R学习 - 箱线图 小提琴图

箱线图

箱线图是能同时反映数据统计量和整体分布，又很漂亮的展示图。在2014年的Nature Method上有2篇Correspondence论述了使用箱线图的好处和一个在线绘制箱线图的工具。就这样都可以发两篇Nature method，没天理，但也说明了箱线图的重要意义。
下面这张图展示了Bar plot、Box
plot、Volin plot和Bean plot对数据分布的反应。从Bar plot上只能看到数据标准差或标准误不同；Box plot可以看到数据分布的集中性不同；Violin plot和Bean plot展示的是数据真正的分布，尤其是对Biomodal数据的展示。
Boxplot从下到上展示的是最小值，第一四分位数(箱子的下边线)、中位数(箱子中间的线)、第三四分位数(箱子上边线)、最大值，具体解读参见http://mp.weixin.qq.com/s/t3UTI_qAIi0cy1g6ZmHtwg。

• Nature Method文章

  一步步解析箱线图绘制

  假设有这么一个基因表达矩阵，第一列为基因名字，后面几列为样品名字，想绘制下样品中基因表达的整体分布。

  profile="Name;2cell_1;2cell_2;2cell_3;4cell_1;4cell_2;4cell_3;zygote_1;zygote_2;zygote_3
  A;4;6;7;3.2;5.2;5.6;2;4;3
  B;6;8;9;5.2;7.2;7.6;4;6;5
  C;8;10;11;7.2;9.2;9.6;6;8;7
  D;10;12;13;9.2;11.2;11.6;8;10;9
  E;12;14;15;11.2;13.2;13.6;10;12;11
  F;14;16;17;13.2;15.2;15.6;12;14;13
  G;15;17;18;14.2;16.2;16.6;13;15;14
  H;16;18;19;15.2;17.2;17.6;14;16;15
  I;17;19;20;16.2;18.2;18.6;15;17;16
  J;18;20;21;17.2;19.2;19.6;16;18;17
  L;19;21;22;18.2;20.2;20.6;17;19;18
  M;20;22;23;19.2;21.2;21.6;18;20;19
  N;21;23;24;20.2;22.2;22.6;19;21;20
  O;22;24;25;21.2;23.2;23.6;20;22;21"
  

  读入数据并转换为ggplot2需要的长数据表格式(经过前面几篇的练习，这应该都很熟了)

  profile_text <- read.table(text=profile,header=T, row.names=1, quote="",sep=";", check.names=F)
  #在melt时保留位置信息
  # melt格式是ggplot2画图最喜欢的格式
  #好好体会下这个格式，虽然多占用了不少空间，但是确实很方便
  library(ggplot2)
  library(reshape2)
  data_m <- melt(profile_text)
  head(data_m)
  

  variable value
  12cell_14
  22cell_16
  32cell_18
  42cell_110
  52cell_112
  62cell_114
  像往常一样，就可以直接画图了。

  # variable和value为矩阵melt后的两列的名字，内部变量, variable代表了点线的属性，value代表对应的值。
  p <- ggplot(data_m, aes(x=variable,y=value),color=variable) +
  geom_boxplot() +
  theme(axis.text.x=element_text(angle=50,hjust=0.5,vjust=0.5)) +
  theme(legend.position="none")
  p
  #图会存储在当前目录的Rplots.pdf文件中，如果用Rstudio，可以不运行dev.off()
  dev.off()
  

  箱线图出来了，看上去还可以，再加点色彩。
  

  # variable和value为矩阵melt后的两列的名字，内部变量, variable代表了点线的属性，value代表对应的值。
  p <- ggplot(data_m, aes(x=variable,y=value),color=variable) +
  geom_boxplot(aes(fill=factor(variable))) +
  theme(axis.text.x=element_text(angle=50,hjust=0.5,vjust=0.5)) +
  theme(legend.position="none")
  p
  #图会存储在当前目录的Rplots.pdf文件中，如果用Rstudio，可以不运行dev.off()
  dev.off()
  

