首页 文章详情

一行代码教你绘制顶级期刊要求配图

简说Python | 91 2021-03-14 02:07 0 0 0
↑↑↑关注后"星标"简说Python
人人都可以简单入门Python、爬虫、数据分析
 简说Python推荐 
来源|python数据分析之
作者|小dull鸟

大家好,我是老表~
给大家推荐一个技巧,让你快速绘制出符合出版要求绘图技能,就算不出版,自己看、工作汇报也格外有调哦。主要内容如下:
  • R-ggpubr包主要类型函数介绍
  • R-ggpubr包主要案列展示

R-ggpubr包主要类型函数介绍

虽然在Python中我们也可以通过使用Matplotlib定制化出符合出版要求的图表,但这毕竟对使用者的绘图技能要求较高,当然也是还有部分轮子可以用的。而我们今天则介绍一个高性能的R包-ggpubr,从名字就可以看出这个包的主要用途了。

  1. 官网:https://rpkgs.datanovia.com/ggpubr/index.html

  2. 几大绘图函数类型

这个包对于绘图类型分的较为详细,主要按照变量个数进行划分,详细介绍如下

  • 「绘制一个变量-X,连续」

    • ggdensity(): 密度图
    • stat_overlay_normal_density(): 覆盖法线密度图
    • gghistogram(): 直方图
    • ggecdf(): 经验累积密度函数
    • ggqqplot(): QQ图
  • 「绘制两个变量-X和Y,离散X和连续Y」

    • ggboxplot(): 箱形图
    • ggviolin(): 小提琴图
    • ggdotplot(): 点图
    • ggstripchart(): 条形图
    • ggbarplot(): 条形图
    • ggline(): 线图
    • ggerrorplot(): 错误图
    • ggpie(): 饼图
    • ggdonutchart(): 甜甜圈图
    • ggdotchart()、theme_cleveland(): 克利夫兰点图
    • ggsummarytable()、ggsummarystats():添加摘要统计信息表
  • 「绘制两个连续变量」

    • ggscatter(): 散点图
    • stat_cor(): 将具有P值的相关系数添加到散点图中
    • stat_stars(): 将星星添加到散点图中
    • ggscatterhist(): 具有边际直方图的散点图
  • 「比较均值并添加p值」

    • compare_means(): 均值比较
    • stat_compare_means(): 将均值比较P值添加到ggplot
    • stat_pvalue_manual():手动将P值添加到ggplot
    • stat_bracket()、geom_bracket(): 将带有标签的括号添加到GGPlot

其他更多优秀函数,小伙伴们可自行查阅官网进行探索。

R-ggpubr包主要案列展示

  • Density plot
set.seed(1234)
wdata = data.frame(
   sex = factor(rep(c("F""M"), each=200)),
   weight = c(rnorm(200, 55), rnorm(200, 58)))
ggdensity <- ggdensity(wdata, x = "weight", fill = "lightgray",
                       add = "mean", rug = TRUE) +
      labs(
           title = "Example of <span style='color:#D20F26'>ggpubr::ggdensity function</span>",
           subtitle = "processed charts with <span style='color:#1A73E8'>ggdensity()</span>",
           caption = "Visualization by <span style='color:#DD6449'>DataCharm</span>") +
      hrbrthemes::theme_ipsum(base_family = "Roboto Condensed")  +
      theme( 
            plot.title = element_markdown(hjust = 0.5,vjust = .5,color = "black",
                                     size = 20, margin = margin(t = 1, b = 12)),
            plot.subtitle = element_markdown(hjust = 0,vjust = .5,size=15),
            plot.caption = element_markdown(face = 'bold',size = 12),
          )

Density plot
  • Histogram plot
set.seed(1234)
wdata = data.frame(
   sex = factor(rep(c("F""M"), each=200)),
   weight = c(rnorm(200, 55), rnorm(200, 58)))

gghistogram <- gghistogram(wdata, x = "weight", fill = "sex",
   add = "mean", palette = c("lightgray""gray50"),add_density = TRUE,rug = TRUE)+
   labs(
           title = "Example of <span style='color:#D20F26'>ggpubr::gghistogram function</span>",
           subtitle = "processed charts with <span style='color:#1A73E8'>gghistogram()</span>",
           caption = "Visualization by <span style='color:#DD6449'>DataCharm</span>") +
      hrbrthemes::theme_ipsum(base_family = "Roboto Condensed")  +
      theme( 
            plot.title = element_markdown(hjust = 0.5,vjust = .5,color = "black",
                                     size = 20, margin = margin(t = 1, b = 12)),
            plot.subtitle = element_markdown(hjust = 0,vjust = .5,size=15),
            plot.caption = element_markdown(face = 'bold',size = 12),
          )

