新一代基线资料表R包，10min学会精美可视化结果！

2023-02-21 07:02

Hi，大家好，我是晨曦

今天这期推文我们又是来给一位小伙伴处理一下他最近的疑惑

A同学：曦曦，最近我需要写毕业论文，但是我是纯粹的临床课题，所以可能图表方面比较单一，然后我希望能在图表可视化方面有更加丰富绚丽的展示方式，请问有哪些工具可以实现吗？

晨曦：.......

既然小伙伴有了需求，晨曦自然就开始对相关内容进行了检索，并且发挥了自己浪学的本领来掌握一下这方面的技能，好在已经有相关的大佬写好了相关的R包，晨曦只需要学习并使用即可，那么我们今天的主角就是新一代的基线资料表绘制R包——funkyheatmap包

那么，我们开始吧

首先，我们展示一下用这个R包可以绘制哪种类型的基线资料表，如下：

总的来说是一种十分方便且美观的基线资料的另一种展示可视化方式，那么下面我们就来开始根据它的官方文档来学习一下这个R包的使用方法

案例1：简单绘制一个Figure

#准备工作library(funkyheatmap)library(tidyverse)#准备输入数据data("mtcars")mtcars#                    mpg cyl  disp  hp drat    wt  qsec vs am gear carb#Mazda RX4           21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4#Mazda RX4 Wag       21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4#Datsun 710          22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1#Hornet 4 Drive      21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1#Hornet Sportabout   18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2#Valiant             18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1

然后我们只需要通过funky_heatmap函数就可以快速绘制基线资料表来展示数据的各种信息

funky_heatmap(mtcars)#因为表格比较长，所以只是展示部分可视化结果

所以说我们从上面可以知道，这个包的关键函数就是funky_heatmap函数，那么我们究竟如何可以实现更多丰富的功能呢，其实就是按照作者设计的参数去不断的添加相关的数据

案例2：进阶一下

这里们使用的数据就是最近笔者接受到的一个小伙伴的私信，他给曦曦一个他收集的临床患者的数据，希望可以做出一个好看的基线资料表，为了保护小伙伴的隐私，笔者这里只展示前五行的数据，各位小伙伴只要理解这个函数的进一步使用方法即可

#准备工作library(funkyheatmap)library(tidyverse)#准备输入数据pdata#ID    Sex Age   Symptom Cholangitis macroscopic visual    end#1 YFC   male  52 bellyache           0          B1 Benign Benign#2 ZJJ   male  78 bellyache           1          B4 Benign Benign#3 CLL female  29 bellyache           1          B2 Benign Benign#4 ZYC   male  83     Fever           1          B2 Benign Benign#5 YFL   male  51   Icterus           0          B2 Benign Benign

首先，我们添加column_info参数需要的数据，这里可以帮助我们对列添加信息

column_info <- tribble(  ~group,~geom,~id,~palette,  "Basic information","text","ID",NA,  "Basic information","text","Sex",NA,  "Basic information","bar","Age","Set3",  "Basic information","text","Symptom",NA,  "Basic information","rect","Cholangitis","Blues",  "technology","text","macroscopic",NA,  "technology","text","visual",NA,  "outcome","text","end",NA)

group代表分组，我们这里可以设定我们的变量属于哪一个大类

text代表变量下的数据类型，是字符（text）还是数值，如果是数值可以选择使用柱状图（bar）或者其它形式

ID代表着输入数据的变量名称

palette代表颜色，这里可以在外部创建颜色向量传递进去，也可以使用作者制作好的一些颜色集合

接下来我们对变量的信息进行进一步的汇总

column_groups <- tribble(  ~Category,~group,~palette,  "information","Basic information","Set3",  "technology", "technology", "Set3",  "outcome","outcome","Set3",)

Category针对上面函数group的上级类

group就是上一步函数的group

palette就是颜色

#可视化funky_heatmap(pdata,              column_info = column_info,              column_groups = column_groups)

总的来说还是十分简洁好看的，当然还可以添加更多的信息让表格更加的丰富，笔者也是在网上看到别人使用这个包进行了更加精美的可视化展示，如下：【转自：https://mp.weixin.qq.com/s/ZZV4SnLH66aHWQGTeOZtAA】

这个时候肯定会有小伙伴问：曦曦，我也想展示上述的效果，我需要做什么？

答案当然是你首先得有这些维度的数据，然后再通过学习这个R包自然就可以掌握这门可视化技术啦~

那么，本期推文到这里就结束啦~

我是晨曦，我们下期再见~

参考教程：

1.官方教程：funkyheatmap: Generating Funky Heatmaps for Data Frames (r-project.org)

2.官方的github：GitHub - dynverse/funkyheatmap: Visualising data frames as funky heatmaps 📊

3.应用这个R包进行可视化的优秀案例：funkyheatmap |临床+组学+分组数据可视化“神器”，时髦的热图

—END—

撰文丨晨曦

排版丨三叶虫

编辑丨三叶虫

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。

来源: qq

点击查看作者最近其他文章