第R語言學(xué)習(xí)之線圖的繪制詳解目錄線圖單線圖多線圖橫軸文本線圖

線圖

線圖是反映趨勢(shì)變化的一種方式，其輸入數(shù)據(jù)一般也是一個(gè)矩陣。

單線圖

假設(shè)有這么一個(gè)矩陣，第一列為轉(zhuǎn)錄起始位點(diǎn)及其上下游5kb的區(qū)域，第二列為H3K27ac修飾在這些區(qū)域的豐度，想繪制一張線圖展示。

profile="Pos;H3K27ac

-5000;8.7

-4000;8.4

-3000;8.3

-2000;7.2

-1000;3.6

0;3.6

1000;7.1

2000;8.2

3000;8.4

4000;8.5

5000;8.5"

讀入數(shù)據(jù)(經(jīng)過前面幾篇的聯(lián)系，這應(yīng)該都很熟了)

profile_text-read.table(text=profile,header=T,s=1,quote="",sep=";")

profile_text

H3K27ac

-5000

8.7

-4000

8.4

-3000

8.3

-2000

7.2

-1000

3.6

0

3.6

1000

7.1

2000

8.2

3000

8.4

4000

8.5

5000

8.5

#在melt時(shí)保留位置信息

#melt格式是ggplot2畫圖最喜歡的格式

#好好體會(huì)下這個(gè)格式，雖然多占用了不少空間，但是確實(shí)很方便

#這里可以用`xvariable`，也可以是其它字符串，但需要保證后面與這里的一致

#因?yàn)檫@一列是要在X軸顯示，所以起名為`xvariable`。

profile_text$xvariable=rownames(profile_text)

library(ggplot2)

library(reshape2)

data_m-melt(profile_text,id.vars=c("xvariable"))

data_m

xvariablevariablevalue

1

-5000

H3K27ac

8.7

2

-4000

H3K27ac

8.4

3

-3000

H3K27ac

8.3

4

-2000

H3K27ac

7.2

5

-1000

H3K27ac

3.6

6

0

H3K27ac

3.6

7

1000

H3K27ac

7.1

8

2000

H3K27ac

8.2

9

3000

H3K27ac

8.4

10

4000

H3K27ac

8.5

11

5000

H3K27ac

8.5

然后開始畫圖，與上面畫heatmap一樣。

#variable和value為矩陣melt后的兩列的名字，內(nèi)部變量,variable代表了點(diǎn)線的屬性，value代表對(duì)應(yīng)的值。

p-ggplot(data_m,aes(x=xvariable,y=value),color=variable)+geom_line()

#圖會(huì)存儲(chǔ)在當(dāng)前目錄的Rplots.pdf文件中，如果用Rstudio，可以不運(yùn)行dev.off()

dev.off()

滿心期待一個(gè)倒鐘形曲線，結(jié)果，

什么也沒有。

仔細(xì)看，出來一段提示

geom_path:Eachgroupconsistsofonlyoneobservation.

Doyouneedtoadjustthegroupaesthetic

原來默認(rèn)ggplot2把每個(gè)點(diǎn)都視作了一個(gè)分組，什么都沒畫出來。而data_m中的數(shù)據(jù)都來源于一個(gè)分組H3K27ac，分組的名字為variable，修改下腳本，看看效果。

p-ggplot(data_m,aes(x=xvariable,y=value,color=variable,group=variable))+

geom_line()+theme(legend.position=c(0.1,0.9))

dev.off()

圖出來了，一條線，看一眼沒問題；再仔細(xì)看，不對(duì)了，怎么還不是倒鐘形，原來橫坐標(biāo)錯(cuò)位了。

檢查下數(shù)據(jù)格式

summary(data_m)

xvariable

variable

Length:11

H3K27ac:11

Class:character

Mode

:character

問題來了，xvariable雖然看上去數(shù)字，但存儲(chǔ)的實(shí)際是字符串(因?yàn)槭亲鳛樾忻肿x取的)，需要轉(zhuǎn)換為數(shù)字。

data_m$xvariable-as.numeric(data_m$xvariable)

#再檢驗(yàn)下

is.numeric(data_m$xvariable)

[1]TRUE

好了，繼續(xù)畫圖。

#注意斷行時(shí)，加號(hào)在行尾，不能放在行首

p-ggplot(data_m,aes(x=xvariable,y=value,color=variable,group=variable))+

geom_line()+theme(legend.position=c(0.1,0.8))

dev.off()

