R學習箱線圖
箱線圖
箱線圖是能同時反映資料統計量和整體分佈,又很漂亮的展示圖。在2014年的Nature Method上有2篇Correspondence論述了使用箱線圖的好處和一個線上繪製箱線圖的工具。就這樣都可以發兩篇Nature method,沒天理,但也說明了箱線圖的重要意義。
下面這張圖展示了Bar plot、Box plot、Volin plot和Bean plot對資料分佈的反應。從Bar plot上只能看到資料標準差或標準誤不同;Box plot可以看到資料分佈的集中性不同;Violin plot和Bean plot展示的是資料真正的分佈,尤其是對Biomodal資料的展示。
![]({{ site.img_url}}/splot/boxplot_nm.png)
一步步解析箱線圖繪製
假設有這麼一個基因表達矩陣,第一列為基因名字,後面幾列為樣品名字,想繪製下樣品中基因表達的整體分佈。
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"
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
讀入資料並轉換為ggplot2需要的長資料表格式 (經過前面幾篇的練習,這應該都很熟了)
profile_text <- read.table(text=profile, header=T, row.names=1, quote="",sep=";", check.names=F)
# 在melt時保留位置資訊
# melt格式是ggplot2畫圖最喜歡的格式
# 好好體會下這個格式,雖然多佔用了不少空間,但是確實很方便
library(ggplot2)
library(reshape2)
data_m <- melt(profile_text)
head(data_m)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
variable value
1 2cell_1 4
2 2cell_1 6
3 2cell_1 8
4 2cell_1 10
5 2cell_1 12
6 2cell_1 14
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
像往常一樣,就可以直接畫圖了。
# variable和value為矩陣melt後的兩列的名字,內部變數, variable代表了點線的屬性,value代表對應的值。
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
# 圖會儲存在當前目錄的Rplots.pdf檔案中,如果用Rstudio,可以不執行dev.off()
dev.off()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
箱線圖出來了,看上去還可以,再加點色彩。
# variable和value為矩陣melt後的兩列的名字,內部變數, variable代表了點線的屬性,value代表對應的值。
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
# 圖會儲存在當前目錄的Rplots.pdf檔案中,如果用Rstudio,可以不執行dev.off()
dev.off()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
再看看Violin plot
# variable和value為矩陣melt後的兩列的名字,內部變數, variable代表了點線的屬性,value代表對應的值。
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
# 圖會儲存在當前目錄的Rplots.pdf檔案中,如果用Rstudio,可以不執行dev.off()
dev.off()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
還有Jitter plot (這裡使用的是ggbeeswarm包)
library(ggbeeswarm)
# 為了更好的效果,只保留其中一個樣品的資料
# grepl類似於Linux的grep命令,獲取特定模式的字串
data_m2 <- data_m[grepl("_3", data_m$variable),]
# variable和value為矩陣melt後的兩列的名字,內部變數, variable代表了點線的屬性,value代表對應的值。
p <- ggplot(data_m2, aes(x=variable, y=value),color=variable) +
geom_quasirandom(aes(colour=factor(variable))) +
theme_bw() + theme(panel.grid.major = element_blank(),
panel.grid.minor = element_blank(), legend.key=element_blank()) +
theme(legend.position="none")
# 也可以用geom_jitter(aes(colour=factor(variable)))代替geom_quasirandom(aes(colour=factor(variable)))
# 但個人認為geom_quasirandom給出的結果更有特色
ggsave(p, filename="jitterplot.pdf", width=14, height=8, units=c("cm"))
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
繪製單個基因 (A)的箱線圖
為了更好的展示效果,下面的矩陣增加了樣品數量和樣品的分組資訊。
