ggpubr中英对照阅读: ‘ggplot2’ Based Publication Ready Plots
ggplot2, by Hadley Wickham, is an excellent and flexible package for elegant data visualization in R. However the default generated plots requires some formatting before we can send them for publication. Furthermore, to customize a ggplot, the syntax is opaque and this raises the level of difficulty for researchers with no advanced R programming skills.
The ‘ggpubr’ package provides some easy-to-use functions for creating and customizing ‘ggplot2’- based publication ready plots.
Find out more at https://rpkgs.datanovia.com/ggpubr.
Installation and loading
- Install from CRAN as follow:
install.packages("ggpubr")
- Or, install the latest version from GitHub as follow:
# Install if(!require(devtools)) install.packages("devtools") devtools::install_github("kassambara/ggpubr")
Distribution
library(ggpubr) #> Loading required package: ggplot2 #> Loading required package: magrittr # Create some data format # ::::::::::::::::::::::::::::::::::::::::::::::::::: set.seed(1234) wdata = data.frame( sex = factor(rep(c("F", "M"), each=200)), weight = c(rnorm(200, 55), rnorm(200, 58))) head(wdata, 4) #> sex weight #> 1 F 53.79293 #> 2 F 55.27743 #> 3 F 56.08444 #> 4 F 52.65430 # Density plot with mean lines and marginal rug # ::::::::::::::::::::::::::::::::::::::::::::::::::: # Change outline and fill colors by groups ("sex") # Use custom palette ggdensity(wdata, x = "weight", add = "mean", rug = TRUE, color = "sex", fill = "sex", palette = c("#00AFBB", "#E7B800"))
# Histogram plot with mean lines and marginal rug
# :::::::::::::::::::::::::::::::::::::::::::::::::::
# Change outline and fill colors by groups ("sex")
# Use custom color palette
gghistogram(wdata, x = "weight",
add = "mean", rug = TRUE,
color = "sex", fill = "sex",
palette = c("#00AFBB", "#E7B800"))
Box plots and violin plots
# Load data data("ToothGrowth") df <- ToothGrowth head(df, 4) #> len supp dose #> 1 4.2 VC 0.5 #> 2 11.5 VC 0.5 #> 3 7.3 VC 0.5 #> 4 5.8 VC 0.5 # Box plots with jittered points # ::::::::::::::::::::::::::::::::::::::::::::::::::: # Change outline colors by groups: dose # Use custom color palette # Add jitter points and change the shape by groups p <- ggboxplot(df, x = "dose", y = "len", color = "dose", palette =c("#00AFBB", "#E7B800", "#FC4E07"), add = "jitter", shape = "dose") p
# Add p-values comparing groups # Specify the comparisons you want my_comparisons <- list( c("0.5", "1"), c("1", "2"), c("0.5", "2") ) p + stat_compare_means(comparisons = my_comparisons)+ # Add pairwise comparisons p-value stat_compare_means(label.y = 50) # Add global p-value
# Violin plots with box plots inside # ::::::::::::::::::::::::::::::::::::::::::::::::::: # Change fill color by groups: dose # add boxplot with white fill color ggviolin(df, x = "dose", y = "len", fill = "dose", palette = c("#00AFBB", "#E7B800", "#FC4E07"), add = "boxplot", add.params = list(fill = "white"))+ stat_compare_means(comparisons = my_comparisons, label = "p.signif")+ # Add significance levels stat_compare_means(label.y = 50) # Add global the p-value
Bar plots
Demo data set
Load and prepare data:
# Load data data("mtcars") dfm <- mtcars # Convert the cyl variable to a factor dfm$cyl <- as.factor(dfm$cyl) # Add the name colums dfm$name <- rownames(dfm) # Inspect the data head(dfm[, c("name", "wt", "mpg", "cyl")]) #> name wt mpg cyl #> Mazda RX4 Mazda RX4 2.620 21.0 6 #> Mazda RX4 Wag Mazda RX4 Wag 2.875 21.0 6 #> Datsun 710 Datsun 710 2.320 22.8 4 #> Hornet 4 Drive Hornet 4 Drive 3.215 21.4 6 #> Hornet Sportabout Hornet Sportabout 3.440 18.7 8 #> Valiant Valiant 3.460 18.1 6
Ordered bar plots
Change the fill color by the grouping variable “cyl”. Sorting will be done globally, but not by groups.
