- grobTree(textGrob("Scatter plot", x=0.1,  y=0.95, hjust=0,   gp=gpar(col="red", fontsize=13, fontface="italic"))) # Plot sp + annotation_custom(grob)

#分面注释 sp + annotation_custom(grob)+facet_wrap(~cyl, scales="free")

线型

R里的线型有七种：“blank”, “solid”, “dashed”, “dotted”, “dotdash”, “longdash”, “twodash”，对应数字0，1，2，3，4，5，6.

具体如下：

# Create some data df2 <- data.frame(sex = rep(c("Female", "Male"), each=3),                   time=c("breakfeast", "Lunch", "Dinner"),                   bill=c(10, 30, 15, 13, 40, 17) ) head(df2)

##      sex       time bill ## 1 Female breakfeast   10 ## 2 Female      Lunch   30 ## 3 Female     Dinner   15 ## 4   Male breakfeast   13 ## 5   Male      Lunch   40 ## 6   Male     Dinner   17

# Line plot with multiple groups # Change line types and colors by groups (sex) ggplot(df2, aes(x=time, y=bill, group=sex)) +   geom_line(aes(linetype = sex, color = sex))+   geom_point(aes(color=sex))+   theme(legend.position="top")

同点一样，线也可以类似修改：

• scale_linetype_manual() : to change line types

• scale_color_manual() : to change line colors

• scale_size_manual() : to change the size of lines

# Change line types, colors and sizes ggplot(df2, aes(x=time, y=bill, group=sex)) +   geom_line(aes(linetype=sex, color=sex, size=sex))+   geom_point()+   scale_linetype_manual(values=c("twodash", "dotted"))+   scale_color_manual(values=c('#999999','#E69F00'))+   scale_size_manual(values=c(1, 1.5))+   theme(legend.position="top")

主题与背景颜色

# Convert the column dose from numeric to factor variable ToothGrowth$dose <- as.factor(ToothGrowth$dose)

创建箱线图

p <- ggplot(ToothGrowth, aes(x=dose, y=len))+   geom_boxplot()

修改主题
ggplot2提供了好几种主题，另外有一个扩展包ggthemes专门提供了一主题，可以安装利用。

install.packages("ggthemes")

• theme_gray(): gray background color and white grid lines

• theme_bw() : white background and gray grid lines

p+theme_gray(base_size = 14)

p+theme_bw()

• theme_linedraw : black lines around the plot

• theme_light : light gray lines and axis (more attention towards the data)

p + theme_linedraw()

p + theme_light()

• theme_minimal: no background annotations

• theme_classic : theme with axis lines and no grid lines

p + theme_minimal()

p + theme_classic()

ggthemes提供的主题

p+ggthemes::theme_economist()

坐标轴：最大最小值

p <- ggplot(cars, aes(x=speed, y=dist))+geom_point()

修改坐标轴范围有以下几种方式：
1、不删除数据

• p+coord_cartesian(xlim=c(5, 20), ylim=c(0, 50)):笛卡尔坐标系，这是设定修改不会删除数据

2、会删除部分数据：不在此范围内的数据都会被删除,因此在此基础上添加图层时数据是不完整的

• p+xlim(5, 20)+ylim(0, 50)

• p+scale_x_continuous(limits=c(5, 20))+scale_y_continuous(limits=c(0, 50))

3、扩展图形范围：expand()函数，扩大范围

• p+expand_limits(x=0, y=0):设置截距为0，即过原点

• p+expand_limits(x=c(5, 50), y=c(0, 150))：扩大坐标轴范围，这样图形显示就小了

下面通过图形演示

p

#通过coord_cartesian()函数修改坐标轴范围 p+coord_cartesian(xlim =c (5, 20), ylim = c(0, 50))

#通过xlim()和ylim()函数修改 p+xlim(5, 20)+ylim(0, 50)

#expand limits p+expand_limits(x=c(5, 50), y=c(0, 150))

坐标变换

p <- ggplot(cars, aes(x=speed, y=dist))+geom_point()

