README.md
In gaospecial/ccgraph: provide a circle-circle layout in graph
小丫画图 ccgraph 首发礼
高春辉
2019-12-05
ccgraph
严格意义上说，ccgraph 并不是一个真正意义上的 “包”。我们选择以 Package 的形式发布，是为了方便使用和传播。
ccgraph 中的 cc 是 circle circle 的意思，graph 是 图，意味着使用它可以在 R
环境下绘制 “圆环套圆环” 的 “图”。
之所以把 “图” 加粗，是因为此图非一般意义上的图，而特指图论中描述的图，即对应英文中的 “graph”。
“圆环套圆环”的说法来自于电影《无极》，以及搞笑片“一个馒头引发的血案”。没有看过的不妨去看看。
安装
既然是一个包，那么是需要安装才能使用的。我们提供了 ccgraph.tar.gz 文件，聪明如你，具体方法应该不用多说了。
当然，也可以把包解压缩，把其中的两个函数定义（R/gather_graph_node.R 和 R/gather_graph_edge.R
导入当前环境，同样可以正常运行。这种情况不需要安装。
载入需要的包
# load packages
library(tidyverse)
library(ggraph)
library(ccgraph)
图的说明
这个图来自于 这篇文献 的 Figure 1。
原文的用途是标明测序在若干基因发现的 SNP/Indel/CNV 突变（多态性差异）。 例如，在
TP53 基因中发现了最多的多态性，包括 CNV 差异 SPLICE 8 个，单核苷酸位点差异 R273H 5 个等。
由于差异用点的大小表示，所以很容易发现常见的多态性差异。
稍作观察便可发现，本图是一个“圆环套圆环”的布局，中心处在中央，下一级的项目分别处在外环。图中只有二环，如果要扩展成五环，多显示几个层次应该也不错。
因此，本图也使用用于展示其它类型的的层级结构。例如上游调控因子调控下游基因的层级和强度，宏基因组测序中发现的物种的丰度等信息。
输入数据格式
FuncTree工具
可以出类似这样的图，但是它的输入数据格式非常复杂（见下表）。需要针对每一个点做有针对性的设置。
| Input | Description |
| --------------------------------- | ----------------------------------------------------------------------- |
| n-map00010 v-120 | map circle of size 120 on node “map00010” |
| n-1881 v-78 o-0.3 | map circle of size 78 with opacity value 0.3 on node “1881” (“M00281”) |
| n-map00030 v-12 | map circle of size 120 with default opacity value(1) on node “map00030” |
| n-map00190 v-149 o-0.9 c-#ff0000 | map red circle of size 149 with opacity value 0.9 on node “map00149” |
tidytuesday
提供了一个挺酷炫的解决方案，应该是个正确的努力方向。
所以决定用 ggraph 来画这个图。为此，花了几天时间仔细研究了这个包，写下了一篇长文：一文读懂 ggraph
的使用
上面提到，树状的结构在生活中很常见。本来想用文献中的数据重现图片，但是无奈上面的文献中没有提供原始数据。于是选了两个数据在开发中验证功能。
一个数据是 treemap 附带的 GNI2014 数据。 这个数据是 2014 年以美元计算的人均国民总收入和每个国家的人口总数。
祝贺澳门特别行政区跻身前五名。
library(treemap)
data("GNI2014")
GNI2014 %>% arrange(desc(GNI)) %>% head(20)
#> iso3 country continent population GNI
#> 1 BMU Bermuda North America 67837 106140
#> 2 NOR Norway Europe 4676305 103630
#> 3 QAT Qatar Asia 833285 92200
#> 4 CHE Switzerland Europe 7604467 88120
#> 5 MAC Macao SAR, China Asia 559846 76270
#> 6 LUX Luxembourg Europe 491775 75990
#> 7 AUS Australia Oceania 21262641 64540
#> 8 SWE Sweden Europe 9059651 61610
#> 9 DNK Denmark Europe 5500510 61310
#> 10 USA United States North America 313973000 55200
#> 11 SGP Singapore Asia 4657542 55150
#> 12 NLD Netherlands Europe 16715999 51890
#> 13 CAN Canada North America 33487208 51630
#> 14 AUT Austria Europe 8210281 49670
#> 15 KWT Kuwait Asia 2691158 49300
#> 16 FIN Finland Europe 5250275 48420
#> 17 DEU Germany Europe 82329758 47640
#> 18 BEL Belgium Europe 10414336 47260
#> 19 IRL Ireland Europe 4203200 46550
#> 20 ISL Iceland Europe 306694 46350
另一个数据是随机生成的一个 OTU 表。
n <- 1000
microbiome <- data.frame(
otu = paste("OTU",1:n,sep="_"),
phylum = sample(paste("phylum",1:5,sep="_"),n,replace = T),
class = sample(paste("class",6:30,sep="_"),n,replace=T),
order = sample(paste("order",31:80,sep="_"),n,replace = T),
value = runif(n,min=1,max=1000)
)
这两个数据都可以使用 treemap() 来做一个可视化。
treemap(GNI2014,index=c("continent","country"),vSize = "population")
