ggplot2 完全解析 EP.01 从 0 到 1

ggplot2 完全解析 EP.01 从 0 到 1

视频教程

内容简介

  1. ggplot2 中会使用到的基本元件
  2. 使用 ggplot2 需要了解的基本概念
  3. 不同种类元件的具体用法浅析
  4. 实例解析 - 小提琴箱线散点图

前言

科研成果的呈现绘图是必不可少的，支持科研图标绘制的工具有很多，比如可视化操作下的 Graphpad Prism、Origin 等等，或者 Python 中的 matplotlib、seaborn、plotly 等等，这些工具我平常也都会用到，主要根据具体环境选择，但是说到生信分析当中的可视化，我还是唯独钟爱 ggplot2，它的简介性、语法一致性、结构完整性、可拓展性都是别的绘图系统不能比的，所以在此开一个坑介绍一下它的各种实际用法。

在讲到具体的各种奇技淫巧之前，还是需要这样一个总起性的章节对这个好用、易用、实用的绘图系统有一个基本的了解

ggplot2 中会使用到的基本元件

  1. geom 类：geom 是 geometry 的缩写，函数的格式类似 geom_point()/geom_line()/geom_*() 等等，主要负责使用原始数据直接绘制各种图形，是一张图标中最主要的部分；
  2. stat 类: stat 是 statistics 的缩写，函数的格式类似 stat_smooth()/stat_qq()/stat_*() 等等，负责对原始数据进行统计处理，比如 stat_smooth() 函数会根据原始数据进行回归分析，并返回预测值，stat_qq() 函数会根据原始数据进行 QQ 检验，并返回结果，是在原始数据的基础上进一步进行统计描述；
  3. annotate() 函数：标注函数，用于在图片上添加自定义注释，比如强调某个点；
  4. scale 类： 函数的格式类似 scale_x_continuous()/scale_y_discrete()/scale_*() 等等，负责调整坐标轴、颜色、尺寸、透明度等各种标尺的映射，适当的使用可以使图片更美观或者使需要强调的内容更突出；
  5. 各种主题相关函数：如 theme 类、coord 类、facet 类、guide 类等等，还有 ggtitle()/labs() 这些散在的函数，负责调整图片的样式，比如主题风格、坐标轴比例、 分面等等，这些函数的格式类似 theme_classic()/coord_polar()/facet_grid()/guide_legend() 等等，主要影响图片的美术风格和展示样式，本文主要只对 theme 类稍作展开。

对于 geom 类、stat 类、scale 类，我统称为图形类，因为他们都构成了主图的图形，scale 类我又称为标尺类。对于一张完整的图，图形类的元素是必不可少的，而标尺类与主题类都是锦上添花，而一张完整的图片，就是由这些基本元素排列组合而成的。

ggplot2 的基本概念

代码块的基本构成

首先，我们通常看到的代码块，由各个元件通过 + 号连接构成，比如：

1
2
3
4
5
6
7
8
9
10
11
# 遵循 tidyverse 推荐格式
panel <-
    ggplot(...) +      # 头部，必须存在，声明一个图形的启动
    geom_*(...) +      # 图形类中的三种元素至少要出现一个，否则就是空白图
    stat_*(...) +
    annotate(...) +    
    scale_*(...) +     # 下列各种标尺类和主题类都非必须，但是如果真的都不放，图片会很丑
    ggtitle(...) +
    labs(...) +
    theme_*(...) +
    ...

很有趣的一点是，ggplot2 在 python 中也得到了几乎完全的移植，如 plotnine，在 python 中，格式略有不同，但是我因为对齐清爽更喜欢这种格式，在 R 语言中也常照搬如下格式：

1
2
3
4
5
6
7
8
9
10
11
panel = (
    ggplot(...)
    + geom_*(...)
    + stat_*(...)
    + annotate(...)
    + scale_*(...)
    + ggtitle(...)
    + labs(...)
    + theme_*(...)
    + ...
)

输入数据的格式

ggplot2 的输入数据必须是 data.frame 格式，当然，作为 tidyverse 家族的一员，tibble 这种更严格的 data.frame 也是兼容的。

