箱線圖

箱線圖是能同時反映數據統計量和整體分布，又很漂亮的展示圖。在2014年的Nature Method上有2篇Correspondence論述了使用箱線圖的好處和一個在線繪制箱線圖的工具。就這樣都可以發兩篇Nature method，沒天理，但也說明了箱線圖的重要意義。

下面這張圖展示了Bar plot、Box plot、Volin plot和Bean plot對數據分布的反應。從Bar plot上只能看到數據標準差或標準誤不同；Box plot可以看到數據分布的集中性不同；Violin plot和Bean plot展示的是數據真正的分布，尤其是對Biomodal數據的展示。

Boxplot從下到上展示的是最小值，第一四分位數 (箱子的下邊線)、中位數 (箱子中間的線)、第三四分位數 (箱子上邊線)、最大值，具體解讀參見 http://mp.weixin.qq.com/s/t3UTI_qAIi0cy1g6ZmHtwg。


• Nature Method文章 http://www.nature.com/nmeth/journal/v11/n2/full/nmeth.2811.html

一步步解析箱線圖繪制

假設有這么一個基因表達矩陣，第一列為基因名字，后面幾列為樣品名字，想繪制下樣品中基因表達的整體分布。

profile="Name;2cell_1;2cell_2;2cell_3;4cell_1;4cell_2;4cell_3;zygote_1;zygote_2;zygote_3 A;4;6;7;3.2;5.2;5.6;2;4;3 B;6;8;9;5.2;7.2;7.6;4;6;5 C;8;10;11;7.2;9.2;9.6;6;8;7 D;10;12;13;9.2;11.2;11.6;8;10;9 E;12;14;15;11.2;13.2;13.6;10;12;11 F;14;16;17;13.2;15.2;15.6;12;14;13 G;15;17;18;14.2;16.2;16.6;13;15;14 H;16;18;19;15.2;17.2;17.6;14;16;15 I;17;19;20;16.2;18.2;18.6;15;17;16 J;18;20;21;17.2;19.2;19.6;16;18;17 L;19;21;22;18.2;20.2;20.6;17;19;18 M;20;22;23;19.2;21.2;21.6;18;20;19 N;21;23;24;20.2;22.2;22.6;19;21;20 O;22;24;25;21.2;23.2;23.6;20;22;21"

讀入數據并轉換為ggplot2需要的長數據表格式 (經過前面幾篇的練習，這應該都很熟了)

profile_text <- read.table(text=profile, header=T, row.names=1, quote="",sep=";", check.names=F) # 在melt時保留位置信息 # melt格式是ggplot2畫圖最喜歡的格式 # 好好體會下這個格式，雖然多占用了不少空間，但是確實很方便library(ggplot2) library(reshape2) data_m <- melt(profile_text) head(data_m) variable value 1 2cell_1 4 2 2cell_1 6 3 2cell_1 8 4 2cell_1 10 5 2cell_1 12 6 2cell_1 14

像往常一樣，就可以直接畫圖了。

# variable和value為矩陣melt后的兩列的名字，內部變量, variable代表了點線的屬性，value代表對應的值。 p <- ggplot(data_m, aes(x=variable, y=value),color=variable) + geom_boxplot() + theme(axis.text.x=element_text(angle=50,hjust=0.5, vjust=0.5)) + theme(legend.position="none") p # 圖會存儲在當前目錄的Rplots.pdf文件中，如果用Rstudio，可以不運行dev.off() dev.off()

箱線圖出來了，看上去還可以，再加點色彩。

# variable和value為矩陣melt后的兩列的名字，內部變量, variable代表了點線的屬性，value代表對應的值。 p <- ggplot(data_m, aes(x=variable, y=value),color=variable) + geom_boxplot(aes(fill=factor(variable))) + theme(axis.text.x=element_text(angle=50,hjust=0.5, vjust=0.5)) + theme(legend.position="none") p # 圖會存儲在當前目錄的Rplots.pdf文件中，如果用Rstudio，可以不運行dev.off() dev.off()

再看看Violin plot

# variable和value為矩陣melt后的兩列的名字，內部變量, variable代表了點線的屬性，value代表對應的值。 p <- ggplot(data_m, aes(x=variable, y=value),color=variable) + geom_violin(aes(fill=factor(variable))) + theme(axis.text.x=element_text(angle=50,hjust=0.5, vjust=0.5)) + theme(legend.position="none") p # 圖會存儲在當前目錄的Rplots.pdf文件中，如果用Rstudio，可以不運行dev.off() dev.off()