treemap(microbiome,index = c("phylum","class"),vSize = "value")
数据处理
图由两个部分组成，节点（node）和边（edge）。处理数据就是要从上面的数据框中采集节点和边的信息。
为此，我分别写了两个函数：gather_graph_node() 和 gather_graph_edge() 来完成这一个任务。
这两个函数的参数设置借鉴了上面 treemap() 的实现方式。
df：一个数据框index：一个索引项（分组项）value：要采集的数值
country_index <- c("continent","country")
nodes_country <- gather_graph_node(GNI2014,index = country_index, value = "population",root="world")
edges_country <- gather_graph_edge(GNI2014,index = country_index,root="world")
为了确保 node.name 的唯一性，在图中使用了长名，而把原有的名字放在 node.short_name 中去了。
node.level 则用来指示节点应该处于第几个圆环。
head(nodes_country,10)
#> node.name node.size node.level node.count node.short_name
#> 1 world 6683146875 <NA> 1 world
#> 2 Africa 962382035 continent 48 Africa
#> 3 Asia 4033277009 continent 47 Asia
#> 4 Europe 728669949 continent 41 Europe
#> 5 North America 528748158 continent 24 North America
#> 6 Oceania 33949312 continent 13 Oceania
#> 7 Seven seas (open ocean) 1768074 continent 3 Seven seas (open ocean)
#> 8 South America 394352338 continent 12 South America
#> 9 Africa/Algeria 34178188 country 1 Algeria
#> 10 Africa/Benin 8791832 country 1 Benin
#> node.branch
#> 1 <NA>
#> 2 Africa
#> 3 Asia
#> 4 Europe
#> 5 North America
#> 6 Oceania
#> 7 Seven seas (open ocean)
#> 8 South America
#> 9 Africa
#> 10 Africa
节点的属性统一以 node 作为前缀，而边的属性则以 edge 作为前缀。
head(edges_country,10)
#> # A tibble: 10 x 2
#> from to
#> <chr> <chr>
#> 1 world Africa
#> 2 world Asia
#> 3 world Europe
#> 4 world North America
#> 5 world Oceania
#> 6 world Seven seas (open ocean)
#> 7 world South America
#> 8 North America North America/Bermuda
#> 9 Europe Europe/Norway
#> 10 Asia Asia/Qatar
可视化
有了节点和边的数据，使用 tbl_graph() 便可以得到一个图。
library(tidygraph)
graph_country <- tbl_graph(nodes_country,edges_country)
然后使用 ggraph 出图，基本上就是这个意思了。
gc <- ggraph(graph_country,layout = 'dendrogram', circular = TRUE) +
geom_edge_diagonal(aes(color=node1.node.branch),alpha=1/3) +
geom_node_point(aes(size=node.size,color=node.branch),alpha=1/3) +
coord_fixed() +
theme(legend.position = "none")
gc
当然，要想达到示例图片中的效果，还需要做一些修饰。
搞大你的点
使用 scale_size() 和 scale_size_*() 系列函数可以搞大你的点。
gc + scale_size(range = c(3,40))
添加注释文字
外环文字
gc + scale_size(range = c(0.5,80)) +
geom_node_text(
aes(
x = 1.0175 * x,
y = 1.0175 * y,
label = node.short_name,
angle = -((-node_angle(x, y) + 90) %% 180) + 90,
filter = leaf,
color = node.branch
),
size = 6, hjust = 'outward'
)
内环文字
gc1 <- gc + scale_size(range = c(0.5,80)) +
geom_node_text(
aes(
x = 1.0175 * x,
y = 1.0175 * y,
label = node.short_name,
angle = -((-node_angle(x, y) + 90) %% 180) + 90,
filter = leaf,
color = node.branch
),
size = 3, hjust = 'outward'
) +
geom_node_text(
aes(label=node.short_name,
filter = !leaf,
color = node.branch),
fontface="bold",
size=6,
family="sans"
)
标签文字出界了，导致显示不完全。扩大坐标轴可以解决这个问题。
注：图的坐标系是不显示的，其实是 [-1,1] 的区间。
gc1 + theme_bw() + theme(legend.position = "none")
要扩大坐标系，使用下面的命令即可。然后使用 ggsave() 保存。
gc1 + coord_cartesian(xlim=c(-1.3,1.3),ylim = c(-1.3,1.3))
#> Coordinate system already present. Adding new coordinate system, which will replace the existing one.
