R語言作圖點滴積累，今天要記錄ggplot2中散點圖的做法。散點圖算是數據展示中非常基礎的一種方法了吧，一般用于展示兩個變量之間的關系（比如線性相關）。按照慣例，我每次講一個新的圖都會用一個我實際使用的例子，先來說說今天做這個散點圖的例子吧：

問題描述：
我有兩個變量，一個變量是蛋白相互作用網絡中節點的度（degree），另一個變量是這些蛋白參與形成的復合物的個數；現在我想看看，一個蛋白參與形成的復合物個數（Number of complexes）是否跟它的度（degree）相關。
上面描述的這個問題，就是一個很典型的可以通過散點圖來展示的例子。先來個數據快照（顯示前10個數據點）：

漂亮的散點圖要一步一步來

1. 首先來個簡單的散點圖

#Import data
> dat <- read.table("ProteinDegree_complex.txt",header = TRUE)

#plot a simple scatter plot
> library(ggplot2)
> p <- ggplot(dat,aes(x=degree,y=complex)) + geom_point(shape=19)) +
    xlab("Degree") + ylab("Number of complexes")
> p

note:

• geom_point()： 是畫散點圖的函數，里面可以添加各種參數，用于設置散點圖的形狀、大小、顏色等，比如形狀shape = 19, 表示的是較大的實心原點

• xlab和ylab：兩個函數分別設置x和y坐標軸的標題
  這個簡單的散點圖看起來是這樣滴：

  
  
  簡單的散點圖

2. 如果想要擬合一條直線呢

#Import data
> dat <- read.table("ProteinDegree_complex.txt",header = TRUE)

#plot a simple scatter plot
> library(ggplot2)
> p <- ggplot(dat,aes(x=degree,y=complex)) + geom_point(shape=19)) +
    xlab("Degree") + ylab("Number of complexes") + 
    geom_smooth(method = lm)
> p

ggplot2 提供一個函數自動添加擬合的曲線（包括直線），當然該函數底層肯定是做了擬合分析的，比如線性回歸分析等。

• geom_smooth()：這個函數就是為散點圖添加一條平滑的曲線（包含直線），它有個參數method, 指定曲線平滑方法，可選"lm", "glm", "gam", "loess", "rlm"，這幾個具體表示什么意思，大家動動手，自己谷歌之，默認會使用"loess"。

下面兩個圖分別是使用了"lm"和"loess":

擬合直線

擬合曲線

給散點圖加了直線，可是這個直線擬合得怎么樣，以及擬合的直線的參數ggplot2并沒有提供，為了圖的信息更完整，我們應當考慮給這個擬合的直線加上公式，以及擬合的R²值。這樣之后，我們從圖上可以得到些什么信息呢？
首先，我們可以很容易知道degree和complex數目是呈正相關關系的，通過擬合直線和公式可以知道兩個變量的線性關系強弱；然后，然后就是一堆不知道是啥的黑點...

總感覺還是缺少些什么，仔細看看這個散點圖，你會不會想知道圖中degree很高且參與很多復合物的這幾個蛋白是什么？這樣的蛋白一定是生物細胞中十分重要的蛋白。所以呢，我們可以把最靠近右上角的前10個點給高亮出來，甚至給這些點表示label（基因名）。說干就干，看代碼：

#Import data
> dat <- read.table("WD40_complex_degree.out",header = TRUE)


#edit the formula for the fitted line
> formula <- sprintf("italic(y) == %.2f %+.2f * italic(x)",
                   round(coef(dat.lm)[1],2),round(coef(dat.lm)[2],2))
r2 <- sprintf("italic(R^2) == %.2f",summary(dat.lm)$r.squared)
labels <- data.frame(formula=formula,r2=r2,stringsAsFactors = FALSE)

#plot the simple scatterplot
> p <- ggplot(dat,aes(x=degree,y=complex,colour=degree>=63)) + geom_point(shape=19) +
  xlab("Degree of WD40 proteins") + ylab("Number of complexes")

#linear regression analysis
> dat.lm <- lm(complex ~ degree, data = dat)

#add a line and labels for the formula 
> p <- p + geom_abline(intercept = coef(dat.lm)[1],slope = coef(dat.lm)[2]) + 
  geom_text(data=labels,mapping=aes(x = 15,y=175,label=formula),parse = TRUE,inherit.aes = FALSE,
            size = 6) + 
  geom_text(data=labels,mapping=aes(x = 15,y=165,label=r2),parse = TRUE,inherit.aes = FALSE,
            size = 6) +
 #add labels(gene name) for top 10 degree-ranked proteins
  annotate(geom = "text",x=annoText$degree-1,y=annoText$complex-2,label=annoText$WD40id, size=4.0)
> p + theme(legend.position = "none") + theme(axis.title = element_text(size = 16),
                                            axis.text = element_text(size = 12,colour="black"))

代碼一下子長了好多（囧），我們可以與前面的比較下，

• 首先畫簡單散點圖的那部分代碼（間代碼注釋）添加了"colour = degree>=63"，這句的目的其實是對所有點根據條件“degree>=63”進行了分組，不同顏色表示；
• 其次，發現這里少了一句代碼，對了，就是geom_smooth(method=lm)，因為前面加了分組信息，geom_smooth會在不同組里分別擬合曲線，這并不是我們想要的，我們只是想高亮出一些點而已。所以，這里先不直接擬合了, 后面再手動擬合并添加直線；
• lm(complex ~ degree, data = dat)：這個是手動做線性回歸分析
• geom_abline()：根據上面回歸分析，畫擬合的直線，從上面的分析中提取出 截距 coef(dat.lm)[1]和 斜率 coef(dat.lm)[2])即可；
• geom_text()：這個函數給圖中添加了擬合直線的公式和R²；這里我們提供了新的data，所以，要注意的是后面inherit.aes = FALSE這個設置很重要，表示我們不繼承ggplot函數中使用的data，不然會報錯。
• annotate()：這個函數通過制定geom="text"，在圖中指定的地方畫上標簽，可以提供坐標
• theme(legend.position = "none")：去除legend，這里我做的時候也出現一個問題，去除legend的另一種方法是p + guides(fill = FALSE)，但是，我最新使用這個代碼的時候，并沒有起作用，不知道是不是我的Rstudio沒有反應還是出現bug了，大家可以自己試試；
• theme(axis.title...)：這些都是對圖中的文字進行美化一下，加大坐標軸標題的文字啊之類的。

最后的圖是這個樣子的：

最后的樣子