還有Jitter plot (這里使用的是ggbeeswarm包)

library(ggbeeswarm) # 為了更好的效果，只保留其中一個樣品的數據 # grepl類似于Linux的grep命令，獲取特定模式的字符串data_m2 <- data_m[grepl("_3", data_m$variable),]# variable和value為矩陣melt后的兩列的名字，內部變量, variable代表了點線的屬性，value代表對應的值。 p <- ggplot(data_m2, aes(x=variable, y=value),color=variable) + geom_quasirandom(aes(colour=factor(variable))) + theme_bw() + theme(panel.grid.major = element_blank(), panel.grid.minor = element_blank(), legend.key=element_blank()) + theme(legend.position="none") # 也可以用geom_jitter(aes(colour=factor(variable)))代替geom_quasirandom(aes(colour=factor(variable))) # 但個人認為geom_quasirandom給出的結果更有特色ggsave(p, filename="jitterplot.pdf", width=14, height=8, units=c("cm"))

繪制單個基因 (A)的箱線圖

為了更好的展示效果，下面的矩陣增加了樣品數量和樣品的分組信息。

profile="Name;2cell_1;2cell_2;2cell_3;2cell_4;2cell_5;2cell_6;4cell_1;4cell_2;4cell_3;4cell_4;4cell_5;4cell_6;zygote_1;zygote_2;zygote_3;zygote_4;zygote_5;zygote_6 A;4;6;7;5;8;6;3.2;5.2;5.6;3.6;7.6;4.8;2;4;3;2;4;2.5 B;6;8;9;7;10;8;5.2;7.2;7.6;5.6;9.6;6.8;4;6;5;4;6;4.5"profile_text <- read.table(text=profile, header=T, row.names=1, quote="",sep=";", check.names=F)data_m = data.frame(t(profile_text['A',])) data_m$sample = rownames(data_m) # 只挑選顯示部分 # grepl前面已經講過用于匹配 data_m[grepl('_[123]', data_m$sample),] A sample 2cell_1 4.0 2cell_1 2cell_2 6.0 2cell_2 2cell_3 7.0 2cell_3 4cell_1 3.2 4cell_1 4cell_2 5.2 4cell_2 4cell_3 5.6 4cell_3 zygote_1 2.0 zygote_1 zygote_2 4.0 zygote_2 zygote_3 3.0 zygote_3

獲得樣品分組信息 (這個例子比較特殊，樣品的分組信息就是樣品名字下劃線前面的部分)

# 可以利用strsplit分割，取出其前面的字符串 # R中復雜的輸出結果多數以列表的形式體現，在之前的矩陣操作教程中 # 提到過用str函數來查看復雜結果的結構，并從中獲取信息 group = unlist(lapply(strsplit(data_m$sample,"_"), function(x) x[1])) data_m$group = group data_m[grepl('_[123]', data_m$sample),] A sample group 2cell_1 4.0 2cell_1 2cell 2cell_2 6.0 2cell_2 2cell 2cell_3 7.0 2cell_3 2cell 4cell_1 3.2 4cell_1 4cell 4cell_2 5.2 4cell_2 4cell 4cell_3 5.6 4cell_3 4cell zygote_1 2.0 zygote_1 zygote zygote_2 4.0 zygote_2 zygote zygote_3 3.0 zygote_3 zygote

如果沒有這個規律，也可以提到類似于下面的文件，指定樣品所屬的組的信息。

sampleGroup_text="Sample;Group zygote_1;zygote zygote_2;zygote zygote_3;zygote zygote_4;zygote zygote_5;zygote zygote_6;zygote 2cell_1;2cell 2cell_2;2cell 2cell_3;2cell 2cell_4;2cell 2cell_5;2cell 2cell_6;2cell 4cell_1;4cell 4cell_2;4cell 4cell_3;4cell 4cell_4;4cell 4cell_5;4cell 4cell_6;4cell"#sampleGroup = read.table(text=sampleGroup_text,sep="\t",header=1,check.names=F,row.names=1)#data_m <- merge(data_m, sampleGroup, by="row.names")# 會獲得相同的結果，腳本注釋掉了以免重復執行引起問題。

矩陣準備好了，開始畫圖了 (小提琴圖做例子，其它類似)