坐标变换有以下几种：

• p+scale_x_log10(),p+scale_y_log10(): 绘图时对x，y取10的对数

• p+scale_x_sqrt(),p+scale_x_sqrt(): 开根号

• p+scale_x_reverse(),p+scale_x_reverse()：坐标轴反向

• p+coord_trans(x =“log10”, y=“log10”): 同上，可以对坐标轴取对数、根号等

• p+scale_x_continuous(trans=”log2”),p+scale_x_continuous(trans=”log2”): 同上，取对数的另外一种方法

下面实例演示：

p

p+scale_x_continuous(trans = "log2")+   scale_y_continuous(trans = "log2")

#修改坐标刻度标签 require(scales) p+scale_y_continuous(trans=log2_trans(),                      breaks = trans_breaks("log2", function(x) 2^x),                      labels=trans_format("log2", math_format(2^.x)))

#坐标轴反向 p+scale_y_reverse()

坐标刻度：刻度线、标签、顺序等

更改坐标轴刻度线标签等函数：

• element_text(face, color, size, angle): 修改文本风格

• element_blank(): 隐藏文本

(p <- ggplot(ToothGrowth, aes(x=dose, y=len))+geom_boxplot())

修改刻度标签等

p+theme(axis.text.x = element_text(face = "bold", color="#993333", size=14, angle = 45),         axis.text.y = element_text(face = "bold", size = 14, color = "blue", angle = 45))

移除刻度标签等

p + theme(   axis.text.x = element_blank(), # Remove x axis tick labels   axis.text.y = element_blank(), # Remove y axis tick labels   axis.ticks = element_blank()) # Remove ticks

当然可以自定义坐标轴了

• 离散非连续坐标轴

• scale_x_discrete(name, breaks, labels, limits)

• scale_y_discrete(name, breaks, labels, limits)

• 连续型坐标轴

• scale_x_conyinuous(name, breaks, labels, limits)

• scale_y_continuous(name, breaks, labels, limits)

详细情况如下：

• name: x,y轴的标题

• breaks: 刻度，分成几段

• labels：坐标轴刻度线标签

• limits: 坐标轴范围

其中scale_xx()函数可以修改坐标轴的如下参数：

• 坐标轴标题

• 坐标轴范围

• 刻度标签位置

• 手动设置刻度标签

具体演示：

• 离散坐标轴

#修改标签以及顺序 p+scale_x_discrete(name="Dose (mg)", limits=c("2", "1", "0.5"))

#修改刻度标签 p+scale_x_discrete(breaks=c("0.5", "1", "2"),labels=c("Dose 0.5", "Dose 1", "Dose 2"))

#修改要显示的项 p+scale_x_discrete(limits=c("0.5", "2"))

• 连续型坐标轴

  #散点图 (sp <- ggplot(cars, aes(x=speed, y=dist))+geom_point())

  
  修改坐标轴标签以及范围

  (sp <- sp+scale_x_continuous(name = "Speed of cars", limits = c(0, 30))+ scale_y_continuous(name = "Stopping distance", limits = c(0, 150)))

  
  更改y轴刻度，间隔50

  sp+scale_y_continuous(breaks = seq(0, 150, 50))

  
  修改y轴标签为百分数

  require(scales) sp+scale_y_continuous(labels = percent)

  添加直线：水平线、竖直线、回归线

  ggplot2提供以下方法为图形添加直线：

• geom_hline(yintercept, linetype, color, size): 添加水平线

• geom_vline(xintercept, linetype, color, size)：添加竖直线

• geom_abline(intercept, slope, linetype, color, size)：添加回归线

• geom_segment()：添加线段

实例演示：

sp <- ggplot(data=mtcars, aes(x=wt, y=mpg))+ geom_point()

添加直线：

#在y=20处添加一水平线，并设置颜色等 sp+geom_hline(yintercept = 20, linetype="dashed", color='red')

#在x=3处添加一竖直线，并设置颜色等 sp+geom_vline(xintercept = 3, color="blue", size=1.5)

#添加回归线 sp+geom_abline(intercept = 37, slope = -5, color="blue")

#添加水平线段 sp+geom_segment(aes(x=2, y=15, xend=3, yend=15), color="red")

图形旋转：旋转、反向

主要是下面两个函数：

• coord_flip()：创建水平方向图

• scale_x_reverse(),scale_y_reverse()：坐标轴反向

set.seed(1234) (hp <- qplot(x=rnorm(200), geom = "histogram"))

