箱形图（Box-plot）是一种用作 显示一组数据分散情况 的统计图，因形状如箱子而得名。除了生信领域，该图在其他领域也经常被使用。主要用于反映原始数据分布的特征，并且可以进行多组数据分布特征的比较。箱形图能显示出一组数据的 最大值(Maximum)、最小值(Minimum)、中位数(Median)及上下四分位数(1st/3rd Quartile) ,同时还可以显示 逸出值(Outlier) 。
那么，这些值是如何被计算出来的呢？什么样的数据会被判定为逸出值呢？
第一四分位数（Q1） ，又称 较小四分位数 ，等于该样本中所有数值由小到大排列后第25%的数字。
第二四分位数 ，又称 中位数 ，等于该样本中所有数值由小到大排列后第50%的数字。
第三四分位数（Q3） 又称 较大四分位数 ，等于该样本中所有数值由小到大排列后第75%的数字。
逸出值 ，是根据四分位间距(interquartile range)进行计算的：
四分位间距 = Q3-Q1 = ΔQ
在区间 Q3+1.5ΔQ, Q1-1.5ΔQ 之外的值即被视为逸出值。
(1) 需要什么格式的数据
我们需要的数据只要两列，一列为x，一列为y。本次我们使用R中提供的iris数据。
这个数据共有5列，分别为花萼长度(Sepal.Length)、花萼宽度(Sepal.Width)、花瓣长度(Petal.Length)、花瓣宽度(Petal.Width)以及物种(Species)。
比如我们想要探究不同物种的花萼长度差异。
(2) 如何使用ggplot2做箱形图
利用ggplot2画图的核心命令是 geom_boxplot 。我们先来尝试做一个最最基础也是最丑的boxplot图。
可以看到不同的物种之间Sepal.Length有所不同，那么这种差异显著吗？
这个时候我们就需要做检验，那么如何可以直接把检验结果展示在图中呢。这个时候我们可以使用另一个 R包ggpubr 。
同时如果你的检验是成对的那么可以加上参数 paired=T ,如果你不想用默认的wilcox.test你可以将method改为其他的。比如我想要做一个成对的t检验：
stat_compare_means(aes(label = ..p.signif..),method="t.test",paired=T)
可以发现这里我没有添加comparisons参数，那么结果就是看三组是否存在两组间有显著差异。
具体的大家可以使用命令 ?stat_compare_means 查看帮助手册。
然后我们还可以修改颜色等等。
这样，一张简洁的Boxplot图就完成啦。
这里随机生成了25个0,1之间的均匀分布的随机数，其中，行是样本，列是特征，如图：
第一种方案绘制的Heatmap需要借助于Corrplot包，我们求出dat特征的相关系数矩阵，进一步利用corrplot函数来画图，在该包的官方文档中，对于corrplot函数的参数描述可以说是非常多，这里我给出几种常用的参数：
method 表示热力图中每一块所展示的形状，可选值有： "circle", "square", "ellipse", "number", "shade", "color", "pie"；
type 表示相关系数矩阵展示的方式，比如只展示上三角或下三角或者全部展示，可选值有：“full”，“upper"，"lower”；
tl.pos 指定文本标签(变量名称)的位置，当type=full时，默认标签位置在左边和顶部(lt)，当type=lower时，默认标签在左边和对角线(ld)，当type=upper时，默认标签在顶部和对角线，d表示对角线，n表示不添加文本标签；
diag 表示对角线上取值，默认为FALSE
cl.pos 表示图例位置，当type=upper或full时，图例在右方，当type=lower时，图例在底部，不需要图例时，需指定该参数为n；
...
下面给出方法运用：
当然，利用corrplot函数画图可以实现图层的叠加，上面这张图就是分上下两部分完成的，其中默认的颜色样式个人觉得还是可以的，只不过对于相关系数值会根据高低颜色深浅会发生变化，对于一些相关性低的值颜色会非常浅，所以看得不是很明显。
关于这个包具体的的使用方法可以参考这位博主写的文章：
这里我们还是用方案一随机生成的矩阵，介绍用pheatmap包来绘制热力图。pheatmap包里关于绘制热力图的参数相对来说比较少，可以帮助我们快速的绘图，这里给出一些常用参数：
color 设置渐变的颜色，通常借助于colorRampPalette函数，比如说设置红黄蓝渐变，并在这之间分成50个等级，我们可以设置color=colorRampPalette(c("red","yellow","blue"))(50)
cluster_cols &cluster_rows 表示是否按行或列聚类，默认值为FALSE
clustering_method 表示聚类方法，默认是complete,此外还"ward.D",“single”,“average”,等；
display_numbers 表示是否在heatmap里面显示数值，默认是FALSE；
show_rownames &show_colnames 表示是否显示行名或列名；
file 设置图片保存位置
...
