vps建设网站需要条件,设计招聘专业网站,网站运营面试,南宁专业做网站#x1f4cb;文章目录 复现图片设置工作路径和加载相关R包读取数据集数据可视化计算均值和标准差方差分析组间t-test 图a可视化过程图b可视化过程合并图ab 跟着「Nature Communications」学作图#xff0c;今天主要通过复刻NC文章中的一张主图来巩固先前分享过的知识点#… 文章目录 复现图片设置工作路径和加载相关R包读取数据集数据可视化计算均值和标准差方差分析组间t-test 图a可视化过程图b可视化过程合并图ab 跟着「Nature Communications」学作图今天主要通过复刻NC文章中的一张主图来巩固先前分享过的知识点比如纹理柱状图、 添加显著性标签、拼图等其中还会涉及数据处理的相关细节和具体过程。 复现图片 主要复现红框部分右侧的cd图与框中的图是同类型的只不过需要构建更多数据相对麻烦所以选择以左侧红框图进行学习和展示。
设置工作路径和加载相关R包
rm(list ls()) # 清空当前环境变量
setwd(C:/Users/Zz/Desktop/公众号 SES) # 设置工作路径
# 加载R包
library(ggplot2)
library(agricolae)
library(ggpattern)
library(ggpubr)读取数据集
cData1 - read.csv(cData1.csv, header T, row.names 1)
head(cData1)
# Type Deep ctValue ftValue Stripe_Angle
# 1 BT Top 55 73 135
# 2 BT Top 61 78 135
# 3 BT Top 69 80 135
# 4 BT Center 35 50 135
# 5 BT Center 42 41 135
# 6 BT Center 43 57 135数据包括以下指标2个分类变量、2个数值变量、和1个整数变量。
数据可视化
在可视化前我们需要先思考图中构成的元素由哪些组成。
计算每个分组或处理下的均值和标准差进行组内的方差分析及多重比较进行组间的t检验
计算均值和标准差
cData1_mean - cData1 %% gather(key var_type, value value,3:4) %% group_by(Type, Deep, var_type, Stripe_Angle) %% summarise(mean mean(value),sd sd(value))
cData1_mean
# A tibble: 12 × 6
# Groups: Type, Deep, var_type [12]
# Type Deep var_type Stripe_Angle mean sd
# fct chr chr int dbl dbl
# 1 BT Bottom ctValue 135 47.7 1.53
# 2 BT Bottom ftValue 135 48 1
# 3 BT Center ctValue 135 40 4.36
# 4 BT Center ftValue 135 49.3 8.02
# 5 BT Top ctValue 135 61.7 7.02
# 6 BT Top ftValue 135 77 3.61
# 7 CK Bottom ctValue 135 42 7.21
# 8 CK Bottom ftValue 135 48 4.36
# 9 CK Center ctValue 135 38.3 2.08
# 10 CK Center ftValue 135 47.7 5.13
# 11 CK Top ctValue 135 46.7 7.57
# 12 CK Top ftValue 135 53.7 12.3 方差分析
# 方差分析
groups - NULL
vl - unique((cData1 %% gather(key var_type, value value, 3:4) %% unite(unique_col, c(Type, var_type), sep -))$unique_col)
vlfor(i in 1:length(vl)){df - cData1 %% gather(key var_type, value value, 3:4) %% unite(unique_col, c(Type, var_type), sep -) %% filter(unique_col vl[i])aov - aov(value ~ Deep, df)lsd - LSD.test(aov, Deep, p.adj bonferroni) %%.$groups %% mutate(Deep rownames(.),unique_col vl[i]) %%dplyr::select(-value) %% as.data.frame()groups - rbind(groups, lsd)
}
groups - groups %% separate(unique_col, c(Type, var_type))
groups
# groups Deep Type var_type
# Top a Top BT ctValue
# Bottom b Bottom BT ctValue
# Center b Center BT ctValue
# Top1 a Top CK ctValue
# Bottom1 a Bottom CK ctValue
# Center1 a Center CK ctValue
# Top2 a Top BT ftValue
# Center2 b Center BT ftValue
# Bottom2 b Bottom BT ftValue
# Top3 a Top CK ftValue
# Bottom3 a Bottom CK ftValue
# Center3 a Center CK ftValue使用aov函数和LSD.test函数实现方差分析及对应的多重比较并提取显著性字母标签。
然后将多重比较的结果与原均值标准差的数据进行合并
cData1_mean1 - left_join(cData1_mean, groups, by c(Deep, Type, var_type)) %% arrange(var_type) %% group_by(Type, var_type) %% mutate(label_to_show n_distinct(groups))
cData1_mean1
# A tibble: 12 × 8
# Groups: Type, var_type [4]
# Type Deep var_type Stripe_Angle mean sd groups label_to_show
# chr chr chr int dbl dbl chr int
# 1 BT Bottom ctValue 135 47.7 1.53 b 2
# 2 BT Center ctValue 135 40 4.36 b 2
# 3 BT Top ctValue 135 61.7 7.02 a 2
# 4 CK Bottom ctValue 135 42 7.21 a 1
# 5 CK Center ctValue 135 38.3 2.08 a 1
# 6 CK Top ctValue 135 46.7 7.57 a 1
# 7 BT Bottom ftValue 135 48 1 b 2
# 8 BT Center ftValue 135 49.3 8.02 b 2
# 9 BT Top ftValue 135 77 3.61 a 2
# 10 CK Bottom ftValue 135 48 4.36 a 1
# 11 CK Center ftValue 135 47.7 5.13 a 1
# 12 CK Top ftValue 135 53.7 12.3 a 1需要注意的是这里添加了label_to_show一列目的是为了后续再进行字母标签添加时可以识别没有显著性的结果。
组间t-test