# 調整下樣品出現的順序 data_m$group <- factor(data_m$group, levels=c("zygote","2cell","4cell")) # group和A為矩陣中兩列的名字，group代表了值的屬性，A代表基因A對應的表達值。 # 注意看修改了的地方 p <- ggplot(data_m, aes(x=group, y=A),color=group) + geom_violin(aes(fill=factor(group))) + theme(axis.text.x=element_text(angle=50,hjust=0.5, vjust=0.5)) + theme(legend.position="none") p # 圖會存儲在當前目錄的Rplots.pdf文件中，如果用Rstudio，可以不運行dev.off() dev.off()

長矩陣繪制箱線圖

常規矩陣繪制箱線圖要求必須是個方正的矩陣輸入，而有時想比較的幾個組里面檢測的值數目不同。比如有三個組，GrpA組檢測了6個病人，GrpB組檢測了10個病人，GrpC組是12個正常人的檢測數據。這時就很難形成一個行位檢測值，列為樣品的矩陣，長表格模式就適合與這種情況。

long_table <- "Grp;Value GrpA;10 GrpA;11 GrpA;12 GrpB;5 GrpB;4 GrpB;3 GrpB;2 GrpC;2 GrpC;3"long_table <- read.table(text=long_table,sep="\t",header=1,check.names=F)p <- ggplot(data_m, aes(x=Grp, y=Value),color=Grp) + geom_violin(aes(fill=factor(Grp))) + theme(axis.text.x=element_text(angle=50,hjust=0.5, vjust=0.5)) + theme(legend.position="none") p

長表格形式自身就是常規矩陣melt后的格式，這種用來繪制箱線圖就很簡單了，就不舉例子了。

箱線圖 - 一步繪制

繪圖時通常會碰到兩個頭疼的問題：

有時需要繪制很多的圖，唯一的不同就是輸入文件，其它都不需要修改。如果用R腳本，需要反復替換文件名，繁瑣又容易出錯。 (R也有命令行參數，不熟，有經驗的可以嘗試下)

每次繪圖都需要不斷的調整參數，時間久了不用，就忘記參數怎么設置了；或者調整次數過多，有了很多版本，最后不知道用哪個了。

為了簡化繪圖、維持腳本的一致，我用bash對繪圖命令做了一個封裝，通過配置修改命令行參數，生成相應的繪圖腳本，然后再繪制。

首先把測試數據存儲到文件中方便調用。數據矩陣存儲在boxplot.normal.data、sampleGroup和boxplot.melt.data文件中 (TAB鍵分割，內容在文檔最后。如果你手上有自己的數據，也可以拿來用)。

使用正常矩陣默認參數繪制箱線圖

# -f: 指定輸入的矩陣文件，第一列為行名字，第一行為header列數不限，列名字不限；行數不限，行名字默認為文本 sp_boxplot.sh -f boxplot.normal.data

箱線圖出來了，但有點小亂。

# -f: 指定輸入的矩陣文件，第一列為行名字，第一行為header列數不限，列名字不限；行數不限，行名字默認為文本 # -P: none, 去掉legend (uppercase P) # -b: X-axis旋轉45度 # -V: TRUE 繪制小提琴圖 sp_boxplot.sh -f boxplot.normal.data -P none -b 45 -V TRUE

繪制單個基因的小提琴圖加抖動圖

# -q: 指定某一行的名字，此處為基因名，繪制基因A的表達圖譜 # -Q: 指定樣本分組，繪制基因A在不同樣品組的表達趨勢 # -F Group: sampleGroup中第二列的名字，指代分組信息，根據需要修改 # -J TRUE: 繪制抖動圖 jitter plot # -L: 設置X軸樣品組順序 # -c TRUE -C "'red', 'pink', 'blue'": 指定每個箱線圖的顏色 sp_boxplot.sh -f boxplot.normal.data -q A -Q sampleGroup -F Group -V TRUE -J TRUE -L "'zygote','2cell','4cell'" -c TRUE -C "'red', 'pink', 'blue'" -P none

使用melted矩陣默認參數繪箱線圖

# -f: 指定輸入文件 # -m TRUE: 指定輸入的矩陣為melted format # -d Expr：指定表達值所在的列 # -F Rep: 指定子類所在列，也就是legend # -a Group：指定X軸分組信息 # -j TRUE: jitter plot sp_boxplot.sh -f boxplot.melt.data -m TRUE -d Expr -F Rep -a Group -j TRUE

