R语言与生物信息绘图1：基础介绍——数据类型及其简单用法

本文中涉及的全部代码有&＃xff1a;

data() #得到R语言内置数据集
class(rivers) #查看向量rivers的数据类型
plot(rivers) #画向量rivers的散点图
hist(rivers) #画向量rivers的直方图
class(state.abb) #查看向量state.abb的数据类型
pie(table(state.region)) #用table函数统计一下state.region这个向量&＃xff0c;得到一个饼图
yanse <- c("red","green","blue","yellow") #定义yanse变量
pie(table(state.region),col &＃61; yanse) #把yanse这个向量传递给pie函数中的col选项
labs <- c("NC","S","N","W") #设置只一个labs字符向量
pie(table(state.region),col &＃61; yanse,labels &＃61; labs) #将其传给pie函数中的labels选项
class(state.division) #查看向量state.division的数据类型
plot(mtcars$cyl,mtcars$disp) #取mtcars数据集中的cyl和disp这两列来绘散点图
plot(as.factor(mtcars$cyl),mtcars$disp) #把其中的cyl使用as.factor函数转化成因子
class(state.x77) #查看向量state.x77的数据类型
heatmap(state.x77) #将矩阵向量state.x77画成热图
heatmap(as.data.frame(state.x77)) #将矩阵转化成数据框
fit <- lm(weight ~ height,data &＃61; women) #简单的线性回归的案例&＃xff1a;fit等于lm函数&＃xff0c;weight变量~height变量&＃xff0c;data等于数据集women。
#lm&＃xff08;Linear Models&＃xff09;是用来适应线性模型的。它可用于进行回归、单层分析方差分析和协方差分析。
plot(fit)


正文&＃xff1a;

在R console中输入data函数&＃xff0c;就可以得到R语言内置数据集。

data()


然后就可以看到按字母顺序的内置的数据集&＃xff1a;

我们在学习R语言绘图的时候要时刻知道输入数据的结构和类型。可以使用class函数来查看。例如&＃xff1a;

数值向量可以直接用来画点图&＃xff0c;饼图&＃xff0c;条形图&＃xff0c;直方图等。

在R console中敲

class(rivers)


结果返回&＃xff1a;numeric&＃xff0c;表明这是数值类型的向量。

数值向量可以直接用来画点图&＃xff0c;饼图&＃xff0c;条形图&＃xff0c;直方图等。

例如&＃xff0c;在R console中敲plot(rivers)&＃xff0c;绘制散点图

plot(rivers)


即可出现&＃xff1a;

例如&＃xff0c;在R console中敲hist(rivers)&＃xff0c;绘制直方图

hist(rivers)


即可出现&＃xff1a;

字符串类向量数据主要用在画图中的label标签部分或用于设置不同颜色等

接下来&＃xff0c;在R console中敲class(state.abb)

class(state.abb)


返回的结果是&＃xff1a;character&＃xff0c;即字符串类向量。

字符串类向量数据主要用在画图中的label标签部分或用于设置不同颜色等
比如每条染色体的名字等。

例如&＃xff0c;在R console中敲pie函数&＃xff0c;

pie(table(state.region))


用table函数统计一下state.region这个向量&＃xff0c;就可以得到一个饼图&＃xff1a;

但是感觉颜色不好看。那么我们就可以设置一个字符向量&＃xff0c;里面包含我们需要的颜色。
例如&＃xff0c;定义一个变量:

yanse <- c("red","green","blue","yellow")


接下来&＃xff0c;我们把这个向量传递给pie函数中的col选项

pie(table(state.region),col &＃61; yanse)


就可以得到&＃xff1a;

这个颜色其实也不好看&＃xff0c;之后会介绍如何在R中设置好看的颜色。

我们还可以再设置只一个labs字符向量

labs <- c("NC","S","N","W")


然后将其传给pie函数中的labels选项&＃xff1a;

pie(table(state.region),col &＃61; yanse,labels &＃61; labs)


就可以得到&＃xff1a;

因子是用来分组的向量

在R console中敲class(state.division)

class(state.division)


返回的结果是&＃xff1a;factor&＃xff0c;即因子&＃xff0c;因子是一类特殊的向量。

因子是用来分组的向量。

比如&＃xff0c;处理组与对照组&＃xff0c;或不同样品之间来进行比较&＃xff0c;例如不同染色体长度分布的条形图等&＃xff0c;这些地方都会用到factor向量

例如&＃xff1a;我们取mtcars数据集中的cyl和disp这两列来绘图

plot(mtcars$cyl,mtcars$disp)


cyl和disp表示不同发动机汽缸数目与发动机排量之间的关系。这两个数据集都是向量&＃xff0c;这样画出来的是一个散点图&＃xff1a;

如果我们把 其中的cyl使用as.factor函数转化成因子

plot(as.factor(mtcars$cyl),mtcars$disp)


所以&＃xff0c;以后看见这种分组展示数据的图&＃xff0c;就该知道&＃xff0c;x轴应该是“因子”的数据类型。

接下来是矩阵&＃xff0c;矩阵在R中特别适合绘制热图。用基因表达的数据&＃xff0c;经常用到热图。

在R console中敲class(state.x77)

class(state.x77)


返回的结果是&＃xff1a;matrix&＃xff0c;即矩阵&＃xff0c;矩阵在R中特别适合绘制热图。用基因表达的数据&＃xff0c;经常用到热图。

heatmap(state.x77)


如果将矩阵转化成数据框

heatmap(as.data.frame(state.x77))


就会提示错误&＃xff1a;x必须为数值矩阵&＃xff08;才能够画热图&＃xff09;。

此外&＃xff0c;R中还经常包括对各种测定结果进行绘图&＃xff0c;例如线性回归等

例如一个简单的线性回归的案例&＃xff1a;fit等于lm函数&＃xff0c;weight变量~height变量&＃xff0c;data等于数据集women。

fit <- lm(weight ~ height,data &＃61; women)


这个结果中&＃xff0c;fit是lm类型的函数。

lm&＃xff08;Linear Models&＃xff09;是用来适应线性模型的。它可用于进行回归、单层分析方差分析和协方差分析。

直接使用plot函数来绘制

plot(fit)


这样就会出现四张图&＃xff1a;




这是对特定数据类型有特定的绘图函数。
总之&＃xff0c;对于用R语言作图&＃xff0c;了解数据结构非常重要&＃xff0c;在使用每个绘图函数的时候&＃xff0c;首先需要知道&＃xff0c;输入的数据结果才能绘出正确的图。