ggsave("country.png",width = 10,height = 10)
如果需要矢量图，则可以使用 export 包（参见
这里）。
library(export)
graph2ppt(gc1, file="country.pptx")
#> Exported graph as country.pptx
PPT 格式与 png 会有些差异，但都是可以编辑的（当然可以调整参数后再输出）。可以很方便的把不需要的节点和边删掉。
类似的，我们也可以对随机生成的 OTU table 做一个可视化。
index_micro <- c("phylum","class","order")
nodes_micro <- gather_graph_node(microbiome,index=index_micro, root="Bac")
edges_micro <- gather_graph_edge(microbiome,index=index_micro, root="Bac")
graph_micro <- tbl_graph(nodes_micro,edges_micro)
在打标签这一步，leaf 是 ggraph(gr, layout="dendrogram", circular = TRUE)
自动变换的结果，指示是否是最末端的树叶。
在这里由于分了多个层次，所以要再加上一个 filter。
gm <- ggraph(graph_micro,layout = 'dendrogram', circular = TRUE) +
geom_edge_diagonal(aes(color=node1.node.branch),alpha=1/3) +
geom_node_point(aes(size=node.size,color=node.branch),alpha=1/3) +
coord_fixed() +
theme(legend.position = "none") +
scale_size(range = c(0.5,20)) +
geom_node_text(
aes(
x = 1.0175 * x,
y = 1.0175 * y,
label = node.short_name,
angle = -((-node_angle(x, y) + 90) %% 180) + 90,
filter = leaf,
color = node.branch
),
size = 1, hjust = 'outward'
)
gm
gm 本身既是一幅图，也是一个数据。
attributes(gm)
#> $names
#> [1] "data" "layers" "scales" "mapping" "theme" "coordinates" "facet"
#> [8] "plot_env" "labels"
#>
#> $class
#> [1] "ggraph" "gg" "ggplot"
gm$data 包含绘图时使用的坐标系。
head(gm$data,10)
#> x y leaf node.name node.size node.level node.count node.short_name
#> 1 0.000000000 0.00000000 FALSE Bac 510239.888 <NA> 1 Bac
#> 2 -0.001511976 0.33332990 FALSE phylum_1 102783.328 phylum 205 phylum_1
#> 3 0.321605945 0.08763976 FALSE phylum_2 107880.003 phylum 214 phylum_2
#> 4 0.179144339 -0.28110215 FALSE phylum_3 99885.814 phylum 198 phylum_3
#> 5 -0.219205208 -0.25111788 FALSE phylum_4 108009.884 phylum 207 phylum_4
#> 6 -0.312468719 0.11607933 FALSE phylum_5 91680.860 phylum 176 phylum_5
#> 7 -0.394485405 0.53742507 FALSE phylum_1/class_10 4568.645 class 6 class_10
#> 8 -0.375637620 0.55076385 FALSE phylum_1/class_11 2885.211 class 6 class_11
#> node.branch .ggraph.orig_index circular .ggraph.index
#> 1 <NA> 1 TRUE 1
#> 2 phylum_1 2 TRUE 2
#> 3 phylum_2 3 TRUE 3
#> 4 phylum_3 4 TRUE 4
#> 5 phylum_4 5 TRUE 5
#> 6 phylum_5 6 TRUE 6
#> 7 phylum_1 7 TRUE 7
#> 8 phylum_1 8 TRUE 8
#> [ reached 'max' / getOption("max.print") -- omitted 2 rows ]
因此，我们可以在这个数据上做些雕琢，随心所欲的加标签。
gm + geom_node_text(
aes(label=node.short_name,
color = node.branch),
fontface="bold",
size=3,
family="sans",
data = filter(gm$data, node.level=="phylum"),
)
当然，也可以去掉 root。
gm0 <- ggraph(graph_micro,layout = 'dendrogram', circular = TRUE)
gm0 + geom_edge_diagonal(aes(color=node1.node.branch),alpha=1/3,
data = ) +
geom_node_point(aes(size=node.size,color=node.branch),alpha=1/3,
data = filter(gm0$data, !is.na(node.level))) +
coord_fixed() +
theme(legend.position = "none") +
scale_size(range = c(0.5,20)) +
geom_node_text(
aes(
x = 1.0175 * x,
y = 1.0175 * y,
label = node.short_name,
angle = -((-node_angle(x, y) + 90) %% 180) + 90,
filter = leaf,
color = node.branch
),
size = 1, hjust = 'outward'
) +
geom_node_text(
aes(label=node.short_name,
color = node.branch),
fontface="bold",
size=3,
family="sans",
data = filter(gm0$data, node.level=="phylum"),
)
gaospecial/ccgraph documentation built on Dec. 18, 2019, 2:34 a.m.
