可视化：density与ridgeline

手机软件开发 · 2024-9-18 00:30:04

今天我们来谈谈生信分析中的常规图形 -- 密度图与山脊图 (density，ridgeline)。为什么要把这个两图一起介绍呢？因为这两个图关系非常亲密，本质上呈现的意义是相同的。密度图，常用于展示一组变量的取值分布。而山脊图则常用于展示多分组时某一变量在各分组中的取值分布。这么看来，山脊图就像是密度图的团购形式。下面我们就一起来见证一下吧！
density

首先，我们先绘制密度图看看，使用ggplot2内置数据集diamonds来绘图，这里为了方便跟后面的山脊图做对比，调整了分面和图例的顺序：
library(ggplot2)p <- ggplot(diamonds,aes(x=price,fill=cut)) + geom_density() + facet_grid(factor(cut,levels=c('Ideal','Premium','Very Good','Good','Fair')) ~.) + theme_bw() + guides(title='cut', fill = guide_legend(reverse = TRUE))p结果如下：

ridgeline

在相同的数据基础上，我们使用ggridges包来绘制山脊图：
library(ggridges)p <- ggplot(diamonds, aes(x = price, y = cut, fill = cut)) + geom_density_ridges() + theme_ridges() + theme(legend.position = "none")p结果如下：

前面说过山脊图是团购形式的密度图，所以这里说一个想要注意的地方，ggridges包不能画只有一个组别的山脊图，意思就是至少得有两个组别。

比较

从上面的两张图可以看出，从分布的形态来说，密度图和山脊图的结果虽然不能说一模一样，但也可以相提并论了。细节上来说，密度图开始端的曲线呈现了断崖，而山脊图却是连续的曲线。当然，这个差异是可以修正的，下面我们就选取上面数据集的一个子集来说明，选取cut为Ideal的数据来进一步作图。
ideal <- subset(diamonds, cut == 'Ideal')den <- density(ideal$price, n=600)dendata <- data.frame(price=den$x, y=den$y)p <- ggplot(dendata,aes(x=price,y=y)) + geom_polygon(fill='#FDE725FF') + geom_line() + theme_minimal() + scale_y_continuous(breaks=0,labels='Ideal') + labs(y='')p结果如下：
现在这个密度图跟上面的山脊图相比，分布形态看起来不能说一模一样，可以说是完全相似。当然，山脊图还是一些其他方面的呈现形式，比如，可以将颜色映射为随X轴值的大小而变化(将函数geom_density_ridges替换为geom_density_ridges_gradient)，还可以修改曲线为直方图 (在函数geom_density_ridges里面添加stat="binline"语句)。详细的用法，大家可以自行摸索，这里就不在赘述了。

往期绘图

单细胞：不同亚群的基因平均表达热图
可视化：bubble
可视化：scatterplot
可视化：barplot
可视化：泡泡图

可视化：density与ridgeline

浏览过的版块

所属分类: 问答交流

新帖推荐: 30日

推荐作品