圖終于出來了，調(diào)了下legend的位置，看上去有點(diǎn)意思了。

有點(diǎn)難看，如果平滑下，會(huì)不會(huì)好一些，stat_smooth可以對(duì)繪制的線進(jìn)行局部擬合。在不影響變化趨勢(shì)的情況下，可以使用(但慎用)。

p-ggplot(data_m,aes(x=xvariable,y=value,color=variable,group=variable))+

geom_line()+stat_smooth(method="auto",se=FALSE)+

theme(legend.position=c(0.1,0.8))

dev.off()

從圖中看，趨勢(shì)還是一致的，線條更優(yōu)美了。另外一個(gè)方式是增加區(qū)間的數(shù)量，線也會(huì)好些，而且更真實(shí)。

stat_smooth和geom_line各繪制了一條線，只保留一條就好。

p-ggplot(data_m,aes(x=xvariable,y=value,color=variable,group=variable))+

stat_smooth(method="auto",se=FALSE)+theme(legend.position=c(0.1,0.8))

dev.off()

好了，終于完成了單條線圖的繪制。

多線圖

那么再來一個(gè)多線圖的例子吧，只要給之前的數(shù)據(jù)矩陣多加幾列就好了。

profile="Pos;h3k27ac;ctcf;enhancer;h3k4me3;polII

-5000;8.7;10.7;11.7;10;8.3

-4000;8.4;10.8;11.8;9.8;7.8

-3000;8.3;10.5;12.2;9.4;7

-2000;7.2;10.9;12.7;8.4;4.8

-1000;3.6;8.5;12.8;4.8;1.3

0;3.6;8.5;13.4;5.2;1.5

1000;7.1;10.9;12.4;8.1;4.9

2000;8.2;10.7;12.4;9.5;7.7

3000;8.4;10.4;12;9.8;7.9

4000;8.5;10.6;11.7;9.7;8.2

5000;8.5;10.6;11.7;10;8.2"

profile_text-read.table(text=profile,header=T,s=1,quote="",sep=";")

profile_text$xvariable=rownames(profile_text)

data_m-melt(profile_text,id.vars=c("xvariable"))

data_m$xvariable-as.numeric(data_m$xvariable)

#這里group=variable，而不是group=1(如果上面你用的是1的話)

#variable和value為矩陣melt后的兩列的名字，內(nèi)部變量,variable代表了點(diǎn)線的屬性，value代表對(duì)應(yīng)的值。

p-ggplot(data_m,aes(x=xvariable,y=value,color=variable,group=variable))+

stat_smooth(method="auto",se=FALSE)+theme(legend.position=c(0.85,0.2))

dev.off()

橫軸文本線圖

如果橫軸是文本，又該怎么調(diào)整順序呢？還記得之前熱圖旁的行或列的順序調(diào)整嗎？重新設(shè)置變量的factor水平就可以控制其順序。

profile="Pos;h3k27ac;ctcf;enhancer;h3k4me3;polII

-5000;8.7;10.7;11.7;10;8.3

-4000;8.4;10.8;11.8;9.8;7.8

-3000;8.3;10.5;12.2;9.4;7

-2000;7.2;10.9;12.7;8.4;4.8

-1000;3.6;8.5;12.8;4.8;1.3

0;3.6;8.5;13.4;5.2;1.5

1000;7.1;10.9;12.4;8.1;4.9

2000;8.2;10.7;12.4;9.5;7.7

3000;8.4;10.4;12;9.8;7.9

4000;8.5;10.6;11.7;9.7;8.2

5000;8.5;10.6;11.7;10;8.2"

profile_text-read.table(text=profile,header=T,s=1,quote="",sep=";")

profile_text_rownames-s(profile_text)

profile_text$xvariable=rownames(profile_text)

data_m-melt(profile_text,id.vars=c("xvariable"))

#就是這一句，會(huì)經(jīng)常用到

data_m$xvariable-factor(data_m$xvariable,levels=profile_text_rownames,ordered=T)

#geom_line設(shè)置線的粗細(xì)和透明度

p-ggplot(data_m,aes(x=xvariable,y=value,color=variable,group=variable))+

geom_line(size=1,alpha=0.9)+theme(legend.position=c(0.85,0.2))+

theme(axis.text.x=element_text(angle=45,hjust=1,vjust=1))

#stat_smooth

#p-ggplot(data_m,aes(x=xvariable,y=value,color=variable,group=variable))+

#

stat_smooth(method="auto",se=FALSE)+theme(legend.position=c(0.85,0.2))+

#

theme(axis.te