Histogram plot
  • QQ Plots
# Create some data format
set.seed(1234)
wdata = data.frame(
   sex = factor(rep(c("F""M"), each=200)),
   weight = c(rnorm(200, 55), rnorm(200, 58)))

# Basic QQ plot
ggqqplot <- ggqqplot(wdata, x = "weight") +
   labs(
           title = "Example of <span style='color:#D20F26'>ggpubr::ggqqplot function</span>",
           subtitle = "processed charts with <span style='color:#1A73E8'>ggqqplot()</span>",
           caption = "Visualization by <span style='color:#DD6449'>DataCharm</span>") +
      hrbrthemes::theme_ipsum(base_family = "Roboto Condensed")  +
      theme( 
            plot.title = element_markdown(hjust = 0.5,vjust = .5,color = "black",
                                     size = 20, margin = margin(t = 1, b = 12)),
            plot.subtitle = element_markdown(hjust = 0,vjust = .5,size=15),
            plot.caption = element_markdown(face = 'bold',size = 12),
          )

QQ Plots
  • Scatter plot
# Load data
data("mtcars")
df <- mtcars
df$cyl <- as.factor(df$cyl)
ggscatter <- ggscatter(df, x = "wt", y = "mpg",
   add = "loess", conf.int = TRUE,
   cor.coef = TRUE, 
   cor.coeff.args = list(method = "pearson", label.x = 5,label.y=35, label.size=25,label.sep = "\n"))+
   labs(
           title = "Example of <span style='color:#D20F26'>ggpubr::ggscatter function</span>",
           subtitle = "processed charts with <span style='color:#1A73E8'>ggscatter()</span>",
           caption = "Visualization by <span style='color:#DD6449'>DataCharm</span>") +
      hrbrthemes::theme_ipsum(base_family = "Roboto Condensed")  +
      theme( 
            plot.title = element_markdown(hjust = 0.5,vjust = .5,color = "black",
                                     size = 20, margin = margin(t = 1, b = 12)),
            plot.subtitle = element_markdown(hjust = 0,vjust = .5,size=15),
            plot.caption = element_markdown(face = 'bold',size = 12),
          )
Scatter plot
  • Add Manually P-values to a ggplot
ToothGrowth$dose <- as.factor(ToothGrowth$dose)
# Comparisons against reference
stat.test <- compare_means(
  len ~ dose, data = ToothGrowth, group.by = "supp",
  method = "t.test", ref.group = "0.5"
)

bp <- ggbarplot(ToothGrowth, x = "supp", y = "len",
                fill = "dose", palette = "jco",
                add = "mean_sd", add.params = list(group = "dose"),
                position = position_dodge(0.8))
bp + stat_pvalue_manual(
  stat.test, x = "supp", y.position = 33,
  label = "p.signif",
  position = position_dodge(0.8)
) + 
  labs(
           title = "Example of <span style='color:#D20F26'>ggpubr::stat_pvalue_manual function</span>",
           subtitle = "processed charts with <span style='color:#1A73E8'>stat_pvalue_manual()</span>",
           caption = "Visualization by <span style='color:#DD6449'>DataCharm</span>") +
      hrbrthemes::theme_ipsum(base_family = "Roboto Condensed")  +
      theme( 
            plot.title = element_markdown(hjust = 0.5,vjust = .5,color = "black",
                                     size = 20, margin = margin(t = 1, b = 12)),
            plot.subtitle = element_markdown(hjust = 0,vjust = .5,size=15),
            plot.caption = element_markdown(face = 'bold',size = 12),
          )

Add Manually P-values to a ggplot
  • Draw a Textual Table
# data
df <- head(iris)

# Default table
table1 <- ggtexttable(df, rows = NULL)
table2 <- ggtexttable(df, rows = NULL, theme = ttheme("blank")) %>%
 tab_add_hline(at.row = 1:2, row.side = "top", linewidth = 2)
table1
table2

总结

今天推文我们介绍了「R-ggpubr」实现极少代码绘制出符合期刊要求的可视化图表,极大省去了绘制单独图表元素的时间,为统计分析及可视化探索提供非常便捷的方式,感兴趣的小伙伴可探索更多的绘图函数哦~~

扫码回复:2021

获取最新学习资源


推荐大家关注两个公号

分享程序员生活、互联网资讯、理财复盘日记等
专注于Java学习分享,从零和你一起学Java

关注后回复【1024】
送上独家资料
◆◆◆
欢迎大家围观朋友圈,我的微信:pythonbrief
学习更多:
整理了我开始分享学习笔记到现在超过250篇优质文章,涵盖数据分析、爬虫、机器学习等方面,别再说不知道该从哪开始,实战哪里找了

点赞”传统美德不能丢 

good-icon 0
favorite-icon 0
收藏
回复数量: 0
    暂无评论~~
    Ctrl+Enter