profile="Name;2cell_1;2cell_2;2cell_3;2cell_4;2cell_5;2cell_6;4cell_1;4cell_2;4cell_3;4cell_4;4cell_5;4cell_6;zygote_1;zygote_2;zygote_3;zygote_4;zygote_5;zygote_6
A;4;6;7;5;8;6;3.2;5.2;5.6;3.6;7.6;4.8;2;4;3;2;4;2.5
B;6;8;9;7;10;8;5.2;7.2;7.6;5.6;9.6;6.8;4;6;5;4;6;4.5"
profile_text <- read.table(text=profile, header=T, row.names=1, quote="",sep=";", check.names=F)
data_m = data.frame(t(profile_text['A',]))
data_m$sample = rownames(data_m)
# 只挑選顯示部分
# grepl前面已經講過用於匹配
data_m[grepl('_[123]', data_m$sample),]
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
A sample
2cell_1 4.0 2cell_1
2cell_2 6.0 2cell_2
2cell_3 7.0 2cell_3
4cell_1 3.2 4cell_1
4cell_2 5.2 4cell_2
4cell_3 5.6 4cell_3
zygote_1 2.0 zygote_1
zygote_2 4.0 zygote_2
zygote_3 3.0 zygote_3
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
獲得樣品分組資訊 (這個例子比較特殊,樣品的分組資訊就是樣品名字下劃線前面的部分)
# 可以利用strsplit分割,取出其前面的字串
# R中複雜的輸出結果多數以列表的形式體現,在之前的矩陣操作教程中
# 提到過用str函式來檢視複雜結果的結構,並從中獲取資訊
group = unlist(lapply(strsplit(data_m$sample,"_"), function(x) x[1]))
data_m$group = group
data_m[grepl('_[123]', data_m$sample),]
- 1
- 2
- 3
- 4
- 5
- 6
A sample group
2cell_1 4.0 2cell_1 2cell
2cell_2 6.0 2cell_2 2cell
2cell_3 7.0 2cell_3 2cell
4cell_1 3.2 4cell_1 4cell
4cell_2 5.2 4cell_2 4cell
4cell_3 5.6 4cell_3 4cell
zygote_1 2.0 zygote_1 zygote
zygote_2 4.0 zygote_2 zygote
zygote_3 3.0 zygote_3 zygote
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
如果沒有這個規律,也可以提到類似於下面的檔案,指定樣品所屬的組的資訊。
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")
# 會獲得相同的結果,指令碼註釋掉了以免重複執行引起問題。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
矩陣準備好了,開始畫圖了 (小提琴圖做例子,其它類似)
# 調整下樣品出現的順序
data_m$group <- factor(data_m$group, levels=c("zygote","2cell","4cell"))
# group和A為矩陣中兩列的名字,group代表了值的屬性,A代表基因A對應的表達值。
# 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
# 圖會儲存在當前目錄的Rplots.pdf檔案中,如果用Rstudio,可以不執行dev.off()
dev.off()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
長矩陣繪製箱線圖
常規矩陣繪製箱線圖要求必須是個方正的矩陣輸入,而有時想比較的幾個組裡面檢測的值數目不同。比如有三個組,GrpA組檢測了6個病人,GrpB組檢測了10個病人,GrpC組是12個正常人的檢測資料。這時就很難形成一個行位檢測值,列為樣品的矩陣,長表格模式就適合與這種情況。
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
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
長表格形式自身就是常規矩陣melt後的格式,這種用來繪製箱線圖就很簡單了,就不舉例子了。
箱線圖 - 一步繪製
繪圖時通常會碰到兩個頭疼的問題:
-
有時需要繪製很多的圖,唯一的不同就是輸入檔案,其它都不需要修改。如果用R指令碼,需要反覆替換檔名,繁瑣又容易出錯。 (R也有命令列引數,不熟,有經驗的可以嘗試下)
-
每次繪圖都需要不斷的調整引數,時間久了不用,就忘記引數怎麼設定了;或者調整次數過多,有了很多版本,最後不知道用哪個了。
為了簡化繪圖、維持指令碼的一致,我用bash
對繪圖命令做了一個封裝,通過配置修改命令列引數,生成相應的繪圖指令碼,然後再繪製。
首先把測試資料儲存到檔案中方便呼叫。資料矩陣儲存在boxplot.normal.data
、sampleGroup
和boxplot.melt.data
檔案中 (TAB鍵分割,內容在文件最後。如果你手上有自己的資料,也可以拿來用)。
使用正常矩陣預設引數繪製箱線圖
# -f: 指定輸入的矩陣檔案,第一列為行名字,第一行為header
列數不限,列名字不限;行數不限,行名字預設為文字
sp_boxplot.sh -f boxplot.normal.data