ggbarplot(dfm, x = "name", y = "mpg", fill = "cyl", # change fill color by cyl color = "white", # Set bar border colors to white palette = "jco", # jco journal color palett. see ?ggpar sort.val = "desc", # Sort the value in dscending order sort.by.groups = FALSE, # Don't sort inside each group x.text.angle = 90 # Rotate vertically x axis texts )
Sort bars inside each group. Use the argument sort.by.groups = TRUE.
ggbarplot(dfm, x = "name", y = "mpg", fill = "cyl", # change fill color by cyl color = "white", # Set bar border colors to white palette = "jco", # jco journal color palett. see ?ggpar sort.val = "asc", # Sort the value in dscending order sort.by.groups = TRUE, # Sort inside each group x.text.angle = 90 # Rotate vertically x axis texts )
Deviation graphs
The deviation graph shows the deviation of quantitatives values to a reference value. In the R code below, we’ll plot the mpg z-score from the mtcars dataset.
Calculate the z-score of the mpg data:
# Calculate the z-score of the mpg data dfm$mpg_z <- (dfm$mpg -mean(dfm$mpg))/sd(dfm$mpg) dfm$mpg_grp <- factor(ifelse(dfm$mpg_z < 0, "low", "high"), levels = c("low", "high")) # Inspect the data head(dfm[, c("name", "wt", "mpg", "mpg_z", "mpg_grp", "cyl")]) #> name wt mpg mpg_z mpg_grp cyl #> Mazda RX4 Mazda RX4 2.620 21.0 0.1508848 high 6 #> Mazda RX4 Wag Mazda RX4 Wag 2.875 21.0 0.1508848 high 6 #> Datsun 710 Datsun 710 2.320 22.8 0.4495434 high 4 #> Hornet 4 Drive Hornet 4 Drive 3.215 21.4 0.2172534 high 6 #> Hornet Sportabout Hornet Sportabout 3.440 18.7 -0.2307345 low 8 #> Valiant Valiant 3.460 18.1 -0.3302874 low 6
Create an ordered barplot, colored according to the level of mpg:
ggbarplot(dfm, x = "name", y = "mpg_z", fill = "mpg_grp", # change fill color by mpg_level color = "white", # Set bar border colors to white palette = "jco", # jco journal color palett. see ?ggpar sort.val = "asc", # Sort the value in ascending order sort.by.groups = FALSE, # Don't sort inside each group x.text.angle = 90, # Rotate vertically x axis texts ylab = "MPG z-score", xlab = FALSE, legend.title = "MPG Group" )
Rotate the plot: use rotate = TRUE and sort.val = “desc”
ggbarplot(dfm, x = "name", y = "mpg_z", fill = "mpg_grp", # change fill color by mpg_level color = "white", # Set bar border colors to white palette = "jco", # jco journal color palett. see ?ggpar sort.val = "desc", # Sort the value in descending order sort.by.groups = FALSE, # Don't sort inside each group x.text.angle = 90, # Rotate vertically x axis texts ylab = "MPG z-score", legend.title = "MPG Group", rotate = TRUE, ggtheme = theme_minimal() )
Dot charts
Lollipop chart
Lollipop chart is an alternative to bar plots, when you have a large set of values to visualize.
Lollipop chart colored by the grouping variable “cyl”:
ggdotchart(dfm, x = "name", y = "mpg", color = "cyl", # Color by groups palette = c("#00AFBB", "#E7B800", "#FC4E07"), # Custom color palette sorting = "ascending", # Sort value in descending order add = "segments", # Add segments from y = 0 to dots ggtheme = theme_pubr() # ggplot2 theme )
- Sort in decending order. sorting = “descending”.
- Rotate the plot vertically, using rotate = TRUE.
- Sort the mpg value inside each group by using group = “cyl”.
- Set dot.size to 6.
