R语言作图——line plot

本文介绍了如何使用R语言复刻Nature Cell Biology上的一种独特折线图。通过数据准备、读取、安装及调用相关package,如ggplot2和reshape2,以及运用melt函数将数据转化为长格式,逐步展示绘图过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

原创:黄小仙

最近小仙同学在Nature Cell Biology上看到了这样一张图,很常见的折线图画成这个样子——原来很常见的图标类型也可以“焕发新春”!
在这里插入图片描述
今天小仙同学就尝试用R复刻一张类似的折线图。

Step1. 绘图数据的准备
首先要把你想要绘图的数据调整成R语言可以识别的格式,建议大家在excel中保存成csv格式。
数据的格式如下图:一列表示一种变量,最后一列是每一行的行名。
假设我们有一组单细胞测序的基因表达量数据,第一至九列表示9种基因,第十列表示每一行细胞的标签。
在这里插入图片描述

在这里插入图片描述

Step2. 绘图数据的读取
data<-read.csv(“your file path”, header = T)
#注释:header=T表示数据中的第一行是列名,如果没有列名就用header=F
ave<-read.csv(“your file path”, header = T)
#注释:ave表示平均值数据

Step3.绘图所需package的安装、调用
library(ggplot2)
library(reshape2)
#注释:package使用之前需要调用

Step4绘图
data_melt<-melt (data, id.vars=“Cell”)
ave_melt<-melt (ave, id.vars = “Type”)
#注释:melt()函数把表格中的宽数据变成长数据,注意id.vars对应的参数是相应标签列的列名

>p<-ggplot()+geom_line(data=data_melt,aes(x=variable,y=value,group=Cell),size=1,colour="gray")+
geom_line(data=ave_melt, aes(x=variable,y=value,group=Type),size=2,colour="#E3191C")+
   theme(panel.background = element_blank(),axis.line = element_line(colour = "black"),
   panel.border = element_rect(colour ="black",fill=NA))
>p

在这里插入图片描述

在这里插入图片描述
好啦,今天的分享就到这里了。
今天小仙同学还想留一个问题,如果有很多个excel文件要转存为csv格式,手动操作是不是太慢了一点呢,用什么方法可以快一点呢?小仙同学有一个方法,下次揭晓哦!

(公众号:生信了)
在这里插入图片描述

### Python 数据可视化库简介 Python 中的 **Matplotlib** 和 **Seaborn** 是两个非常重要的数据可视化工具。以下是它们的功能概述以及如何通过这些库实现基本绘图。 #### Matplotlib 的基础功能 Matplotlib 是一个广泛使用的数据可视化库,能够生成多种类型的图表,例如折线图、散点图和柱状图等[^1]。它的灵活性使得开发者可以根据需求自定义图形的各种属性。 下面展示了一个使用 Matplotlib 绘制简单折线图的例子: ```python import matplotlib.pyplot as plt # 准备数据 x = [0, 1, 2, 3, 4, 5] y = [i**2 for i in x] # 创建折线图 plt.plot(x, y, label="y=x^2", color="red") # 设置标题和坐标轴标签 plt.title("Simple Line Plot") plt.xlabel("X-axis") plt.ylabel("Y-axis") # 添加图例 plt.legend() # 展示图像 plt.show() ``` 这段代码展示了如何利用 `matplotlib` 来绘制一条二次函数曲线,并设置了颜色、标题以及其他必要的参数。 #### Seaborn 库的特点及其应用 Seaborn 基于 Matplotlib 构建而成,提供了一套更高层次的 API 接口来简化复杂统计图形的制作过程[^3]。此外,Seaborn 还改进了默认样式设计,让生成出来的图片更加美观大方[^4]。 这里给出一段关于如何用 Seaborn 制作带核密度估计 (KDE) 的直方图实例: ```python import seaborn as sns import matplotlib.pyplot as plt # 初始化数据集 data = [1, 2, 2, 3, 3, 3, 4, 4, 5] # 调用 histplot 方法构建直方图并启用 KDE 功能 sns.histplot(data, bins=5, kde=True, color='skyblue') # 配置图表细节 plt.title('Histogram with Kernel Density Estimate') plt.xlabel('Data Values') plt.ylabel('Density/Frequency') # 输出最终效果 plt.show() ``` 上述脚本说明了怎样借助 Seaborn 实现带有平滑曲线拟合选项的历史分布视图。 #### 结论 无论是初学者还是高级分析师,在处理 Python 环境下的数据呈现任务时都可以依赖这两个强大而灵活的解决方案——Matplotlib 提供全面控制权;与此同时,Seaborn 则凭借其简洁优雅的设计哲学赢得了众多用户的青睐[^2]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值