- 1
- 2
- 3
箱線圖出來了,但有點小亂。
# -f: 指定輸入的矩陣檔案,第一列為行名字,第一行為header
列數不限,列名字不限;行數不限,行名字預設為文字
# -P: none, 去掉legend (uppercase P)
# -b: X-axis旋轉45度
# -V: TRUE 繪製小提琴圖
sp_boxplot.sh -f boxplot.normal.data -P none -b 45 -V TRUE
- 1
- 2
- 3
- 4
- 5
- 6
繪製單個基因的小提琴圖加抖動圖
# -q: 指定某一行的名字,此處為基因名,繪製基因A的表達圖譜
# -Q: 指定樣本分組,繪製基因A在不同樣品組的表達趨勢
# -F Group: sampleGroup中第二列的名字,指代分組資訊,根據需要修改
# -J TRUE: 繪製抖動圖 jitter plot
# -L: 設定X軸樣品組順序
# -c TRUE -C "'red', 'pink', 'blue'": 指定每個箱線圖的顏色
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
- 1
- 2
- 3
- 4
- 5
- 6
- 7
使用melted矩陣預設引數繪箱線圖
# -f: 指定輸入檔案
# -m TRUE: 指定輸入的矩陣為melted format
# -d Expr:指定表達值所在的列
# -F Rep: 指定子類所在列,也就是legend
# -a Group:指定X軸分組資訊
# -j TRUE: jitter plot
sp_boxplot.sh -f boxplot.melt.data -m TRUE -d Expr -F Rep -a Group -j TRUE
- 1
- 2
- 3
- 4
- 5
- 6
- 7
# 如果沒有子類,則-a和-F指定為同一值
# -R TRUE: 旋轉boxplot
sp_boxplot.sh -f boxplot.melt.data -m TRUE -d Expr -a Group -F Group -J TRUE -R TRUE
- 1
- 2
- 3
引數中最需要注意的是引號的使用:
- 外層引號與內層引號不能相同
- 凡引數值中包括了
空格
,括號
,逗號
等都用引號括起來作為一個整體。
為了推廣,也為了激起大家的熱情,如果想要sp_boxplot.sh
指令碼的,還需要勞煩大家動動手,轉發此文章到朋友圈,並留言索取。
也希望大家能一起開發,完善功能。
#boxplot.normal.data
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
C 8 10 11 9 12 10 7.2 9.2 9.6 7.6 11.6 8.8 6 8 7 6 8 6.5
D 10 12 13 11 14 12 9.2 11.2 11.6 9.6 13.6 10.8 8 10 9 8 10 8.5
E 12 14 15 13 16 14 11.2 13.2 13.6 11.6 15.6 12.8 10 12 11 10 12 10.5
F 14 16 17 15 18 16 13.2 15.2 15.6 13.6 17.6 14.8 12 14 13 12 14 12.5
G 15 17 18 16 19 17 14.2 16.2 16.6 14.6 18.6 15.8 13 15 14 13 15 13.5
H 16 18 19 17 20 18 15.2 17.2 17.6 15.6 19.6 16.8 14 16 15 14 16 14.5
I 17 19 20 18 21 19 16.2 18.2 18.6 16.6 20.6 17.8 15 17 16 15 17 15.5
J 18 20 21 19 22 20 17.2 19.2 19.6 17.6 21.6 18.8 16 18 17 16 18 16.5
L 19 21 22 20 23 21 18.2 20.2 20.6 18.6 22.6 19.8 17 19 18 17 19 17.5
M 20 22 23 21 24 22 19.2 21.2 21.6 19.6 23.6 20.8 18 20 19 18 20 18.5
N 21 23 24 22 25 23 20.2 22.2 22.6 20.6 24.6 21.8 19 21 20 19 21 19.5
O 22 24 25 23 26 24 21.2 23.2 23.6 21.6 25.6 22.8 20 22 21 20 22 20.5
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
#boxplot.melt.data
Gene Sample Group Expr Rep
A zygote_1 zygote 2 1
A zygote_2 zygote 4 2
A zygote_3 zygote 3 3
A zygote_4 zygote 2 4
A zygote_5 zygote 4 5
A zygote_6 zygote 2.5 6
A 2cell_1 2cell 4 1
A 2cell_2 2cell 6 2
A 2cell_3 2cell 7 3
A 2cell_4 2cell 5 4
A 2cell_5 2cell 8 5
A 2cell_6 2cell 6 6
A 4cell_1 4cell 3.2 1
A 4cell_2 4cell 5.2 2
A 4cell_3 4cell 5.6 3
A 4cell_4 4cell 3.6 4
A 4cell_5 4cell 7.6 5
A 4cell_6 4cell 4.8 6
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
#sampleGroup
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