library(plotrix)
venn_data_index <- list.files(path = "./", pattern = "^venn_data")
venn_data <- import(venn_data_index)
sample_id <- colnames(venn_data)
otu_id <- unique(venn_data[,1])
otu_id <- otu_id[otu_id != '']
core_otu_id <- otu_id
otu_num <- length(otu_id)
## 3.遍历数据文件获取数据
for (i in 2:ncol(venn_data)) {
otu_id <- unique(venn_data[,i])
otu_id <- otu_id[otu_id != '']
core_otu_id <- intersect(core_otu_id, otu_id)
otu_num <- c(otu_num, length(otu_id))
}
core_num <- length(core_otu_id)
ellipse_col <- c('#6181BD4E','#F348004E','#64A10E4E','#9300264E','#464E044E','#049a0b4E','#4E0C664E','#D000004E','#FF6C004E','#FF00FF4E','#c7475b4E','#00F5FF4E','#BDA5004E','#A5CFED4E','#f0301c4E','#2B8BC34E','#FDA1004E','#54adf54E','#CDD7E24E','#9295C14E')
## 5.创建绘图函数：flower_plot()
flower_plot <- function(sample, otu_num, core_otu, start, a, b, r, ellipse_col, circle_col) {
par( bty = 'n', ann = F, xaxt = 'n', yaxt = 'n', mar = c(1,1,1,1))
plot(c(0,10),c(0,10),type='n')
n <- length(sample)
deg <- 360 / n
res <- lapply(1:n, function(t){
draw.ellipse(x = 5 + cos((start + deg * (t - 1)) * pi / 180),
y = 5 + sin((start + deg * (t - 1)) * pi / 180),
col = ellipse_col[t],
border = ellipse_col[t],
a = a, b = b, angle = deg * (t - 1))
text(x = 5 + 2.5 * cos((start + deg * (t - 1)) * pi / 180),
y = 5 + 2.5 * sin((start + deg * (t - 1)) * pi / 180),
otu_num[t])
if (deg * (t - 1) <180 &° * (t - 1) >0 ) {
text(x = 5 + 3.3 * cos((start + deg * (t - 1)) * pi / 180),
y = 5 + 3.3 * sin((start + deg * (t - 1)) * pi / 180),
sample[t],
srt = deg * (t - 1) - start,
adj = 1,
cex = 1
)
} else {
text(x = 5 + 3.3 * cos((start + deg * (t - 1)) * pi / 180),
y = 5 + 3.3 * sin((start + deg * (t - 1)) * pi / 180),
sample[t],
srt = deg * (t - 1) + start,
adj = 0,
cex = 1
)
}
})
draw.circle(x = 5, y = 5, r = r, col = circle_col, border = NA)
text(x = 5, y = 5, paste('Core:', core_otu))
}
png('flower.png', width = 1500, height = 1500, res = 200, units = 'px')
flower_plot(sample = sample_id, otu_num = otu_num, core_otu = core_num,
start = 90, a = 0.5, b = 2, r = 1, ellipse_col = ellipse_col, circle_col = 'white')
dev.off()
pdf('flower.pdf', width = 15, height = 15)
flower_plot(sample = sample_id, otu_num = otu_num, core_otu = core_num,
start = 90, a = 0.5, b = 2, r = 1, ellipse_col = ellipse_col, circle_col = 'white')
dev.off()
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。