# 如果沒有子類，則-a和-F指定為同一值 # -R TRUE: 旋轉boxplot sp_boxplot.sh -f boxplot.melt.data -m TRUE -d Expr -a Group -F Group -J TRUE -R TRUE

參數中最需要注意的是引號的使用：

• 外層引號與內層引號不能相同
• 凡參數值中包括了空格，括號，逗號等都用引號括起來作為一個整體。

為了推廣，也為了激起大家的熱情，如果想要sp_boxplot.sh腳本的，還需要勞煩大家動動手，轉發此文章到朋友圈，并留言索取。

也希望大家能一起開發，完善功能。

#boxplot.normal.data Name 2cell_1 2cell_2 2cell_3 2cell_4 2cell_5 2cell_6 4cell_1 4cell_2 4cell_3 4cell_4 4cell_5 4cell_6 zygote_1 zygote_2 zygote_3 zygote_4 zygote_5 zygote_6 A 4 6 7 5 8 6 3.2 5.2 5.6 3.6 7.6 4.8 2 4 3 2 4 2.5 B 6 8 9 7 10 8 5.2 7.2 7.6 5.6 9.6 6.8 4 6 5 4 6 4.5 C 8 10 11 9 12 10 7.2 9.2 9.6 7.6 11.6 8.8 6 8 7 6 8 6.5 D 10 12 13 11 14 12 9.2 11.2 11.6 9.6 13.6 10.8 8 10 9 8 10 8.5 E 12 14 15 13 16 14 11.2 13.2 13.6 11.6 15.6 12.8 10 12 11 10 12 10.5 F 14 16 17 15 18 16 13.2 15.2 15.6 13.6 17.6 14.8 12 14 13 12 14 12.5 G 15 17 18 16 19 17 14.2 16.2 16.6 14.6 18.6 15.8 13 15 14 13 15 13.5 H 16 18 19 17 20 18 15.2 17.2 17.6 15.6 19.6 16.8 14 16 15 14 16 14.5 I 17 19 20 18 21 19 16.2 18.2 18.6 16.6 20.6 17.8 15 17 16 15 17 15.5 J 18 20 21 19 22 20 17.2 19.2 19.6 17.6 21.6 18.8 16 18 17 16 18 16.5 L 19 21 22 20 23 21 18.2 20.2 20.6 18.6 22.6 19.8 17 19 18 17 19 17.5 M 20 22 23 21 24 22 19.2 21.2 21.6 19.6 23.6 20.8 18 20 19 18 20 18.5 N 21 23 24 22 25 23 20.2 22.2 22.6 20.6 24.6 21.8 19 21 20 19 21 19.5 O 22 24 25 23 26 24 21.2 23.2 23.6 21.6 25.6 22.8 20 22 21 20 22 20.5 #boxplot.melt.dataGene Sample Group Expr Rep A zygote_1 zygote 2 1 A zygote_2 zygote 4 2 A zygote_3 zygote 3 3 A zygote_4 zygote 2 4 A zygote_5 zygote 4 5 A zygote_6 zygote 2.5 6 A 2cell_1 2cell 4 1 A 2cell_2 2cell 6 2 A 2cell_3 2cell 7 3 A 2cell_4 2cell 5 4 A 2cell_5 2cell 8 5 A 2cell_6 2cell 6 6 A 4cell_1 4cell 3.2 1 A 4cell_2 4cell 5.2 2 A 4cell_3 4cell 5.6 3 A 4cell_4 4cell 3.6 4 A 4cell_5 4cell 7.6 5 A 4cell_6 4cell 4.8 6 #sampleGroup Sample Group zygote_1 zygote zygote_2 zygote zygote_3 zygote zygote_4 zygote zygote_5 zygote zygote_6 zygote 2cell_1 2cell 2cell_2 2cell 2cell_3 2cell 2cell_4 2cell 2cell_5 2cell 2cell_6 2cell 4cell_1 4cell 4cell_2 4cell 4cell_3 4cell 4cell_4 4cell 4cell_5 4cell 4cell_6 4cell

Reference

• http://blog.genesino.com//2017/06/R-Rstudio

關注生信寶典，幾千人一起學生信

https://mp.weixin.qq.com/s/Zvmht0kOyOf02P8jQNjaOw

http://mp.weixin.qq.com/s/8w6jV9MtJZ4h3ATaPP_Rsw

總結

以上是生活随笔為你收集整理的R 学习 - 箱线图的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。