#水平柱形图 hp+coord_flip()

#y轴反向 hp+scale_y_reverse()

分面

分面就是根据一个或多个变量将图形分为几个图形以便于可视化，主要有两个方法实现：

• facet_grid()

• facet_wrap()

ToothGrowth$dose <- as.factor(ToothGrowth$dose) (p <- ggplot(ToothGrowth, aes(x=dose, y=len, group=dose))+   geom_boxplot(aes(fill=dose)))

针对上面图形进行分面：

• p+facet_grid(supp~.): 按变量supp进行竖直方向分面

• p+facet_grid(.~supp): 按变量supp进行水平方向分面

• p+facet_wrap(dose~supp)：按双变量supp和dose进行水平竖直方向分面

• p+facet_wrap(~fl): 将分成的面板边靠边置于一个矩形框内

1、按一个离散变量进行分面：

#竖直方向进行分面 p+facet_grid(supp~.)

#水平方向分面 p+facet_grid(.~supp)

2、按两个离散变量进行分面

#行按dose分面，列按supp分面 p+facet_grid(dose~supp)

#行按supp，列按dose分面 p+facet_grid(supp~dose)

从上面图形可以看出，每个面板的坐标轴比例都是一样的，我们可以通过设置参数scales来控制坐标轴比例

p + facet_grid(dose ~ supp, scales='free')

位置调整

很多图形需要我们调整位置，比如直方图时，由堆叠式、百分式、分离式等，具体的要通过实例说明

p <- ggplot(mpg, aes(fl, fill=drv)) #直方图边靠边排列，参数position="dodge" p+geom_bar(position = "dodge")

堆叠式position=”stack”

p+geom_bar(position = "stack")

position=”fill”类似玉堆叠图，只不过按百分比排列，所有柱子都被标准化成同样高度

p+geom_bar(position = "fill")

position=”jitter”,（主要适用于散点图）增加扰动，避免重叠，前面讲的geom_jitter()就是来源于此

ggplot(mpg, aes(cty, hwy))+   geom_point(position = "jitter")

上面几个函数有两个重要的参数：heigth、weight。

• position_dodge(width, height)

• position_fill(width, height)

• position_stack(width, height)

• position_jitter(width, height)

p+geom_bar(position = position_dodge(width = 1))

坐标系

p <- ggplot(mpg, aes(fl))+geom_bar()

ggplot2中的坐标系主要有：

• p+coord_cartesian(xlim=NULL, ylim=NULL)：笛卡尔坐标系(默认)

• p+coord_fixed(ratio=1, clim=NULL, ylim=NULL)：固定了坐标轴比例的笛卡尔坐标系。默认比例为1

• p+coord_flip(…)：旋转笛卡尔坐标系

• p+coord_polar(theta=”x”, start=0, direction=1)：极坐标系

• p+coord_trans(x,y,limx,limy)：变换笛卡尔坐标系

• coord_map()：地图坐标系

各个坐标系参数如下：
1、笛卡尔坐标系：coord_cartesian(), coord_fixed() and coord_flip()

• xlim：x轴范围

• ylim：y轴范围

• ratio：y/x

• …：其他参数

2、极坐标系：coord_polar()

• theta：外延坐标，x或y

• start：坐标开始的位置，默认为12点钟

• direction：方向：顺时针(1),逆时针(-1)

3、变换坐标系：coord_trans()

• x,y：变换的坐标轴

• limx,limy：坐标轴范围

实例演示：

p+coord_cartesian(ylim = c(0,200))

p+coord_fixed(ratio = 1/50)

p+coord_flip()

p+coord_polar(theta = "x", direction = 1)

p+coord_trans(y="sqrt")

可视化套路、配色和编辑

• 学术图表的基本配色方法

• 数据可视化基本套路总结

• 史上最全的图表色彩运用原理

• 论文图表基本规范

• 文章用图的修改和排版 (1)

• 文章用图的修改和排版 (2)