  
  再看看Violin plot

  # variable和value为矩阵melt后的两列的名字，内部变量, variable代表了点线的属性，value代表对应的值。
  p <- ggplot(data_m, aes(x=variable,y=value),color=variable) +
  geom_violin(aes(fill=factor(variable))) +
  theme(axis.text.x=element_text(angle=50,hjust=0.5,vjust=0.5)) +
  theme(legend.position="none")
  p
  #图会存储在当前目录的Rplots.pdf文件中，如果用Rstudio，可以不运行dev.off()
  dev.off()
  

  
  还有Jitter plot (这里使用的是ggbeeswarm包)

  library(ggbeeswarm)
  #为了更好的效果，只保留其中一个样品的数据
  # grepl类似于Linux的grep命令，获取特定模式的字符串
  data_m2 <- data_m[grepl("_3",data_m$variable),]
  # variable和value为矩阵melt后的两列的名字，内部变量, variable代表了点线的属性，value代表对应的值。
  p <- ggplot(data_m2, aes(x=variable,y=value),color=variable) +
  geom_quasirandom(aes(colour=factor(variable)))+
  theme_bw() + theme(panel.grid.major =element_blank(),
  panel.grid.minor = element_blank(),legend.key=element_blank()) +
  theme(legend.position="none")
  #也可以用geom_jitter(aes(colour=factor(variable)))代替geom_quasirandom(aes(colour=factor(variable)))
  #但个人认为geom_quasirandom给出的结果更有特色
  ggsave(p,filename="jitterplot.pdf", width=14, height=8,units=c("cm"))
  

  绘制单个基因(A)的箱线图

  为了更好的展示效果，下面的矩阵增加了样品数量和样品的分组信息。

  profile="Name;2cell_1;2cell_2;2cell_3;2cell_4;2cell_5;2cell_6;4cell_1;4cell_2;4cell_3;4cell_4;4cell_5;4cell_6;zygote_1;zygote_2;zygote_3;zygote_4;zygote_5;zygote_6
  A;4;6;7;5;8;6;3.2;5.2;5.6;3.6;7.6;4.8;2;4;3;2;4;2.5
  B;6;8;9;7;10;8;5.2;7.2;7.6;5.6;9.6;6.8;4;6;5;4;6;4.5"
  profile_text <- read.table(text=profile,header=T, row.names=1, quote="",sep=";", check.names=F)
  data_m = data.frame(t(profile_text['A',]))
  data_m$sample = rownames(data_m)
  #只挑选显示部分
  # grepl前面已经讲过用于匹配
  data_m[grepl('_[123]', data_m$sample),]
  

  Asample
  2cell_14.02cell_1
  2cell_26.02cell_2
  2cell_37.02cell_3
  4cell_13.24cell_1
  4cell_25.24cell_2
  4cell_35.64cell_3
  zygote_12.0 zygote_1
  zygote_24.0 zygote_2
  zygote_33.0 zygote_3
  获得样品分组信息(这个例子比较特殊，样品的分组信息就是样品名字下划线前面的部分)

  #可以利用strsplit分割，取出其前面的字符串
  # R中复杂的输出结果多数以列表的形式体现，在之前的矩阵操作教程中
  #提到过用str函数来查看复杂结果的结构，并从中获取信息
  group =unlist(lapply(strsplit(data_m$sample,"_"), function(x) x[1]))
  data_m$group = group
  data_m[grepl('_[123]', data_m$sample),]
  

  Asamplegroup
  2cell_14.02cell_12cell
  2cell_26.02cell_22cell
  2cell_37.02cell_32cell
  4cell_13.24cell_14cell
  4cell_25.24cell_24cell
  4cell_35.64cell_34cell
  zygote_12.0 zygote_1 zygote
  zygote_24.0 zygote_2 zygote
  zygote_33.0 zygote_3 zygote
  如果没有这个规律，也可以提到类似于下面的文件，指定样品所属的组的信息。

  sampleGroup_text="Sample;Group
  zygote_1;zygote
  zygote_2;zygote
  zygote_3;zygote
  zygote_4;zygote
  zygote_5;zygote
  zygote_6;zygote
  2cell_1;2cell
  2cell_2;2cell
  2cell_3;2cell
  2cell_4;2cell
  2cell_5;2cell
  2cell_6;2cell
  4cell_1;4cell
  4cell_2;4cell
  4cell_3;4cell
  4cell_4;4cell
  4cell_5;4cell
  4cell_6;4cell"
  #sampleGroup =read.table(text=sampleGroup_text,sep="\t",header=1,check.names=F,row.names=1)
  #data_m <- merge(data_m, sampleGroup,by="row.names")
  #会获得相同的结果，脚本注释掉了以免重复执行引起问题。
  