下面给出方法运用
去掉边框线可能会好看一点：
由于是随机生成的数据，就不显示聚类的效果（只需要把cluster_row和cluster_col删掉即可），总体来说用pheatmap绘制热图会相对简单一点，但是毫不逊色于其他包绘制的热图。此外，如果想对于行或列来显示一些注释信息（annotation），比如将特征分成2类，每一类是不同的颜色，这里就可以先生成一个行名是特征，列名是分类结果的数据框，然后利用annotation_row(或col)参数，将生成的数据框赋给它即可，具体可以参考这位博主的文章：
接下来介绍的ComplexHeatmap包就比较全面了，他可以兼容pheatmap函数的所有功能，可以说是pheatmap包的加强版，能够创建更加复杂的热力图，如果你会pheatmap包的应用，那么在ComplexHeatmap包里面，你只需要指明是该包下的pheatmap函数即可使用（ComplexHeatmap::pheatmap()）。接下来列举出一些常用参数：
name 、column_title、row_title设置图例、列标题与行标题的名字；
column_title_side &row_title_side 设置列标题与行标题的位置，之注意：列标题只能跟"top"或"buttom"参数，行标题只能跟"left"或"right"参数；
column_names_side &row_names_side 设置行名与列名的位置，后面跟的是位置参数，如"left"、"top"等；
column_names_rot &row_names_rot 设置行名与列名的倾斜角度，后面跟的是角度，如0、30、90等；
column_names_gp &row_names_gp 设置行名与列名的颜色，比如 column_names_gp =gpar(col=rep("red",5))
column_title_gp &row_title_gp 设置列与行标题的颜色，注意：这个需要和聚类分割的数量来决定，要指定row_split &column_split，颜色的设置才能生效；
col 设置渐变的颜色向量参数，这里推荐用RColorBrewer包中的颜色，比如 col = rev(brewer.pal(n = 7, name ="RdYlBu"))
cluster_rows &cluster_columns 表示是否对行列进行聚类，默认是TRUE
cluster_rows &cluster_columns 表示是否对行列进行聚类，默认是TRUE，如果是特定值，则表示对聚类树进行处理；
row_dend_reorder &column_dend_reorder 表示将行或列进行排序，默认是TRUE，所以我们在利用这个包绘制相关系数热力图时，会看到对角线不是1，那么我们就需要检查是否设置了这个参数；
show_column_dend &show_row_dend 表示是否展示行与列的聚类树；
...
下面利用上述随机生成的数据来绘制heatmap：
最值得一提的是，cluster_rows参数，可以结合hlust函数来使用，并通过color_branches函数来为不同类别设置颜色，使得整个heatmap看起来更加美观。如果我们要显示聚类后的数据分割并命名，我们可以这样：
如若想得到更加详细的说明，可以看ComplexHeatmap包的官方文档，或者参见这位博主的文章：
当然，画heatmap怎么能少的了ggplot2呢，我们在利用ggplot画图时，只需要设置scale_fill_gradient即可，例如：scale_fill_gradient(low = "yellow", high = "red") 表示颜色从黄色到红色渐变。注意要把数据处理成ggplot所需要的样式！下面来绘制heatmap:
如果要实现聚类树在heatmap上，我们需要利用ggtree函数，分别绘制聚类树与热力图，最后用aplot包进行拼接即可。
由于ComplexHeatmap包绘制的热力图是一个Heatmap对象，故他与其他图形不同，自身可以与其他Heatmap对象结合，我们只需要利用"+"号或者"%v%"连接符对多个Heatmap对象进行水平或垂直连接就可以了。
当我们需要将pheatmap包绘制的热力图与ggplot画的其他图贴在一起时，我们可以利用ggplotify包来实现，具体操作流程为：
我们用上回利用iris数据集画组合小提琴图的例子，进一步组合heatmap：
当然ggplot也可以画heatmap，这里不再阐述，对于上面几种绘图方案，我们只需选取一种最美观，最有效的方式来画heatmap即可。
这个我查了下觉得应该是这么回事：iris首先是个数据框，数据框可以看做是矩阵的推广，也可以看成是特殊的列表。在你这里通过调用iris[,1:4]和iris[,1:4]得到一个数据结果，我觉得是在调用iris[,1:4]的时候吧iris当成了特殊的矩阵，这样的话就代表iris的1到4列，前面的逗号代表所有的行。而再调用iris[1:4]的时候把iris当成了特殊的列表，调用的而是iris的第1到4个元素，正好也是iris作为矩阵的第1到4列，所以两者就像等了。
