R数据可视化8:金字塔图和偏差图

其实图形的基本组成都很简单，无非就是点、线、矩形、圆圈等，但是稍作改变就会变成完全不同的图。就好像PCA图和火山图一样，本质都是点图。今天我们来讲一讲条形图的变形。

化妆后“条形图”

首先来看看几张不一样的“条形图”。

这几张图乍一看和我们之前看到的很不一样，但是仔细一看其所用的基本元素不就是我们的条形图吗？

左边的和中间的我们称为偏差图，右侧的称为金字塔图。

可以看到三张图之间都有一些相同点。那么这三张图我们可以用于展示什么样的数据呢，举个例子，比如我们想要展示转录组数据。

那么第一张图绿色的可以用于展示top10表达量增高的基因，红色的可以展示top10表达量下降的基因，横坐标可以用于展示Foldchange。

第二张图，比如我们转绿组的数据是个时间梯度的数据，分别检测了刺激后2个小时、4个小时、8个小时、12个小时的转录组数据。那么我们就可以展示这四个时间点的样本与对照组变化基因的情况。左侧（暖色部分）可以展示表达量降低的基因，右侧（冷色部分）可以展示表达量升高的基因，因此横坐标为基因数量。而具体的颜色可以展示他们的功能比如GO数据库的功能，也可以用于展示Folachange的倍数，比如红色为上调6倍以上的，橘黄色为3倍以上，黄色为2倍以上，那可以看到只有少部分的基因是6倍以上。

那么最后一张图呢？可以像上述描述的展示多组转录组数据上调或者下调。那也可以展示富集聚类的结果。如某个功能中显著改变和不改变的基因等。

那么上述的图应该怎么做呢？

怎么做金字塔图

1）需要什么格式的数据

#获取数据
dat <- read.csv("https://raw.githubusercontent.com/selva86/datasets/master/email_campaign_funnel.csv")

观察一下这个数据，可以看到Users中为了能够在x轴正负半轴分别现实所以Male为负数，Female的值为正数。因此，如果我们想要用自己的数据做这类图，也要注意正负，要对数据进行适当的处理，对其中一部分的数据取负。

2）如何作图

金字塔图

library(ggplot2)
library(RColorBrewer)

ggplot(dat,aes(x=Stage,y=Users))+
  geom_bar(stat = "identity",aes(fill=Gender))+
  scale_fill_brewer(palette='Set1')+
  theme_bw()+
  coord_flip()

怎么做偏差图

1）需要什么格式的数据

dat$Group<-paste(dat$Stage,dat$Gender,sep="_")
dat<-arrange(dat,dat$Gender,dat$Stage)#先按Gender排列再按Stage排列
dat$Group<-factor(dat$Group,levels=rev(unique(dat$Group)))
labelname<-rep(rev(unique(dat$Stage)),2)

ggplot(dat,aes(x=Group,y=Users))+
  geom_bar(stat = "identity",aes(fill=Gender))+
  scale_fill_brewer(palette='Set1')+
  scale_x_discrete(labels = labelname)+
  theme_bw()+
  xlab("")+
  coord_flip()

color_palette<-colorRampPalette(brewer.pal(8,"Paired"))(18)
ggplot(dat,aes(x=Gender,y=Users))+
  geom_bar(stat = "identity",aes(fill=Stage))+
  scale_fill_manual(values=color_palette)+
  theme_bw()+
  theme(
    legend.position = c("bottom"),
    legend.margin = margin(1,0,1,0)
  )+
  xlab("")+
  coord_flip()

往期 R数据可视化 分享

R数据可视化7: 气泡图 Bubble Plot
R数据可视化6: 面积图 Area Chart
R数据可视化5: 热图 Heatmap
R数据可视化4: PCA和PCoA图
R数据可视化3: 直方/条形图
R数据可视化2: 箱形图 Boxplot
R数据可视化1: 火山图