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
小丫画图 ccgraph 首发礼
高春辉 2019-12-05
ccgraph
严格意义上说，ccgraph 并不是一个真正意义上的 “包”。我们选择以 Package 的形式发布，是为了方便使用和传播。
ccgraph 中的 cc 是 circle circle 的意思，graph 是 图，意味着使用它可以在 R
环境下绘制 “圆环套圆环” 的 “图”。
之所以把 “图” 加粗，是因为此图非一般意义上的图，而特指图论中描述的图，即对应英文中的 “graph”。
“圆环套圆环”的说法来自于电影《无极》，以及搞笑片“一个馒头引发的血案”。没有看过的不妨去看看。
安装
既然是一个包，那么是需要安装才能使用的。我们提供了 ccgraph.tar.gz 文件，聪明如你，具体方法应该不用多说了。
当然，也可以把包解压缩，把其中的两个函数定义（R/gather_graph_node.R 和 R/gather_graph_edge.R
导入当前环境，同样可以正常运行。这种情况不需要安装。
载入需要的包
# load packages
library(tidyverse)
library(ggraph)
library(ccgraph)
图的说明
这个图来自于 这篇文献 的 Figure 1。 原文的用途是标明测序在若干基因发现的 SNP/Indel/CNV 突变（多态性差异）。 例如，在 TP53 基因中发现了最多的多态性，包括 CNV 差异 SPLICE 8 个，单核苷酸位点差异 R273H 5 个等。 由于差异用点的大小表示，所以很容易发现常见的多态性差异。
稍作观察便可发现，本图是一个“圆环套圆环”的布局，中心处在中央，下一级的项目分别处在外环。图中只有二环，如果要扩展成五环，多显示几个层次应该也不错。
因此，本图也使用用于展示其它类型的的层级结构。例如上游调控因子调控下游基因的层级和强度，宏基因组测序中发现的物种的丰度等信息。
输入数据格式
FuncTree工具 可以出类似这样的图，但是它的输入数据格式非常复杂（见下表）。需要针对每一个点做有针对性的设置。
| Input | Description | | --------------------------------- | ----------------------------------------------------------------------- | | n-map00010 v-120 | map circle of size 120 on node “map00010” | | n-1881 v-78 o-0.3 | map circle of size 78 with opacity value 0.3 on node “1881” (“M00281”) | | n-map00030 v-12 | map circle of size 120 with default opacity value(1) on node “map00030” | | n-map00190 v-149 o-0.9 c-#ff0000 | map red circle of size 149 with opacity value 0.9 on node “map00149” |
tidytuesday 提供了一个挺酷炫的解决方案，应该是个正确的努力方向。
所以决定用 ggraph 来画这个图。为此，花了几天时间仔细研究了这个包，写下了一篇长文：一文读懂 ggraph
的使用
上面提到，树状的结构在生活中很常见。本来想用文献中的数据重现图片，但是无奈上面的文献中没有提供原始数据。于是选了两个数据在开发中验证功能。
一个数据是 treemap 附带的 GNI2014 数据。 这个数据是 2014 年以美元计算的人均国民总收入和每个国家的人口总数。
祝贺澳门特别行政区跻身前五名。
library(treemap)
data("GNI2014")
GNI2014 %>% arrange(desc(GNI)) %>% head(20)
#> iso3 country continent population GNI
#> 1 BMU Bermuda North America 67837 106140
#> 2 NOR Norway Europe 4676305 103630
#> 3 QAT Qatar Asia 833285 92200
#> 4 CHE Switzerland Europe 7604467 88120
#> 5 MAC Macao SAR, China Asia 559846 76270
#> 6 LUX Luxembourg Europe 491775 75990
#> 7 AUS Australia Oceania 21262641 64540
#> 8 SWE Sweden Europe 9059651 61610
#> 9 DNK Denmark Europe 5500510 61310
#> 10 USA United States North America 313973000 55200
#> 11 SGP Singapore Asia 4657542 55150
#> 12 NLD Netherlands Europe 16715999 51890
#> 13 CAN Canada North America 33487208 51630
#> 14 AUT Austria Europe 8210281 49670
#> 15 KWT Kuwait Asia 2691158 49300
#> 16 FIN Finland Europe 5250275 48420
#> 17 DEU Germany Europe 82329758 47640
#> 18 BEL Belgium Europe 10414336 47260
#> 19 IRL Ireland Europe 4203200 46550
#> 20 ISL Iceland Europe 306694 46350
另一个数据是随机生成的一个 OTU 表。
n <- 1000
microbiome <- data.frame(
otu = paste("OTU",1:n,sep="_"),
