目录

Python数据处理从零开始----第四章（可视化）①

Python数据处理从零开始----第四章（可视化）②

Python数据处理从零开始----第四章（可视化）③

Python数据处理从零开始----第四章（可视化）④

Python数据处理从零开始----第四章（可视化）⑤（韦恩图）

Python数据处理从零开始----第四章（可视化）⑥（画布设置）

Python数据处理从零开始----第四章（可视化）⑦（多图合并)

Python数据处理从零开始----第四章（可视化）⑧火山图

===============================================

R语言之可视化⑨火山图

===============================================
来源数据分别是差异基因分析的两列指标，FoldChange和Pvalue值，根据这两个指标，我们可以把基因分为up，down和normal三种差异表达类型，然后使用python的seaborn程序绘制散点图即可。最终得到想要的火山图，相对于ggplot2绘制火山图python的优点是步骤明确易懂。

# -*- coding: utf-8 -*-
"""
Created on Fri Nov 16 12:21:38 2018

@author: czh
"""

%clear
%reset -f
# In[*]

%matplotlib inline
import pandas as pd # Data analysis
import numpy as np # Scientific computing
import matplotlib.pyplot as plt # Plotting
import matplotlib.colors as colors # Coloring
import seaborn as sns # Statistical visualization
fold1 = pd.DataFrame(fold)
fold1['a'] = range(len(fold1))
fold1 = fold1.set_index('a')
# In[*]
pvalue1 = pd.DataFrame(pvalue)

result = pd.concat([fold1, pvalue1],axis=1,ignore_index=True)  

result.columns = ['fold','pvalue']

result['log(pvalue)'] = -np.log10(result['pvalue'])

# In[*]
result['sig'] = 'normal'

result['size']  =np.abs(result['fold'])/10
 
result.loc[(result.fold> 1 )&(result.pvalue < 0.05),'sig'] = 'up'
result.loc[(result.fold< -1 )&(result.pvalue < 0.05),'sig'] = 'down'

# In[*]
 ax = sns.scatterplot(x="fold", y="log(pvalue)",
                      hue='sig',
                      hue_order = ('down','normal','up'),
                      palette=("#377EB8","grey","#E41A1C"),
                      data=result)
ax.set_ylabel('-log(pvalue)',fontweight='bold')
ax.set_xlabel('FoldChange',fontweight='bold')