R自定义构建函数绘制相关性条形图

欢迎关注R语言数据分析指南

❝

本节来介绍如何R来自定义构建函数来进行数据处理及绘图，在之前展示案例的基础上进行了一些小的改动，下面通过1个案例来进行展示；数据及代码已经上传小编的VIP群,有需要的观众老爷欢迎加入小编的VIP群，目前已经上传「公众号文档数据+代码约170余篇」，扫描文末尾二维码加小编微信「付费99元」后邀请进群，「由于群名额有限人满之后将不在添加新成员」，有需要的请尽早加入，早进早享受，如果对加群没兴趣的观众老爷可在文末找到获取数据的方式

❞

加载R包

library(tidyverse)
library(magrittr)

导入数据

df <- read.delim("data.xls",row.names = 1,sep="\t")

构建数据清洗函数

plot_data_prep <- function(data,gene){
  
 plot_data <- data %>% 
    pivot_longer(-gene) %>% 
    pivot_longer(names_to = "name_2", values_to = "value_2",gene) %>%
    group_by(name_2,name) %>% 
    summarise(cor= cor.test(value_2,value,method="spearman")$estimate,
              p.value = cor.test(value_2,value,method="spearman")$p.value) %>% 
    set_colnames(c("gene_1","gene_2","cor","pvalue")) %>% 
    filter(pvalue < 0.05) %>% 
    arrange(desc(abs(cor)))%>% 
 #   dplyr::slice(1:500) %>% 
   mutate(p_signif=symnum(pvalue,corr = FALSE, na = FALSE,  
                          cutpoints = c(0, 0.001, 0.01, 0.05, 0.1, 1), 
                          symbols = c("***", "**", "*", ".", " "))) 
 
 return(plot_data)

}

❝

上面我们定义了一个函数来计算某一基因与其它全部基因之间的相关性，下面我们来进行测序

❞

gene <- "B2M"
plot_data_prep(df,gene)

  gene_1 gene_2     cor   pvalue p_signif 
   <chr>  <chr>    <dbl>    <dbl> <noquote>
 1 B2M    APOBEC3H 0.577 1.48e-25 ***      
 2 B2M    XCL2     0.577 1.51e-25 ***      
 3 B2M    KIR2DL4  0.565 2.31e-24 ***      
 4 B2M    TIFAB    0.565 2.63e-24 ***      
 5 B2M    XCL1     0.561 5.92e-24 ***      
 6 B2M    FUT7     0.558 1.21e-23 ***      
 7 B2M    ZBED2    0.557 1.57e-23 ***      
 8 B2M    IFNG     0.526 8.71e-21 ***      
 9 B2M    NCR3     0.524 1.39e-20 ***      
10 B2M    SSTR3    0.506 4.22e-19 *** 

接下来我们继续定义一个绘图函数来进行数据可视化

构建绘图函数

make_plot <- function(data,x,y){
  ggplot(data) + 
    geom_col(aes(x={{x}},y={{y}}, fill = {{x}} > 0),
             size = 0.25, color = "white")+
    geom_point(aes(x={{x}},y={{y}},
                   color=ifelse({{x}} > 0,"#BA7A70","#829BAB")),size=4.1)+
    geom_text(aes(x = ifelse({{x}} > 0, -.005, .005),y = {{y}}, 
                  label = gene_2,
                  color=ifelse({{x}} > 0,"#BA7A70","#829BAB"),
                  hjust = ifelse({{x}} > 0, 1, 0)),size = 3.8)+
    geom_vline(xintercept=0,size=1,color="grey40")+
    scale_y_discrete(expand = c(.025,.025))+
    scale_fill_manual(values = c("TRUE" = "#BA7A70","FALSE" = "#829BAB"))+
    scale_color_manual(values = c("#829BAB","#BA7A70"))+
    coord_cartesian(clip = "off") +  
    theme_minimal() + 
    theme(panel.grid = element_blank(),
          plot.background = element_rect(fill="Aliceblue",color="Aliceblue"),
          axis.text.y =  element_blank(),
          axis.title = element_blank(),
          legend.position = "none",
          axis.text.x = element_text(face = "bold", size =rel(1), color = "black"))
}

构建好绘图函数后让我们来进行可视化的操作，由于原始数据较多在此我们筛选一部分数据进行可视化操作

数据筛选

p <- plot_data_prep(df,gene) %>% select(1,2,3,5) %>% sample_frac(.1) %>% 
  arrange(cor)

p$gene_2 <- factor(p$gene_2,levels = p$gene_2)

数据可视化

make_plot(p,cor,gene_2)

数据获取

❝

可以看到构建函数后代码看起来很是简洁，如果后续我们有相同的需求可以直接调用函数来进行操作即可，真是非常的方便；本节介绍到此结束，「有需要获取本篇数据的欢迎转发此文档到朋友圈，30分钟后公众号后台截图给小编」,添加小编微信时请备注来意以便高效处理，「当然更加推荐加入小编的VIP交流群」，绝让你体会到物超所值

❞

小编微信

关注下方公众号下回更新不迷路

往期推荐