q1, 首先要確定是barplot還是hist，如果是barplot的話，應(yīng)該不存在breaks的問題，因?yàn)閎arplot的傳入?yún)?shù)是個(gè)矩陣；
創(chuàng)新互聯(lián)專注于賓縣企業(yè)網(wǎng)站建設(shè),響應(yīng)式網(wǎng)站開發(fā),商城網(wǎng)站建設(shè)。賓縣網(wǎng)站建設(shè)公司,為賓縣等地區(qū)提供建站服務(wù)。全流程按需定制開發(fā)，專業(yè)設(shè)計(jì)，全程項(xiàng)目跟蹤，創(chuàng)新互聯(lián)專業(yè)和態(tài)度為您提供的服務(wù)
我假設(shè)你要畫的是個(gè)hist，我偶遇過這個(gè)問題，我的理解是hist的breaks的值要能被范圍整除才行；比如x=1:200，break=7的話，就只能畫出4個(gè)柱來，但如果breaks=10就沒問題；基本上是這樣的，偶爾也有例外；比如break=5就不行....奇怪得很
最后，沒辦法的辦法，就只能用barplot代替hist了，barplot肯定不會有這個(gè)問題，統(tǒng)計(jì)下hist參數(shù)中的分布情況，轉(zhuǎn)換成矩陣，用barplot吧；
q2, 貌似一般都用一組因素把這些類別區(qū)分開，我用abcde，表示你的小學(xué)，中學(xué)...了，比如這樣：
a=1:7;b=8:10;c=c(9,10,11);d=c(40,55);e=100:110f=factor(c(rep(1,sum(length(a),length(b),length(c))),rep(2,sum(length(d),length(e)))))#先用c()生成數(shù)組，在轉(zhuǎn)換成factor，其實(shí)數(shù)組也ok的，不過plot()中兩個(gè)數(shù)組和factor不一樣 x=c(a,b,c,d,e)plot(x~f)q3, 就我所知不行；yes或no一定也要是能映射到x，y范圍內(nèi)的點(diǎn)才行；你是想表示分類結(jié)果嗎？如果是的話，通常用顏色，或者在點(diǎn)旁邊的text表示。
q4, 舉個(gè)例子吧
x=-50:50y=x^2+x+1z=10*abs(x)+1 plot(x,y,type='l')lines(x,z,lty=3)legend(c('type1','type2'), x=-20,y=2500, col=c('black','red'), lty=c(1,3))legend的x和y是legend的左上角，匿名參數(shù)是類型名稱，col,lty,pch 是對應(yīng)的顏色，線類型，和點(diǎn)類型。
最后，我現(xiàn)在多用ggplot2，如果不抵觸的話可以看看，和R的基礎(chǔ)作圖包思路不是很一樣，但是圖很清新的；
如果還有問題，建議把數(shù)據(jù)集data.frame粘貼幾行上來，我也試試；
#include int main(int argc, char ** argv) {int i = 1, j = 1, k = 1;do {do {if (i != 5)printf(" ");j++;} while (j
前面我給大家詳細(xì)介紹過
?GO簡介及GO富集結(jié)果解讀
?四種GO富集柱形圖、氣泡圖解讀
?GO富集分析四種風(fēng)格展示結(jié)果—柱形圖，氣泡圖
?KEGG富集分析—柱形圖，氣泡圖，通路圖
? DAVID GO和KEGG富集分析及結(jié)果可視化
也用視頻給大家介紹過
? GO和KEGG富集分析視頻講解
最近有粉絲反映說，利用clusterProfiler這個(gè)包繪制GO富集分析氣泡圖和柱形圖的時(shí)候，發(fā)現(xiàn)GO條目的名字都重疊在一起了。
氣泡圖
柱形圖
這個(gè)圖別說美觀了，簡直不忍直視。經(jīng)過我的認(rèn)真研究，發(fā)現(xiàn)跟R版本有關(guān)。前面我給大家展示的基本都是R 3.6.3做出來的圖。很多粉絲可能用的都是最新版本的R 4.1.2。
我們知道R的版本在不停的更新，相應(yīng)的R包也在不停的更新。我把繪制氣泡圖和柱形圖相關(guān)的函數(shù)拿出來認(rèn)真的研究了一下，終于發(fā)現(xiàn)的癥結(jié)所在。
dotplot這個(gè)函數(shù)，多了個(gè) label_format 參數(shù)
我們來看看這個(gè)參數(shù)究竟是干什么用的，看看參數(shù)說明
label_format :
a numeric value sets wrap length, alternatively a custom function to format axis labels. by default wraps names longer that 30 characters
原來這個(gè)參數(shù)默認(rèn)值是30，當(dāng)標(biāo)簽的長度大于30個(gè)字符就會被折疊，用多行來展示。既然問題找到了，我們就來調(diào)節(jié)一下這個(gè)參數(shù)，把他設(shè)置成100，讓我們的標(biāo)簽可以一行展示。
是不是還是原來的配方，還是熟悉的味道
同樣的柱形圖，我們也能讓他恢復(fù)原來的容貌。
關(guān)于如何使用R做GO和KEGG富集分析，可參考下文
GO和KEGG富集分析視頻講解
查看GOplot內(nèi)示例數(shù)據(jù)的格式，對自己的數(shù)據(jù)做處理
觀察結(jié)論：
觀察自己的兩個(gè)數(shù)據(jù)表：
table.legend 設(shè)置為T時(shí)會顯示表格
本圖中表格和圖例是出圖后剪切拼合而成，沒有用R中的拼圖包
可以用內(nèi)置的graphic包來畫，就是plot()和curve()
也可以用ggplot2來畫，后者更靈活。
graphic
#?先生成一組隨機(jī)數(shù)
x?-?rnorm(2000)
#?畫頻率直方圖,?分30個(gè)bin
hist(x,?freq?=?F,?breaks?=?30)?