  矩阵准备好了，开始画图了(小提琴图做例子，其它类似)

  #调整下样品出现的顺序
  data_m$group <- factor(data_m$group,levels=c("zygote","2cell","4cell"))
  # group和A为矩阵中两列的名字，group代表了值的属性，A代表基因A对应的表达值。
  #注意看修改了的地方
  p <- ggplot(data_m, aes(x=group,y=A),color=group) +
  geom_violin(aes(fill=factor(group))) +
  theme(axis.text.x=element_text(angle=50,hjust=0.5,vjust=0.5)) +
  theme(legend.position="none")
  p
  #图会存储在当前目录的Rplots.pdf文件中，如果用Rstudio，可以不运行dev.off()
  dev.off()
  

  长矩阵绘制箱线图

  常规矩阵绘制箱线图要求必须是个方正的矩阵输入，而有时想比较的几个组里面检测的值数目不同。比如有三个组，GrpA组检测了6个病人，GrpB组检测了10个病人，GrpC组是12个正常人的检测数据。这时就很难形成一个行位检测值，列为样品的矩阵，长表格模式就适合与这种情况。

  long_table <- "Grp;Value
  GrpA;10
  GrpA;11
  GrpA;12
  GrpB;5
  GrpB;4
  GrpB;3
  GrpB;2
  GrpC;2
  GrpC;3"
  long_table <-read.table(text=long_table,sep="\t",header=1,check.names=F)
  p <- ggplot(data_m, aes(x=Grp,y=Value),color=Grp) +
  geom_violin(aes(fill=factor(Grp))) +
  theme(axis.text.x=element_text(angle=50,hjust=0.5,vjust=0.5)) +
  theme(legend.position="none")
  p
  

  长表格形式自身就是常规矩阵melt后的格式，这种用来绘制箱线图就很简单了，就不举例子了。

  箱线图-一步绘制

  绘图时通常会碰到两个头疼的问题：
  1.有时需要绘制很多的图，唯一的不同就是输入文件，其它都不需要修改。如果用R脚本，需要反复替换文件名，繁琐又容易出错。(R也有命令行参数，不熟，有经验的可以尝试下)
  2.每次绘图都需要不断的调整参数，时间久了不用，就忘记参数怎么设置了；或者调整次数过多，有了很多版本，最后不知道用哪个了。
  为了简化绘图、维持脚本的一致，我用bash对绘图命令做了一个封装，通过配置修改命令行参数，生成相应的绘图脚本，然后再绘制。
  首先把测试数据存储到文件中方便调用。数据矩阵存储在boxplot.normal.data、sampleGroup和boxplot.melt.data文件中(TAB键分割，内容在文档最后。如果你手上有自己的数据，也可以拿来用)。
  使用正常矩阵默认参数绘制箱线图

  # -f:指定输入的矩阵文件，第一列为行名字，第一行为header
  列数不限，列名字不限；行数不限，行名字默认为文本
  sp_boxplot.sh -f boxplot.normal.data
  

  箱线图出来了，但有点小乱。
  

  # -f:指定输入的矩阵文件，第一列为行名字，第一行为header
  列数不限，列名字不限；行数不限，行名字默认为文本
  # -P: none,去掉legend(uppercase P)
  # -b: X-axis旋转45度
  # -V: TRUE绘制小提琴图
  sp_boxplot.sh -f boxplot.normal.data -Pnone -b 45 -V TRUE
  