- Add mpg values as label. label = “mpg” or label = round(dfm$mpg).
ggdotchart(dfm, x = "name", y = "mpg", color = "cyl", # Color by groups palette = c("#00AFBB", "#E7B800", "#FC4E07"), # Custom color palette sorting = "descending", # Sort value in descending order add = "segments", # Add segments from y = 0 to dots rotate = TRUE, # Rotate vertically group = "cyl", # Order by groups dot.size = 6, # Large dot size label = round(dfm$mpg), # Add mpg values as dot labels font.label = list(color = "white", size = 9, vjust = 0.5), # Adjust label parameters ggtheme = theme_pubr() # ggplot2 theme )
Deviation graph:
- Use y = “mpg_z”
- Change segment color and size: add.params = list(color = “lightgray”, size = 2)
ggdotchart(dfm, x = "name", y = "mpg_z", color = "cyl", # Color by groups palette = c("#00AFBB", "#E7B800", "#FC4E07"), # Custom color palette sorting = "descending", # Sort value in descending order add = "segments", # Add segments from y = 0 to dots add.params = list(color = "lightgray", size = 2), # Change segment color and size group = "cyl", # Order by groups dot.size = 6, # Large dot size label = round(dfm$mpg_z,1), # Add mpg values as dot labels font.label = list(color = "white", size = 9, vjust = 0.5), # Adjust label parameters ggtheme = theme_pubr() # ggplot2 theme )+ geom_hline(yintercept = 0, linetype = 2, color = "lightgray")
Cleveland’s dot plot
Color y text by groups. Use y.text.col = TRUE.
ggdotchart(dfm, x = "name", y = "mpg", color = "cyl", # Color by groups palette = c("#00AFBB", "#E7B800", "#FC4E07"), # Custom color palette sorting = "descending", # Sort value in descending order rotate = TRUE, # Rotate vertically dot.size = 2, # Large dot size y.text.col = TRUE, # Color y text by groups ggtheme = theme_pubr() # ggplot2 theme )+ theme_cleveland() # Add dashed grids
More
Find out more at https://rpkgs.datanovia.com/ggpubr.
Blog posts
- A. Kassambara. ggpubr R Package: ggplot2-Based Publication Ready Plots
https://rpkgs.datanovia.com/ggpubr/index.html
作者： kassambara
日期：01/09/2017
翻译：谢俊飞
在同一页面上排列多个ggplot2图形，标准R函数 par()和 layout()并不能满足需求。
基本解决方案是使用gridExtra 包，该软件包具有以下功能：
- grid.arrange() 和 arrangeGrob()在一页上排列多个ggplots;
- marrangeGrob() 用于在多个页面上排列多个ggplots。
但是，这些功能并不能对齐绘图面板 ； 取而代之的是，将图简单地按原样放置到网格中，因此轴并不能对齐。
如果需要进行轴对齐，则可以切换到Cowplot包，该程序包包含带有align参数的函数 plot_grid()。 但是，Cowplot包不包含任何用于多页布局的解决方案。 因此，我们提供了函数ggarrange() [ggpubr包]，这是对plot_grid()函数的包装，可在多个页面上排列多个ggplots。 它还可以为多个图创建通用的唯一图例。
#组织架构图
R base package
par()和 layout()
gridExtra package
一页排图：grid.arrange() 和 arrangeGrob()
多页排图：marrangeGrob()
Cowplot package
轴对齐：plot_grid( align = " ")
ggpubr package
多页布局：ggarrange()
本文将逐步向你展示如何使用以下R包（ggpubr，cowplot和gridExtra）中的帮助功能，在同一页面上以及在多个页面上组合多个ggplots图形。 我们还将介绍如何将已排列的图片导出到文件中。
准备工作
- 需要的R包
你需要安装R包ggpubr（版本> = 0.1.3），以轻松创建基于ggplot2的发布就绪图。
我们建议从GitHub安装最新的开发版本，如下所示：
if (!requireNamespace("BiocManager", quietly = TRUE))
install.packages("BiocManager")
BiocManager::install("ggpubr")
请注意，安装ggpubr会自动安装gridExtra和cowplot软件包。 因此无需重新安装。
加载ggpubr
library(ggpubr)
- 数据集演示
数据： ToothGrowth 和 mtcars 数据集.