cData1_summary - cData1 %%gather(key var_type, value value, 3:4) %% # unite(unique_col, c(Type, Deep), sep -) %% unique_colgroup_by(Deep, var_type) %%summarize(p_value round(t.test(value ~ Type)$p.value, 2)) %%mutate(label ifelse(p_value 0.001, ***,ifelse(p_value 0.01, **, ifelse(p_value 0.05, *, ifelse(p_value 0.1, ●, NA)))))
cData1_summary
# Deep var_type p_value label
# chr chr dbl chr
# 1 Bottom ctValue 0.31 NA
# 2 Bottom ftValue 1 NA
# 3 Center ctValue 0.59 NA
# 4 Center ftValue 0.78 NA
# 5 Top ctValue 0.07 ●
# 6 Top ftValue 0.07 ● 我们将计算出来的p值并用* 或者 ●进行了赋值。然后合并相关结果
cData1_summary1 - left_join(cData1_mean1, cData1_summary, by c(Deep, var_type))
cData1_summary1
# Type Deep var_type Stripe_Angle mean sd groups label_to_show p_value label
# chr chr chr int dbl dbl chr int dbl chr
# 1 BT Bottom ctValue 135 47.7 1.53 b 2 0.31 NA
# 2 BT Center ctValue 135 40 4.36 b 2 0.59 NA
# 3 BT Top ctValue 135 61.7 7.02 a 2 0.07 ●
# 4 CK Bottom ctValue 135 42 7.21 a 1 0.31 NA
# 5 CK Center ctValue 135 38.3 2.08 a 1 0.59 NA
# 6 CK Top ctValue 135 46.7 7.57 a 1 0.07 ●
# 7 BT Bottom ftValue 135 48 1 b 2 1 NA
# 8 BT Center ftValue 135 49.3 8.02 b 2 0.78 NA
# 9 BT Top ftValue 135 77 3.61 a 2 0.07 ●
# 10 CK Bottom ftValue 135 48 4.36 a 1 1 NA
# 11 CK Center ftValue 135 47.7 5.13 a 1 0.78 NA
# 12 CK Top ftValue 135 53.7 12.3 a 1 0.07 ● 需要注意的是添加的label也是为了后续筛选掉没有显著性结果做准备。
图a可视化过程
ctValue - ggplot(data cData1_mean1 %% filter(var_type ctValue) %% mutate(Deep factor(Deep, levels c(Top, Center, Bottom))), aes(x Type, y mean, fill Deep, pattern Type, width 0.75)) geom_bar_pattern(position position_dodge(preserve single),stat identity,pattern_fill white, pattern_color white, pattern_angle -50,pattern_spacing 0.05,color grey,width 0.75) scale_pattern_manual(values c(CK stripe, BT none)) geom_errorbar(data cData1_mean %% filter(var_type ctValue) %% mutate(Deep factor(Deep, levels c(Top, Center, Bottom))), aes(x Type, y mean, ymin mean - sd, ymax mean sd, width 0.2),position position_dodge(0.75),)geom_point(data cData1 %% mutate(Deep factor(Deep, levels c(Top, Center, Bottom))),aes(x Type, y ctValue, group Deep), color black, fill #D2D2D2, shape 21,position position_dodge(0.75), size 3)geom_text(data cData1_mean1 %% filter(var_type ctValue,label_to_show 1) %% mutate(Deep factor(Deep, levels c(Top, Center, Bottom))),aes(x Type, y mean sd, label groups), position position_dodge(0.75), vjust -0.5, size 5) geom_segment(data cData1_summary1 %% filter(p_value 0.1 var_type ctValue),aes(x 0.75, xend 0.75, y 73, yend 76))geom_segment(data cData1_summary1 %% filter(p_value 0.1 var_type ctValue),aes(x 0.75, xend 1.75, y 76, yend 76))geom_segment(data cData1_summary1 %% filter(p_value 0.1 var_type ctValue),aes(x 1.75, xend 1.75, y 73, yend 76))geom_text(data cData1_summary1 %% filter(p_value 0.1 var_type ctValue),aes(x 1.25, y 76, label paste0(p , p_value)),vjust -0.5, size 5)geom_text(data cData1_summary1 %% filter(p_value 0.1 var_type ctValue),aes(x 1.25, y 78, label label),vjust -1, size 