R 有几种用于制作图形的系统，但 ggplot2 是最优雅和最通用的系统之一。与大多数其他图形包不同，ggplot2 具有基于图形语法的底层语法，它允许您通过组合独立组件来组合图形。如果想要更加了解ggplot2，请阅读 ggplot2: Elegant Graphics for Data Analysis ，可以从 https://ggplot2-book.org/getting-started.html 学习本书

所有的图都由数据data，想要可视化的信息，映射mapping（即数据变量如何映射到美学属性的描述）组成

1. 图层（layers） 是几何元素和统计变换的集合。几何对象，简称 geoms ，代表你在图中实际看到的东西：点、线、多边形等等。 统计转换，简称 stats ，总结数据:例如，装箱和计数观察，以创建一个直方图，或拟合一个线性模型。

2. Scales 将数据空间中的值映射到美学空间中的值。这包括颜色、形状和大小的使用。Scale还绘制图例和轴，这使得从图中读取原始数据值成为可能(反向映射)。

3. 坐标（coords） 或坐标系统描述如何将数据坐标映射到图形的平面。它还提供了轴和网格线来帮助读取图形。我们通常使用笛卡尔坐标系，但也可以使用其他一些坐标系，包括极坐标和地图投影。

4. 刻面（facet） 指定如何拆分数据子集并将其显示为小倍数。这也被称为条件反射或网格/格子。

5. theme 控制更精细的显示点，如字体大小和背景颜色。

ggplot2有许多参数，可根据需求自行选取，具体参数详情可见 https://ggplot2.tidyverse.org/reference/index.html

基础绘图：由 ggplot(data,aes(x,y))+geom_ 开始,至少包含这三个组件，可以通过"+"不断的添加layers, scales, coords和facets。

Geoms ：几何对象，通常，您将使用geom_函数创建层，以下为常用的图形：

geom_bar() ：直方图，条形图

geom_boxplot() ：box图

geom_density() ：平滑密度估计曲线

geom_dotplot() ：点图

geom_point() :点图

geom_violin() ：小提琴图

aes()，颜色、大小、形状和其他审美属性

要向绘图添加其他变量，我们可以使用其他美学，如颜色、形状和大小。

按照属性定义

它们的工作方式与 x 和 y 相同，aes()：

aes(displ, hwy, colour = class) #按照某个属性着色

aes(displ, hwy, shape = drv) #按照某个属性定义

aes(displ, hwy, size = cyl) #按照某个属性定义

整体自定义

geom_xxx(colour =自定义颜色)

geom_xxx(shape=形状编号)

geom_xxx(size =编号大小定义 0-10)

注意根据需求按照aes()还是geom进行添加属性

以下为R语言中各shape形状编号

scale控制如何将数据值转换为视觉属性的细节。

labs()和lims() 是对标签和限制进行最常见调整。

labs() ，主要对图形进行调整，注释等

labs()括号内参数：title主标题，subtitle副标题，caption右下角描述，tag左上角

xlab() ，x轴命名

ylab() ，y轴命名

ggtitle() ，标题

lims()

xlim() , xlim(a,b) 限制坐标(a，b)

ylim() ， ylim(a,b) 限制坐标(a，b)

scale_alpha() 透明度尺度

scale_shape() ， 搭配aes(shape=某个属性)使用

参数：name ，solid =T/F是否填充

scale_size()搭配aes(size=某个属性)使用

参数：name，range =c(0, 10)

1.适用于发散和定性的数据

a. scale_colour_brewer() ，scale_colour_brewer(palette =" ")，scale_colour_brewer(palette ="Green ")

palette来自RcolorBrewer包，所有面板：

b. scale_colour_manual()

scale_colour_manual(values=c( )) 可以 自定义颜色 ，常用的参数

values可直接定义颜色，但是建议使用命名向量，例如

values=c("8" = "red", "4" = "blue", "6" = "darkgreen", "10" = "orange")

PS：注意在aes(colour=factor()),一定要把因素转换为factor型，否则无效

2.适用于连续的值，渐变颜色

a. scale_colour_gradient()

scale_colour_gradient (low =" ",high=" ")，根据值大小定义颜色,创建两个颜色梯度(低-高)，

b. scale_colour_gradient2()

scale_colour_gradient2(low = " ",mid = " ",high = " ")创建一个发散的颜色梯度(低-中-高)

c. scale_colour_gradientn()

创建一个n色渐变，scale_colour_gradientn(colours =许多R语言中的颜色面板)，

默认坐标系是笛卡尔 coord_cartesian()

一般不会修改

facet_grid() ，在网格中布置面板

facet_grid(rows = vars() ) cols或rows = vars(因素)，图形按列或行分割

facet_wrap()

facet_wrap(vars( ), ncol =n) , ncol或者nrow,分为多少行多少列

theme_bw() ，可以覆盖所有主题，背景变为白色,我们在文章中所用的图片大都需要该背景。

或者用 theme_classic() ，同时去除了网格线

theme() ，修改主题的组件，里面涉及多个参数，根据需求调整

常见参数：

legend.position，图例的位置,包括 "left" 左, "right" 右, "bottom" 下, "top" 上和"none",不显示

说起R语言的交互包，第一个想到的应该就是rCharts包。该包直接在R中生成基于D3的Web界面。

rCharts包的安装

require(devtools)

install_github('rCharts', 'ramnathv')

rCharts函数就像lattice函数一样，通过formula、data指定数据源和绘图方式，并通过type指定图表类型。

下面通过例子来了解下其工作原理。我们以鸢尾花数据集为例，首先通过name函数对列名进行重新赋值（去掉单词间的点），然后利用rPlot函数绘制散点图(type=”point”)，并利用颜色进行分组（color=”Species”）。

library(rCharts)

names(iris) = gsub("\\.", "", names(iris))

p1 <- rPlot(SepalLength ~ SepalWidth | Species, data = iris, color = 'Species', type = 'point')

p1

rCharts支持多个javascript图表库,每个都有自己的长处。每一个图表库有多个定制选项,其中大部分rCharts都支持。

NVD3 是一个旨在建立可复用的图表和组件的 d3.js 项目——它提供了同样强大的功能，但更容易使用。它可以让我们处理复杂的数据集来创建更高级的可视化。在rCharts包中提供了nPlot函数来实现。

下面以眼睛和头发颜色的数据(HairEyeColor)为例说明nPlot绘图的基本原理。我们按照眼睛的颜色进行分组(group=”eye”),对头发颜色人数绘制柱状图，并将类型设置为柱状图组合方式(type=”multiBarChart”)，这样可以实现分组和叠加效果。

library(rCharts)

hair_eye_male <- subset(as.data.frame(HairEyeColor), Sex == "Male")

hair_eye_male[,1] <- paste0("Hair",hair_eye_male[,1])

hair_eye_male[,2] <- paste0("Eye",hair_eye_male[,2])

n1 <- nPlot(Freq ~ Hair, group = "Eye", data = hair_eye_male,

type = "multiBarChart")

n1

可以通过图形右上角选择需要查看或隐藏的类别（默认是全部类别显示的），也能通过左上角选择柱子是按照分组还是叠加的方式进行摆放（默认是分组方式）。如果选择Stacked，就会绘制叠加柱状图。

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。

---