#?再畫概率分布曲線
lines(density(x,?bw=.5),?col="red",?lwd=2)
2. ggplot2
#?準(zhǔn)備工作,?把x設(shè)成一個(gè)數(shù)據(jù)集
library(ggplot2)
data?-?data.frame(x?=?x)
#?生成底層和直方圖，概率線的圖層
p?-?ggplot(data,?aes(x?=?x,?y?=?..density..))
p?-?p?+?geom_histogram(fill?=?"navy")
p?-?p?+?geom_density(colour?=?"green")
p
畫出來風(fēng)格不太一樣，看你口味了
R語言基本數(shù)據(jù)分析
本文基于R語言進(jìn)行基本數(shù)據(jù)統(tǒng)計(jì)分析，包括基本作圖，線性擬合，邏輯回歸，bootstrap采樣和Anova方差分析的實(shí)現(xiàn)及應(yīng)用。
不多說，直接上代碼，代碼中有注釋。
1. 基本作圖（盒圖，qq圖）
#basic plot
boxplot(x)
qqplot(x,y)
2. 線性擬合
#linear regression
n = 10
x1 = rnorm(n)#variable 1
x2 = rnorm(n)#variable 2
y = rnorm(n)*3
mod = lm(y~x1+x2)
model.matrix(mod) #erect the matrix of mod
plot(mod) #plot residual and fitted of the solution, Q-Q plot and cook distance
summary(mod) #get the statistic information of the model
hatvalues(mod) #very important, for abnormal sample detection
3. 邏輯回歸
#logistic regression
x - c(0, 1, 2, 3, 4, 5)
y - c(0, 9, 21, 47, 60, 63) # the number of successes
n - 70 #the number of trails
z - n - y #the number of failures
b - cbind(y, z) # column bind
fitx - glm(b~x,family = binomial) # a particular type of generalized linear model
print(fitx)
plot(x,y,xlim=c(0,5),ylim=c(0,65)) #plot the points (x,y)
beta0 - fitx$coef[1]
beta1 - fitx$coef[2]
fn - function(x) n*exp(beta0+beta1*x)/(1+exp(beta0+beta1*x))
par(new=T)
curve(fn,0,5,ylim=c(0,60)) # plot the logistic regression curve
3. Bootstrap采樣
# bootstrap
# Application: 隨機(jī)采樣，獲取最大eigenvalue占所有eigenvalue和之比，并畫圖顯示distribution
dat = matrix(rnorm(100*5),100,5)
no.samples = 200 #sample 200 times
# theta = matrix(rep(0,no.samples*5),no.samples,5)
theta =rep(0,no.samples*5);
for (i in 1:no.samples)
{
j = sample(1:100,100,replace = TRUE)#get 100 samples each time
datrnd = dat[j,]; #select one row each time
lambda = princomp(datrnd)$sdev^2; #get eigenvalues
# theta[i,] = lambda;
theta[i] = lambda[1]/sum(lambda); #plot the ratio of the biggest eigenvalue
}
# hist(theta[1,]) #plot the histogram of the first(biggest) eigenvalue
hist(theta); #plot the percentage distribution of the biggest eigenvalue
sd(theta)#standard deviation of theta
#上面注釋掉的語句，可以全部去掉注釋并將其下一條語句注釋掉，完成畫最大eigenvalue分布的功能
4. ANOVA方差分析
#Application：判斷一個(gè)自變量是否有影響 (假設(shè)我們喂3種維他命給3頭豬，想看喂維他命有沒有用)
#
y = rnorm(9); #weight gain by pig(Yij, i is the treatment, j is the pig_id), 一般由用戶自行輸入
#y = matrix(c(1,10,1,2,10,2,1,9,1),9,1)
Treatment - factor(c(1,2,3,1,2,3,1,2,3)) #each {1,2,3} is a group
mod = lm(y~Treatment) #linear regression
print(anova(mod))
#解釋：Df（degree of freedom）
#Sum Sq: deviance (within groups, and residuals) 總偏差和
# Mean Sq: variance (within groups, and residuals) 平均方差和
# compare the contribution given by Treatment and Residual
#F value: Mean Sq(Treatment)/Mean Sq(Residuals)
#Pr(F): p-value. 根據(jù)p-value決定是否接受Hypothesis H0：多個(gè)樣本總體均數(shù)相等(檢驗(yàn)水準(zhǔn)為0.05)
qqnorm(mod$residual) #plot the residual approximated by mod
#如果qqnorm of residual像一條直線，說明residual符合正態(tài)分布，也就是說Treatment帶來的contribution很小，也就是說Treatment無法帶來收益（多喂維他命少喂維他命沒區(qū)別）
如下面兩圖分別是
（左）用 y = matrix(c(1,10,1,2,10,2,1,9,1),9,1)和
（右）y = rnorm(9);
的結(jié)果?？梢娙绻o定豬吃維他命2后體重特別突出的數(shù)據(jù)結(jié)果后，qq圖種residual不在是一條直線，換句話說residual不再符合正態(tài)分布，i.e., 維他命對豬的體重有影響。
重慶分公司
重慶分公司