在线绘图和插件

• 简单强大的在线绘图

• 简单强大的在线绘图-升级版

• 你和PPT高手之间，就只差一个iSlide

• 推荐 3 个超赞的 EXCEL 插件，让你 5 分钟从小白变大神

CIRCOS系列

• CIRCOS圈图绘制 - circos安装

• CIRCOS圈图绘制 - 最简单绘图和解释

• CIRCOS圈图绘制 - 染色体信息展示和调整

• CIRCOS增加热图、点图、线图和区块属性

R统计和作图

• 在R中赞扬下努力工作的你，奖励一份CheatShet

• 别人的电子书，你的电子书，都在bookdown

• R语言 - 入门环境Rstudio

• R语言 - 热图绘制 (heatmap)

• R语言 - 基础概念和矩阵操作

• R语言 - 热图简化

• R语言 - 热图美化

• R语言 - 线图绘制

• R语言 - 线图一步法

• R语言 - 箱线图（小提琴图、抖动图、区域散点图）

• R语言 - 箱线图一步法

• R语言 - 火山图

• R语言 - 富集分析泡泡图

• R语言 - 散点图绘制

• R语言 - 韦恩图

• R语言 - 柱状图

• R语言 - 图形设置中英字体

• R语言 - 非参数法生存分析

• R语言 - 绘制seq logo图

• WGCNA分析，简单全面的最新教程

• 一文看懂PCA主成分分析

• 富集分析DotPlot，可以服

• 基因共表达聚类分析和可视化

• R中1010个热图绘制方法

• 还在用PCA降维？快学学大牛最爱的t-SNE算法吧, 附Python/R代码

• 一个函数抓取代谢组学权威数据库HMDB的所有表格数据

• 文章用图的修改和排版

• network3D: 交互式桑基图

• network3D 交互式网络生成

• R包ggseqlogo 绘制seq logo图

• 生物AI插图素材获取和拼装指导

• Seq logo 在线绘制工具——Weblogo

NGS可视化

• 测序数据可视化 (一)

• IGV基因组浏览器可视化高通量测序数据

• 高通量数据分析必备|基因组浏览器使用介绍 - 1

• 高通量数据分析必备|基因组浏览器使用介绍 - 2

• 高通量数据分析必备|基因组浏览器使用介绍 - 3

• 轻松绘制各种Venn图

• ETE构建、绘制进化树

Cytoscape网络图

• Cytoscape教程1

• Cytoscape之操作界面介绍

• 新出炉的Cytoscape视频教程

R统计绘图

R语言基础系列：

你知道R中的赋值符号箭头<-和等号=的区别吗？

交集intersect、并集union、找不同setdiff

1数据类型（向量、数组、矩阵、 列表和数据框）

2读写数据所需的主要函数、与外部环境交互

3数据筛选——提取对象的子集

4向量、矩阵的数学运算

5控制结构

6函数及作用域

7认识循环函数lapply和sapply

8分解数据框split和查看对象str

9模拟—随机数、抽样、线性模型

ggplot2绘图基础系列：

1初识ggplot2绘制几何对象

2图层的使用—基础、加标签、注释

3工具箱—误差线、加权数、展示数据分布

4语法基础

5通过图层构建图像

6标度、轴和图例

7定位-分面和坐标系

8主题设置、存储导出

9绘图需要的数据整理技术

高级统计绘图：

R做线性回归

绘图相关系数矩阵corrplot

相关矩阵可视化ggcorrplot

绘制交互式图形recharts

交互式可视化CanvasXpress

聚类分析factoextra

LDA分析、作图及添加置信-ggord

解决散点图样品标签重叠ggrepel

添加P值或显著性标记ggpubr

Alpha多样性稀释曲线rarefraction curve

堆叠柱状图各成分连线画法：突出组间变化

冲击图展示组间时间序列变化ggalluvial

桑基图riverplot

微生物环境因子分析ggvegan

五彩进化树与热图更配ggtree

多元回归树分析mvpart

随机森林randomForest 分类Classification 回归Regression

鼠标点点绘图系列

-SCI期刊数据可视化—折线图

精品回顾

画图三字经 生信视频 生信系列教程 

心得体会 癌症数据库 Linux Python 

高通量分析 在线画图 测序历史 超级增强子

培训视频 PPT EXCEL 文章写作 

海哥组学 可视化套路 基因组浏览器

色彩搭配 图形排版 互作网络

后台回复“生信宝典福利第一波”获取教程合集