对于 data.frame 这一类表格数据，通常有长表与宽表之分：

长表是指表格的每一行是一个样本，而每一列代表了样本的一个属性，比如：

id 颜色 大小 名称
1 红 大 苹果
2 红 小 樱桃
3 紫 大 山竹
4 紫 小 葡萄

而宽表内的每一个数据都是一个样本，行名和列名用来定位属性，比如：

大小\颜色 红 紫
大 苹果 山竹
小 樱桃 葡萄

在 ggplot2 中，必须使用长表数据，如果你手上的数据是宽表数据也不用担心，有很多种方法可以转换为长表数据，比如 reshape2 包中的 melt() 函数，或者用 tidyr 包中的 pivot_longer() 函数，当然，后者作为 tidyverse 分析流程中的一员，是更为推荐的。

比如我们通过大小为横坐标，颜色为纵坐标，可以把四种水果的标签标记在相应的象限上：

1
2
3
4
5
6
7
8
9
10
11
panel <-
    ggplot(
        data    = fruit,
        mapping = aes(
            x     = `大小`,
            y     = `颜色`,
            label = `名称`
        )
    ) +
    geom_text()
panel

全局数据与局部数据

我们来观察如下两个代码块

1
2
3
4
5
6
7
8
9
10
11
panel <-
    ggplot(
        data    = dat,
        mapping = aes(
            x     = x,
            y     = y,
            label = label
        )
    ) +
    geom_point() +
    geom_text()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
panel <-
    ggplot() +
    geom_point(
        data    = dat1,
        mapping = aes(
            x = x1,
            y = y1
        )
    ) +
    geom_text(
        data    = dat2,
        mapping = aes(
            x = x2,
            y = y2,
            label = label
        )
    )

在第一个代码块中，所有的数据包括标尺数据都写在 ggplot() 函数中，这代表着之后跟着的所有绘图元素，比如 geom_point()、geom_text()，都会使用 dat 这个数据集进行绘图，我们称为全局数据；在第二个代码块中，数据集 dat1 和 dat2 分别被 geom_point() 和 geom_text() 函数所使用，两种图形依据不同的数据绘制，互不干扰，这被称为局部数据。

大部分情况下，主图中的内容都写在全局数据中，但是对于一些特殊的标注，就会用到局部数据，比如我们绘制差异基因火山图时，全局数据用于绘制所有基因的散点图，但是对于我们关注的基因，我们就会用局部数据绘制几个单独的点：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
panel_volcano <-
    ggplot(
        data    = deg,                 # 全局数据，包含了所有基因
        mapping = aes(
            x     = log2FoldChange,
            y     = -log10(pvalue),
            color = regulation
        )
    ) +
    geom_point() +                     # 继承自全局数据，绘制所有基因
    geom_point(
        data    = deg_highlight,       # 添加单独的局部变量，高亮关注的基因
        mapping = aes(
            x     = log2FoldChange,
            y     = -log10(pvalue)
        ),
        color   = "black"              # 改变这些高亮点的颜色做出区分
    )
panel_volcano

如果只使用全局变量，结果就如下图：

而因为我们添加了局部变量，所以有标记我们关注的基因，如下图：

变量属性与常量属性

我们再观察如下的代码块与对应的图片：

1
2
3
4
5
6
7
8
9
10
11
panel <-
    ggplot(
        data    = fruit,
        mapping = aes(
            x     = `大小`,
            y     = `颜色`,
            label = `名称`,
            color = `名称`
        )
    ) +
    geom_text()

1
2
3
4
5
6
7
8
9
10
11
panel <-
    ggplot(
        data    = fruit,
        mapping = aes(
            x     = `大小`,
            y     = `颜色`,
            label = `名称`
        ),
        color   = "red"
    ) +
    geom_text()

两段代码中，只有 color 属性的位置和值不同，前者 color 放在aes() 内部，基于水果的名称分配绘图颜色，所以每种水果的绘图颜色不同，因而称为变量属性；后者 color 放在 aes() 之外，基于常量值 "red"，所以所有水果的绘图颜色都是红色，为常量属性。