5)scale_fill_manual(values c(#393939, #A2A2A2, #CCCCCC)) scale_y_continuous(expand c(0, 0), limits c(0, 100), breaks seq(0, 100, 50)) theme_classic()theme(legend.position top,axis.ticks.length.y unit(0.2, cm),axis.text.y element_text(color black, size 12),axis.title.y element_text(color black, size 12, face bold),axis.title.x element_blank(),axis.text.x element_blank(),axis.line.x element_blank(),axis.ticks.x element_blank(),plot.margin margin(t 0, r 0, b 1, l 0, lines))labs(y CTvalue, fill , pattern );ctValue图b可视化过程
ftValue - ggplot(data cData1_mean1 %% filter(var_type ftValue) %% mutate(Deep factor(Deep, levels c(Top, Center, Bottom))), aes(x Type, y mean, fill Deep, pattern Type, width 0.75)
) geom_bar_pattern(position position_dodge(preserve single),stat identity,pattern_fill white, pattern_color white, pattern_angle -50,pattern_spacing 0.05,color grey,width 0.75) scale_pattern_manual(values c(CK stripe, BT none)) geom_errorbar(data cData1_mean %% filter(var_type ftValue) %% mutate(Deep factor(Deep, levels c(Top, Center, Bottom))), aes(x Type, y mean, ymin mean - sd, ymax mean sd, width 0.2),position position_dodge(0.75),)geom_point(data cData1 %% mutate(Deep factor(Deep, levels c(Top, Center, Bottom))),aes(x Type, y ftValue, group Deep), color black, fill #D2D2D2, shape 21,position position_dodge(0.75), size 3)geom_text(data cData1_mean1 %% filter(var_type ftValue,label_to_show 1) %% mutate(Deep factor(Deep, levels c(Top, Center, Bottom))),aes(x Type, y mean sd, label groups), position position_dodge(0.75), vjust -0.5, size 5) geom_segment(data cData1_summary1 %% filter(p_value 0.1 var_type ftValue),aes(x 0.75, xend 0.75, y 85, yend 88))geom_segment(data cData1_summary1 %% filter(p_value 0.1 var_type ftValue),aes(x 0.75, xend 1.75, y 88, yend 88))geom_segment(data cData1_summary1 %% filter(p_value 0.1 var_type ftValue),aes(x 1.75, xend 1.75, y 85, yend 88))geom_text(data cData1_summary1 %% filter(p_value 0.1 var_type ftValue),aes(x 1.25, y 88, label paste0(p , p_value)),vjust -0.5, size 5)geom_text(data cData1_summary1 %% filter(p_value 0.1 var_type ftValue),aes(x 1.25, y 90, label label),vjust -1, size 5)scale_fill_manual(values c(#393939, #A2A2A2, #CCCCCC)) scale_y_continuous(expand c(0, 0), limits c(0, 100), breaks seq(0, 100, 50)) theme_classic()theme(legend.position top,axis.ticks.length.y unit(0.2, cm),axis.text.y element_text(color black, size 12),axis.title.y element_text(color black, size 12, face bold),axis.title.x element_blank(),axis.text.x element_blank(),axis.line.x element_blank(),axis.ticks.x element_blank())labs(y FTvalue, fill , pattern );ftValue合并图ab
ggarrange(ctValue, ftValue, nrow 2, ncol 1, labels c (A, B),align hv, common.legend T)使用ggpubr包中的ggarrange函数完成拼图。
这个图展示了基于不同深度Top、Center、Bottom和类型CK、BT的ctValue。以下是一个简短的解读 柱状图使用geom_bar_pattern函数创建柱状图。柱子的高度代表每种类型和深度的平均ctValue。柱子的颜色是根据深度填充的而模式则是基于类型填充的。 误差条使用geom_errorbar函数添加误差条表示平均值上下的标准差。 点使用geom_point函数绘制ctValue的单个数据点。
注释 geom_text函数向图表添加文本注释。似乎有某些群组和p值的注释。 使用geom_segment函数绘制的线条表示显著性的比较。
美学和主题 scale_fill_manual函数用于手动设置柱子的颜色。 使用theme_classic和theme函数定制图表的外观。 使用labs函数将图的y轴标记为CTvalue。 要可视化数据您需要相应的数据框cData1_mean1、cData1_mean、cData1和cData1_summary1并确保加载了所需的库ggplot2以及geom_bar_pattern等所需的其他库。
复现效果还是比较完美的。中间可视化代码细节比较多大家可以自行学习可以留言提问答疑。