# ToothGrowth
data("ToothGrowth")
head(ToothGrowth)
# mtcars
data("mtcars")
mtcars$name <- rownames(mtcars)
mtcars$cyl <- as.factor(mtcars$cyl)
head(mtcars[, c("name", "wt", "mpg", "cyl")])
绘制图片
在这里，我们将使用ggpubr中基于ggplot2的绘图功能。 你可以使用任何ggplot2函数来创建所需的绘图，以便以后进行排列。
我们先创建4个不同的图
- 使用ToothGrowth数据集的箱形图和点图
- 使用mtcars数据集的条形图和散点图
在下一部分中，你将学习如何使用特定功能来组合这些图。 - 绘制箱形图和点图：
# Box plot (bp)
bxp <- ggboxplot(ToothGrowth, x = "dose", y = "len",
color = "dose", palette = "jco")
bxp
# Dot plot (dp)
dp <- ggdotplot(ToothGrowth, x = "dose", y = "len",
color = "dose",palette = "jco", binwidth = 1)
dp
图片.png
- 绘制排序的条形图和散点图：
创建有序的条形图。 通过分组变量”cyl”更改填充颜色。 排序将在整体范围内进行，但不会按组进行。
# 条形图(bp)
bp <- ggbarplot(mtcars, x = "name", y = "mpg",
fill = "cyl", # 通过"cyl"更改填充颜色
color = "white", # 将栏边框颜色设置为白色
palette = "jco", # jco颜色板. 查看 ?ggpar
sort.val = "asc", # 按升序排序
sort.by.groups = TRUE, # 每个组内排序
x.text.angle = 90 #垂直旋转x轴文本
)
bp + font("x.text", size = 8)
# 散点图 (sp)
sp <- ggscatter(mtcars, x = "wt", y = "mpg",
add = "reg.line", # 添加回归线
conf.int = TRUE, #添加置信区间
color = "cyl", palette = "jco", # 按组"cyl"更改颜色
shape = "cyl" # 按组"cyl"更改点的形状
)+
stat_cor(aes(color = cyl), label.x = 3) # 添加相关系数
sp
图片.png
在一页上排列图片
要在一个页面上排列多个图片，我们将使用ggarrange()[在ggpubr中]，它是对plot_grid()[在cowplot包中]函数的包装。 与标准函数plot_grid()相比，ggarange()可以在多个页面上排列多个图片。
ggarrange(bxp, dp, bp + rremove("x.text"),
labels = c("A", "B", "C"),
ncol = 2, nrow = 2)
图片.png
另外，你也可以使用功能* plot_grid()* [cowplot包]：
library(cowplot)
plot_grid(bxp, dp, bp + rremove("x.text"),
labels = c("A", "B", "C"),
ncol = 2, nrow = 2)
或者，函数grid.arrange() [gridExtra包]:
library("gridExtra")
grid.arrange(bxp, dp, bp + rremove("x.text"),
ncol = 2, nrow = 2)
注释排列的图形
R函数：annotate_figure() [ ggpubr包]
figure <- ggarrange(sp, bp + font("x.text", size = 10),
ncol = 1, nrow = 2)
annotate_figure(figure,
top = text_grob("Visualizing mpg", color = "red", face = "bold", size = 14),
bottom = text_grob("Data source: \n mtcars data set", color = "blue",
hjust = 1, x = 1, face = "italic", size = 10),
left = text_grob("Figure arranged using ggpubr", color = "green", rot = 90),
right = "I'm done, thanks :-)!",
fig.lab = "Figure 1", fig.lab.face = "bold"
)
图片.png
注意，函数annotate_figure()支持任何ggplots。
对齐绘图面板
一个真实的例子是，例如，当绘制生存曲线并将风险表放置在主图下时。
为了说明这种情况，我们将使用survminer包。 首先，使用install.packages(“survminer”)安装，然后键入以下内容：
# 拟合生存曲线
library(survival)
fit <- survfit( Surv(time, status) ~ adhere, data = colon )
# 绘制生存曲线
library(survminer)
ggsurv <- ggsurvplot(fit, data = colon,
palette = "jco", # jco颜色板
pval = TRUE, pval.coord = c(500, 0.4), # 添加p值
