R语言散点图-- ggplot2: scatterplot()
R语言作图点滴积累，今天要记录ggplot2中散点图的做法。散点图算是数据展示中非常基础的一种方法了吧，一般用于展示两个变量之间的关系（比如线性相关）。按照惯例，我每次讲一个新的图都会用一个我实际使用的例子，先来说说今天做这个散点图的例子吧：
问题描述：
我有两个变量，一个变量是蛋白相互作用网络中节点的度（degree），另一个变量是这些蛋白参与形成的复合物的个数；现在我想看看，一个蛋白参与形成的复合物个数（Number of complexes）是否跟它的度（degree）相关。
上面描述的这个问题，就是一个很典型的可以通过散点图来展示的例子。先来个数据快照（显示前10个数据点）：
| ProteinID | No. complex | Degree |
|---|---|---|
| P1 | 188 | 125 |
| P2 | 128 | 76 |
| P3 | 119 | 102 |
| p4 | 95 | 66 |
| P5 | 95 | 110 |
| P6 | 80 | 68 |
| P7 | 66 | 61 |
| P8 | 57 | 84 |
| P9 | 46 | 40 |
| P10 | 46 | 45 |
漂亮的散点图要一步一步来
1. 首先来个简单的散点图
#Import data
> dat <- read.table("ProteinDegree_complex.txt",header = TRUE)
#plot a simple scatter plot
> library(ggplot2)
> p <- ggplot(dat,aes(x=degree,y=complex)) + geom_point(shape=19)) +
xlab("Degree") + ylab("Number of complexes")
> p
note:
- geom_point()： 是画散点图的函数，里面可以添加各种参数，用于设置散点图的形状、大小、颜色等，比如形状shape = 19, 表示的是较大的实心原点
-
xlab和ylab：两个函数分别设置x和y坐标轴的标题
这个简单的散点图看起来是这样滴：
简单的散点图
2. 如果想要拟合一条直线呢
#Import data
> dat <- read.table("ProteinDegree_complex.txt",header = TRUE)
#plot a simple scatter plot
> library(ggplot2)
> p <- ggplot(dat,aes(x=degree,y=complex)) + geom_point(shape=19)) +
xlab("Degree") + ylab("Number of complexes") +
geom_smooth(method = lm)
> p
ggplot2 提供一个函数自动添加拟合的曲线（包括直线），当然该函数底层肯定是做了拟合分析的，比如线性回归分析等。
- geom_smooth()：这个函数就是为散点图添加一条平滑的曲线（包含直线），它有个参数method, 指定曲线平滑方法，可选"lm", "glm", "gam", "loess", "rlm"，这几个具体表示什么意思，大家动动手，自己谷歌之，默认会使用"loess"。
下面两个图分别是使用了"lm"和"loess":
拟合直线
拟合曲线
给散点图加了直线，可是这个直线拟合得怎么样，以及拟合的直线的参数ggplot2并没有提供，为了图的信息更完整，我们应当考虑给这个拟合的直线加上公式，以及拟合的R2值。这样之后，我们从图上可以得到些什么信息呢？
首先，我们可以很容易知道degree和complex数目是呈正相关关系的，通过拟合直线和公式可以知道两个变量的线性关系强弱；然后，然后就是一堆不知道是啥的黑点...
总感觉还是缺少些什么，仔细看看这个散点图，你会不会想知道图中degree很高且参与很多复合物的这几个蛋白是什么？这样的蛋白一定是生物细胞中十分重要的蛋白。所以呢，我们可以把最靠近右上角的前10个点给高亮出来，甚至给这些点表示label（基因名）。说干就干，看代码：
#Import data
> dat <- read.table("WD40_complex_degree.out",header = TRUE)
#edit the formula for the fitted line
> formula <- sprintf("italic(y) == %.2f %+.2f * italic(x)",
round(coef(dat.lm)[1],2),round(coef(dat.lm)[2],2))
r2 <- sprintf("italic(R^2) == %.2f",summary(dat.lm)$r.squared)
labels <- data.frame(formula=formula,r2=r2,stringsAsFactors = FALSE)
#plot the simple scatterplot
> p <- ggplot(dat,aes(x=degree,y=complex,colour=degree>=63)) + geom_point(shape=19) +
xlab("Degree of WD40 proteins") + ylab("Number of complexes")
#linear regression analysis
> dat.lm <- lm(complex ~ degree, data = dat)
#add a line and labels for the formula
> p <- p + geom_abline(intercept = coef(dat.lm)[1],slope = coef(dat.lm)[2]) +
geom_text(data=labels,mapping=aes(x = 15,y=175,label=formula),parse = TRUE,inherit.aes = FALSE,
size = 6) +
geom_text(data=labels,mapping=aes(x = 15,y=165,label=r2),parse = TRUE,inherit.aes = FALSE,
size = 6) +
#add labels(gene name) for top 10 degree-ranked proteins
annotate(geom = "text",x=annoText$degree-1,y=annoText$complex-2,label=annoText$WD40id, size=4.0)
> p + theme(legend.position = "none") + theme(axis.title = element_text(size = 16),
axis.text = element_text(size = 12,colour="black"))
代码一下子长了好多（囧），我们可以与前面的比较下，
- 首先画简单散点图的那部分代码（间代码注释）添加了"colour = degree>=63"，这句的目的其实是对所有点根据条件“degree>=63”进行了分组，不同颜色表示；
- 其次，发现这里少了一句代码，对了，就是geom_smooth(method=lm)，因为前面加了分组信息，geom_smooth会在不同组里分别拟合曲线，这并不是我们想要的，我们只是想高亮出一些点而已。所以，这里先不直接拟合了, 后面再手动拟合并添加直线；
- lm(complex ~ degree, data = dat)：这个是手动做线性回归分析
- geom_abline()：根据上面回归分析，画拟合的直线，从上面的分析中提取出 截距 coef(dat.lm)[1]和 斜率 coef(dat.lm)[2])即可；
- geom_text()：这个函数给图中添加了拟合直线的公式和R2；这里我们提供了新的data，所以，要注意的是后面inherit.aes = FALSE这个设置很重要，表示我们不继承ggplot函数中使用的data，不然会报错。
- annotate()：这个函数通过制定geom="text"，在图中指定的地方画上标签，可以提供坐标
- theme(legend.position = "none")：去除legend，这里我做的时候也出现一个问题，去除legend的另一种方法是p + guides(fill = FALSE)，但是，我最新使用这个代码的时候，并没有起作用，不知道是不是我的Rstudio没有反应还是出现bug了，大家可以自己试试；
- theme(axis.title...)：这些都是对图中的文字进行美化一下，加大坐标轴标题的文字啊之类的。
最后的图是这个样子的：
最后的样子