  
  绘制单个基因的小提琴图加抖动图

  # -q:指定某一行的名字，此处为基因名，绘制基因A的表达图谱
  # -Q:指定样本分组，绘制基因A在不同样品组的表达趋势
  # -F Group: sampleGroup中第二列的名字，指代分组信息，根据需要修改
  # -J TRUE:绘制抖动图jitter plot
  # -L:设置X轴样品组顺序
  # -c TRUE -C "'red', 'pink',
  'blue'":指定每个箱线图的颜色
  sp_boxplot.sh -f boxplot.normal.data -q A-Q sampleGroup -F Group -V TRUE -J TRUE -L "'zygote','2cell','4cell'"-c TRUE -C "'red', 'pink', 'blue'" -P none
  

  
  使用melted矩阵默认参数绘箱线图

  # -f:指定输入文件
  # -m TRUE:指定输入的矩阵为meltedformat
  # -d Expr：指定表达值所在的列
  # -F Rep:指定子类所在列，也就是legend
  # -a Group：指定X轴分组信息
  # -j TRUE: jitter plot
  sp_boxplot.sh -f boxplot.melt.data -m TRUE-d Expr -F Rep -a Group-j TRUE
  

  #如果没有子类，则-a和-F指定为同一值
  # -R TRUE:旋转boxplot
  sp_boxplot.sh -f boxplot.melt.data -m TRUE-d Expr -a Group -F Group -J TRUE -R TRUE
  

  
  参数中最需要注意的是引号的使用：
  外层引号与内层引号不能相同 凡参数值中包括了空格，括号，逗号等都用引号括起来作为一个整体。
  为了推广，也为了激起大家的热情，如果想要sp_boxplot.sh脚本的，还需要劳烦大家动动手，转发此文章到朋友圈，并留言索取。
  也希望大家能一起开发，完善功能。

  #boxplot.normal.data
  Name2cell_12cell_22cell_32cell_42cell_52cell_64cell_14cell_24cell_34cell_44cell_54cell_6zygote_1zygote_2zygote_3zygote_4zygote_5zygote_6
  A4675863.25.25.63.67.64.8243242.5
  B68971085.27.27.65.69.66.8465464.5
  C81011912107.29.29.67.611.68.8687686.5
  D1012131114129.211.211.69.613.610.881098108.5
  E12141513161411.213.213.611.615.612.8101211101210.5
  F14161715181613.215.215.613.617.614.8121413121412.5
  G15171816191714.216.216.614.618.615.8131514131513.5
  H16181917201815.217.217.615.619.616.8141615141614.5
  I17192018211916.218.218.616.620.617.8151716151715.5
  J18202119222017.219.219.617.621.618.8161817161816.5
  L19212220232118.220.220.618.622.619.8171918171917.5
  M20222321242219.221.221.619.623.620.8182019182018.5
  N21232422252320.222.222.620.624.621.8192120192119.5
  O22242523262421.223.223.621.625.622.8202221202220.5
  

  #boxplot.melt.data
  GeneSampleGroupExprRep
  Azygote_1zygote21
  Azygote_2zygote42
  Azygote_3zygote33
  Azygote_4zygote24
  Azygote_5zygote45
  Azygote_6zygote2.56
  A2cell_12cell41
  A2cell_22cell62
  A2cell_32cell73
  A2cell_42cell54
  A2cell_52cell85
  A2cell_62cell66
  A4cell_14cell3.21
  A4cell_24cell5.22
  A4cell_34cell5.63
  A4cell_44cell3.64
  A4cell_54cell7.65
  A4cell_64cell4.86
  

  #sampleGroup
  SampleGroup
  zygote_1zygote
  zygote_2zygote
  zygote_3zygote
  zygote_4zygote
  zygote_5zygote
  zygote_6zygote
  2cell_12cell
  2cell_22cell
  2cell_32cell
  2cell_42cell
  2cell_52cell
  2cell_62cell
  4cell_14cell
  4cell_24cell
  4cell_34cell
  4cell_44cell
  4cell_54cell
  4cell_64cell
  

  Reference

  *http://blog.genesino.com//2017/06/R-Rstudio

  关注生信宝典，几千人一起学生信