risk.table = TRUE # 添加风险表
)
names(ggsurv)
ggsurv是一个包含以下组件的列表：
- 图：生存曲线
- 表格：风险表图
你可以如下安排生存图和风险表：
ggarrange(ggsurv$plot, ggsurv$table, heights = c(2, 0.7),
ncol = 1, nrow = 2)
图片.png
可以看出，生存图和风险表的轴未垂直对齐。 要对齐它们，请指定参数align，如下所示。
ggarrange(ggsurv$plot, ggsurv$table, heights = c(2, 0.7),
ncol = 1, nrow = 2, align = "v")
图片.png
更改图的列/行跨度
- 使用ggpubr包
我们将使用嵌套的ggarrange()函数来更改图表的列/行跨度。
例如，使用下面的R代码：
- 散点图（sp）将位于第一行并跨越两列
- 箱形图（bxp）和点形图（dp）将首先进行排列，并分别存在于第二行和两列中
ggarrange(sp, # 第一行散点图
ggarrange(bxp, dp, ncol = 2, labels = c("B", "C")), # 第二行箱线图和点图
nrow = 2,
labels = "A" # 散点图的标签
)
图片.png
- 使用cowplot包
- ggdraw()* + draw_plot() + draw_plot_label() [cowplot包]函数的组合可用于将图形放置在具有特定大小的特定位置。
ggdraw()， 初始化一个空的绘图画布：
ggdraw()
请注意，默认情况下，坐标从0到1，并且点（0，0）在画布的左下角（请参见下图）。
图片.png
draw_plot(). 将绘图放置在绘图画布上的某个位置：
draw_plot(plot, x = 0, y = 0, width = 1, height = 1)
- plot：要放置的绘图（ggplot2或gtable）
- x，y：绘图左下角的x / y位置。
- width, height：图的宽度和高度
draw_plot_label()。 在图的左上角添加图标签。 它可以处理带有关联坐标的标签向量。
draw_plot_label(label, x = 0, y = 1, size = 16, ...)
- label：要绘制的标签向量
- x，y：分别包含标签的x和y位置的向量
- size：要绘制的标签的字体大小
例如，你可以组合多个具有特定位置和大小的图，如下所示：
library("cowplot")
ggdraw() +
draw_plot(bxp, x = 0, y = .5, width = .5, height = .5) +
draw_plot(dp, x = .5, y = .5, width = .5, height = .5) +
draw_plot(bp, x = 0, y = 0, width = 1, height = 0.5) +
draw_plot_label(label = c("A", "B", "C"), size = 15,
x = c(0, 0.5, 0), y = c(1, 1, 0.5))
图片.png
- 使用gridExtra包
rangingGrop() [gridExtra包]函数有助于更改绘图的行、列跨度。
例如，使用下面的代码：
- 散点图（sp）将位于第一行并跨越两列
- 箱形图（bxp）和点形图（dp）将位于第二行，两个不同列中的两个图
library(gridExtra)
grid.arrange(sp, # 第一行，一个图跨越两列
arrangeGrob(bxp, dp, ncol = 2), # 第二行，在2个不同的列中包含2个图
nrow = 2) # 行数
图片.png
也可以在grid.arrange()函数中使用参数layout_matrix来创建复杂的布局。
在layout_matrix下面的R代码中，是2×2矩阵（2列2行）。 第一行全为1，这是第一幅图所在的地方，横跨两列； 第二行包含图2和3，各占据一列。
grid.arrange(bp, # 条形图横跨两列
bxp, sp, # 箱形图和散点图
ncol = 2, nrow = 2,
layout_matrix = rbind(c(1,1), c(2,3)))
图片.png
请注意，也可以使用辅助函数draw_plot_label()[cowplot包]注释grid.arrange()函数的输出。
为了轻松注释grid.arrange()/ rangeGrob()输出（一个gtable），你应该首先使用函数as_ggplot()[ggpubr包]将其转换为ggplot。 接下来，你可以使用函数draw_plot_label()[在cowplot中]对其进行注释。
library("gridExtra")
library("cowplot")
# 使用arrangeGrob排列图片
# 返回gtable (gt)
gt <- arrangeGrob(bp, #条形图跨越两列
bxp, sp, # 箱线图和散点图
ncol = 2, nrow = 2,
layout_matrix = rbind(c(1,1), c(2,3)))
# Add labels to the arranged plots
p <- as_ggplot(gt) + # 转换为ggplot
draw_plot_label(label = c("A", "B", "C"), size = 15,
x = c(0, 0, 0.5), y = c(1, 0.5, 0.5)) # 添加标签
p
图片.png
在上面的R代码中，我们使用rangingGrob()代替了grid.arrange()。
请注意，这两个函数之间的主要区别在于，grid.arrange()会自动输出排列图。