变量属性的作用是基于样本的不同属性为绘图元素分配不同外观，比如在通路富集气泡图中根据 p 值的大小分配颜色、根据基因的个数分配点的大小，等等；而常量属性的作用是统一规定图形的外观，比如把图中所有文字的大小都规定为 4。

变量属性与常量属性的区别只在于是否在 aes() 内，切不要与全局数据和局部数据混淆了。

图层

最后我们观察这一对代码块：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
panel <-
    ggplot(
        data    = mtcars,
        mapping = aes(
            x = factor(gear),
            y = mpg
        )
    ) +
    geom_boxplot(
        fill = 'red'
    ) +
    geom_violin(
        fill = 'blue'
    )
panel

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
panel <-
    ggplot(
        data    = mtcars,
        mapping = aes(
            x = factor(gear),
            y = mpg
        )
    ) +
    geom_violin(
        fill = 'blue'
    ) +
    geom_boxplot(
        fill = 'red'
    )
panel

两个示例中，boxplot 与 violin 的顺序不同，因而输出的图片中两种图形覆盖的顺序不同，总而言之，靠后的代码绘制的图形会覆盖靠前的代码绘制的图形。

不同种类元件的具体用法浅析

图形类

以 geom_point() 为例，主要的属性有：

  1. x, y：位置；
  2. color：颜色，若为实心形状则为整体颜色，若为空心图形则为边缘颜色；
  3. fill：填充颜色，只在空心图形中有效；
  4. shape：形状，常用的如 0 为 ■，1 为 ●，22为 □，21 为 ○，等等；
  5. size：大小；
  6. alpha：透明度，取值范围 0-1，0 表示完全透明，1 表示完全不透明。

这些属性都可用作变量属性或作常量属性。

标尺类

以 scale_color_manual 为例，主要的属性有：

  1. name：名称，显示在图例中，说明颜色标注的是哪个属性；
  2. breaks：刻度，与 values 对应；
  3. values：颜色，与 breaks 对应，规定具体的颜色，比如 breaks = c("苹果"， "梨"), values = c("red", "blue")，那么苹果的颜色就是红色，梨的颜色就是蓝色；
  4. labels：标签，与 breaks 对应，比如 breaks = c("苹果"， "梨"), labels = c("apple"， "pear")，那么苹果对应的标签就是 apple，梨对应的标签就是 pear。

不同的 scale_*() 函数的具体属性差异巨大，具体还要查阅文档。

主题类

1、 theme 类：ggplot2 提供了各种预设的主题，比如 theme_classic()、theme_bw()、theme_minimal()、theme_void()、theme_gray() 等等，暂不展开自定义主题，以后聊到具体绘图的时候再讲解；
2. labs() 函数：为图形添加标题、图例、坐标轴标签等等，比如 labs(title = "标题", x = "X 轴", y = "Y 轴")，等等；
3. ggtitle() 函数：另一种添加标题的方法，比如 ggtitle("标题")，如果不调整主题，默认显示在图片的左上角。

实例解析 - 小提琴箱线散点图

话不多说，直接开画：

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
panel <-
    ggplot(
        data    = mtcars,         # 全局数据
        mapping = aes(
            x = factor(gear),     # 全局变量，规定横轴与纵轴基于的属性
            y = mpg
        )
    ) +
    geom_violin(
        mapping = aes(
            fill = factor(gear)   # 局部变量，规定小提琴图的填充颜色基于 gear
        )
    ) +
    geom_boxplot(width = 0.2) +   # 局部常量，规定箱线图的宽度为 0.2，避免遮挡小提琴图
    geom_jitter(width = 0.2) +    # 局部常量，规定散点图的宽度为 0.2，避免超出箱线图范围
    ggtitle(                      # 添加标题
        "MPG ~ Gear"
    ) +
    labs(                         # 添加坐标轴与图例标签
        x    = "Gear",
        y    = "MPG"
        fill = "Gear"
    ) +
    theme_classic()               # 使用经典主题
panel