由于我们想在绘制图形之前对其进行注释，因此在这种情况下，最好使用函数arrangeGrob()。
- 使用grid 包
可以在grid.layout()函数的帮助下使用grid 包来创建复杂的布局。 它还提供了辅助函数viewport()来定义布局上的区域或视口。 函数print()用于将图放置在指定区域中。
不同的步骤可以总结如下：
- 创建图：p1，p2，p3，…
- 使用函数grid.newpage（）移至网格设备上的新页面
- 创建一个布局2X2-列数= 2； 行数= 2
- 定义网格视口：图形设备上的矩形区域
- 将图打印到视口中
library(grid)
# 移至新页面
grid.newpage()
# 创建布局：nrow = 3，ncol = 2
pushViewport(viewport(layout = grid.layout(nrow = 3, ncol = 2)))
# 辅助功能，用于在布局上定义区域
define_region <- function(row, col){
viewport(layout.pos.row = row, layout.pos.col = col)
}
# 排列图片
print(sp, vp = define_region(row = 1, col = 1:2)) # 横跨两列
print(bxp, vp = define_region(row = 2, col = 1))
print(dp, vp = define_region(row = 2, col = 2))
print(bp + rremove("x.text"), vp = define_region(row = 3, col = 1:2))
图片.png
将通用图例用于组合的图.
将共用图例放在排列图的边缘，可以将ggarrange()[ggggbr包]与以下参数一起使用：
- common.legend = TRUE：将公共图例放在页边
- legend：指定图例位置。 允许的值包括（“ top”，“ bottom”，“ left”，“ right”）之一
ggarrange(bxp, dp, labels = c("A", "B"),
common.legend = TRUE, legend = "bottom")
图片.png
具有边际密度图的散点图
# 按组 ("Species")着色散点图
sp <- ggscatter(iris, x = "Sepal.Length", y = "Sepal.Width",
color = "Species", palette = "jco",
size = 3, alpha = 0.6)+
border()
# x（上图）和y（右图）的边际密度图
xplot <- ggdensity(iris, "Sepal.Length", fill = "Species",
palette = "jco")
yplot <- ggdensity(iris, "Sepal.Width", fill = "Species",
palette = "jco")+
rotate()
# 清理
yplot <- yplot + clean_theme()
xplot <- xplot + clean_theme()
#排列图片
ggarrange(xplot, NULL, sp, yplot,
ncol = 2, nrow = 2, align = "hv",
widths = c(2, 1), heights = c(1, 2),
common.legend = TRUE)
图片.png
混排表格，文本和图片
在本部分中，我们将展示如何在图表旁边绘制表格和文本。 使用 iris数据集。我们首先创建以下图：
- 变量“ Sepal.Length”的密度图。 R函数：ggdensity()[ggpubr包]
- 摘要表，其中包含Sepal.Length的描述统计量（平均值，标准差，…）。
- 用于计算描述性统计信息的R函数：desc_statby()[ggpubr包]。
- 用于绘制文本表的R函数：ggtexttable()[ggpubr包]。
- 文字段落。 R函数：ggparagraph[ggpubr包]。
我们使用函数ggarrang()[ggpubr包]来完成排列、组合三个图
# "Sepal.Length"密度图
#::::::::::::::::::::::::::::::::::::::
density.p <- ggdensity(iris, x = "Sepal.Length",
fill = "Species", palette = "jco")
#绘制Sepal.Length汇总表
#::::::::::::::::::::::::::::::::::::::
# 按组计算描述性统计
stable <- desc_statby(iris, measure.var = "Sepal.Length",
grps = "Species")
stable <- stable[, c("Species", "length", "mean", "sd")]
# 汇总表图，主题中橙色
stable.p <- ggtexttable(stable, rows = NULL,
theme = ttheme("mOrange"))
# 文本
#::::::::::::::::::::::::::::::::::::::
text <- paste("iris data set gives the measurements in cm",
"of the variables sepal length and width",
"and petal length and width, respectively,",
"for 50 flowers from each of 3 species of iris.",
"The species are Iris setosa, versicolor, and virginica.", sep = " ")
text.p <- ggparagraph(text = text, face = "italic", size = 11, color = "black")
#在同一页面上排列图
ggarrange(density.p, stable.p, text.p,
ncol = 1, nrow = 3,
heights = c(1, 0.5, 0.3))
图片.png
在图片中插入图形元素
ggplot2中的*annotation_custom() *可用于在ggplot的绘图区域内添加表、图片或其他基于网格的元素。 格式为：
annotation_custom(grob, xmin, xmax, ymin, ymax)
- grob：要显示的外部图形元素
- xmin，xmax：数据坐标中的x位置（水平位置）
- ymin，ymax：数据坐标中的y位置（垂直位置）
- 将表放在图中
我们将使用在上一节中创建的图表density.p和stable.p。
density.p + annotation_custom(ggplotGrob(stable.p),
xmin = 5.5, ymin = 0.7,
xmax = 8)
图片.png
- 将箱形图放在图中
- 使用iris数据集创建y =”Sepal.Width”和x =”Sepal.Length”的散点图。 R函数ggscatter()[ggpubr包]
- 分别创建具有透明背景的x和y变量的箱形图。 R函数：ggboxplot()[ggpubr]。
将箱形图转换为在网格术语中称为“抓图”的图形对象。 R函数ggplotGrob()[ggplot2包]。 - 将箱形图样图块放入散点图内。 R函数：annotation_custom()[ggplot2包]。
由于插入的箱线图与某些点重叠，因此箱线图使用透明背景。
# 按组（"Species")着色散点图
#::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
sp <- ggscatter(iris, x = "Sepal.Length", y = "Sepal.Width",
color = "Species", palette = "jco",
size = 3, alpha = 0.6)
# 创建x / y变量的箱线图
#::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
# x变量的箱线图
xbp <- ggboxplot(iris$Sepal.Length, width = 0.3, fill = "lightgray") +
rotate() +
theme_transparent()
# y变量的箱线图
ybp <- ggboxplot(iris$Sepal.Width, width = 0.3, fill = "lightgray") +
theme_transparent()
# 创建外部图形对象
#在Grid中称为"grop"
xbp_grob <- ggplotGrob(xbp)
ybp_grob <- ggplotGrob(ybp)
# 将箱线图放置在散点图内
#::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
xmin <- min(iris$Sepal.Length); xmax <- max(iris$Sepal.Length)
ymin <- min(iris$Sepal.Width); ymax <- max(iris$Sepal.Width)
yoffset <- (1/15)*ymax; xoffset <- (1/15)*xmax
# 在散点图中插入xbp_grob
sp + annotation_custom(grob = xbp_grob, xmin = xmin, xmax = xmax,
ymin = ymin-yoffset, ymax = ymin+yoffset) +
# 在散点图中插入ybp_grob
annotation_custom(grob = ybp_grob,
xmin = xmin-xoffset, xmax = xmin+xoffset,
ymin = ymin, ymax = ymax)
图片.png
- 将背景图像添加到ggplot2图形
导入背景图像： 根据背景图像的格式，使用函数readJPEG()[jpeg包]或函数readPNG()[png包]。
为测试以下示例，请确保已安装png软件包。 您可以使用install.packages（”png”）命令进行安装。
# 导入图片
library(jpeg)
girl <- readJPEG("C:/Users/Administrator/Documents/jpeggirl01.jpg")
将ggplot与背景图像合并。 R函数：background_image()[ggpubr包]。
library(ggplot2)
library(ggpubr)
ggplot(iris, aes(Species, Sepal.Length))+
background_image(girl)+
geom_boxplot(aes(fill = Species), color = "white")+
fill_palette("aaas")
Rplot01.png
Rplot01.png通过指定参数alpha来更改箱线图填充颜色的透明度。 值应为[0，1]，其中0为完全透明，1为不透明。
library(ggplot2)
library(ggpubr)
ggplot(iris, aes(Species, Sepal.Length))+
background_image(img)+
geom_boxplot(aes(fill = Species), color = "white", alpha = 0.5)+
fill_palette("aaas")
Rplot03.png
另一个示例，覆盖了China地图和ggplot2：
china <- readJPEG("C:/Users/Administrator/Documents/china.jpg")
ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width)) +
background_image(china)+
geom_point(aes(color = Species), alpha = 0.6, size = 5)+
color_palette("jco")+
theme(legend.position = "top")
Rplot05.png
Rplot05.png多页排图
如果有一系列图片，比如20个，需要排列这些图并将它们放置在多页上。 每页有4个地块，则需要5页才能容纳20个图。
函数ggarrange（）[ggpubr包]提供了一种方便的解决方案，可以在多个页面上排列多个ggplots。 在指定参数nrow和ncol之后，函数ggarrange()会自动计算保存绘图列表所需的页数。 它返回一个排列好的图片列表。
例如以下R代码：
multi.page <- ggarrange(bxp, dp, bp, sp,
nrow = 1, ncol = 2)
返回两页的列表，每页两个图。 你可以按如下所示可视化每个页面：
multi.page[[1]] # 查看第一页
multi.page[[2]] # 查看第二页
您还可以使用函数ggexport()[ggpubr]将排列好的图导出到pdf文件：
ggexport(multi.page, filename = "multi.page.ggplot2.pdf")
请注意，也可以使用功能marrangeGrob()[gridExtra包]创建多页输出。
library(gridExtra)
res <- marrangeGrob(list(bxp, dp, bp, sp), nrow = 1, ncol = 2)
# 到处为pdf文件
ggexport(res, filename = "multi.page.ggplot2.pdf")
# 交互式可视化
res
使用ggarrange()嵌套布局
我们将重新排列在(@ref(mix-table-text-and-ggplot)) 和 (@ref(create-some-plots))部分中创建的绘图。
p1 <- ggarrange(sp, bp + font("x.text", size = 9),
ncol = 1, nrow = 2)
p2 <- ggarrange(density.p, stable.p, text.p,
ncol = 1, nrow = 3,
heights = c(1, 0.5, 0.3))
ggarrange(p1, p2, ncol = 2, nrow = 1)
图片.png
导出图片
R函数：ggexport()[ggpubr包]。
首先，在iris数据集中创建与变量Sepal.Length，Sepal.Width，Petal.Length和Petal.Width对应的4个图片。
plots <- ggboxplot(iris, x = "Species",
y = c("Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width"),
color = "Species", palette = "jco"
)
plots[[1]] # 打印第一张图
plots[[2]] # 打印第二个图，依此类推...
接下来，您可以将单个图导出到文件（pdf，eps或png）（每页一个图）。 也可以每页2个排列的图片。
- 将单个图导出到pdf文件（每页一个图）：
ggexport(plotlist = plots, filename = "test.pdf")
排列和导出。 在同一页面上指定nrow和ncol以展示多个图：
ggexport(plotlist = plots, filename = "test.pdf",
nrow = 2, ncol = 1)
致谢
我们衷心感谢所有ggpubr依赖包的开发人员所做的努力：
- Baptiste Auguie (2016). gridExtra: Miscellaneous Functions for “Grid” Graphics. R package version 2.2.1. https://CRAN.R-project.org/package=gridExtra
- Claus O. Wilke (2016). cowplot: Streamlined Plot Theme and Plot Annotations for ‘ggplot2’. R package version 0.7.0. https://CRAN.R-project.org/package=cowplot
- H. Wickham. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York, 2009.
作者：谢俊飞
链接：https://www.jianshu.com/p/6310d4145dc4
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
请关注“恒诺新知”微信公众号，感谢“R语言“，”数据那些事儿“，”老俊俊的生信笔记“，”冷🈚️思“，“珞珈R”，“生信星球”的支持！
你可能也喜欢
白介素-17受体信号的自主激活，维持炎症并促进疾病进展
MCT4依赖的乳酸分泌抑制LKB1缺陷肺腺癌的抗肿瘤免疫