phylum = sample(paste("phylum",1:5,sep="_"),n,replace = T),
class = sample(paste("class",6:30,sep="_"),n,replace=T),
order = sample(paste("order",31:80,sep="_"),n,replace = T),
value = runif(n,min=1,max=1000)
)
这两个数据都可以使用 treemap() 来做一个可视化。
treemap(GNI2014,index=c("continent","country"),vSize = "population")
treemap(microbiome,index = c("phylum","class"),vSize = "value")
数据处理
图由两个部分组成，节点（node）和边（edge）。处理数据就是要从上面的数据框中采集节点和边的信息。
为此，我分别写了两个函数：gather_graph_node() 和 gather_graph_edge() 来完成这一个任务。
这两个函数的参数设置借鉴了上面 treemap() 的实现方式。
df：一个数据框index：一个索引项（分组项）value：要采集的数值
country_index <- c("continent","country")
nodes_country <- gather_graph_node(GNI2014,index = country_index, value = "population",root="world")
edges_country <- gather_graph_edge(GNI2014,index = country_index,root="world")
为了确保 node.name 的唯一性，在图中使用了长名，而把原有的名字放在 node.short_name 中去了。
node.level 则用来指示节点应该处于第几个圆环。
head(nodes_country,10)
#> node.name node.size node.level node.count node.short_name
#> 1 world 6683146875 <NA> 1 world
#> 2 Africa 962382035 continent 48 Africa
#> 3 Asia 4033277009 continent 47 Asia
#> 4 Europe 728669949 continent 41 Europe
#> 5 North America 528748158 continent 24 North America
#> 6 Oceania 33949312 continent 13 Oceania
#> 7 Seven seas (open ocean) 1768074 continent 3 Seven seas (open ocean)
#> 8 South America 394352338 continent 12 South America
#> 9 Africa/Algeria 34178188 country 1 Algeria
#> 10 Africa/Benin 8791832 country 1 Benin
#> node.branch
#> 1 <NA>
#> 2 Africa
#> 3 Asia
#> 4 Europe
#> 5 North America
#> 6 Oceania
#> 7 Seven seas (open ocean)
#> 8 South America
#> 9 Africa
#> 10 Africa
节点的属性统一以 node 作为前缀，而边的属性则以 edge 作为前缀。
head(edges_country,10)
#> # A tibble: 10 x 2
#> from to
#> <chr> <chr>
#> 1 world Africa
#> 2 world Asia
#> 3 world Europe
#> 4 world North America
#> 5 world Oceania
#> 6 world Seven seas (open ocean)
#> 7 world South America
#> 8 North America North America/Bermuda
#> 9 Europe Europe/Norway
#> 10 Asia Asia/Qatar
可视化
有了节点和边的数据，使用 tbl_graph() 便可以得到一个图。
library(tidygraph)
graph_country <- tbl_graph(nodes_country,edges_country)
然后使用 ggraph 出图，基本上就是这个意思了。
gc <- ggraph(graph_country,layout = 'dendrogram', circular = TRUE) +
geom_edge_diagonal(aes(color=node1.node.branch),alpha=1/3) +
geom_node_point(aes(size=node.size,color=node.branch),alpha=1/3) +
coord_fixed() +
theme(legend.position = "none")
gc
当然，要想达到示例图片中的效果，还需要做一些修饰。
搞大你的点
使用 scale_size() 和 scale_size_*() 系列函数可以搞大你的点。
gc + scale_size(range = c(3,40))
添加注释文字
外环文字
gc + scale_size(range = c(0.5,80)) +
geom_node_text(
aes(
x = 1.0175 * x,
y = 1.0175 * y,
label = node.short_name,
angle = -((-node_angle(x, y) + 90) %% 180) + 90,
filter = leaf,
color = node.branch
),
size = 6, hjust = 'outward'
)
内环文字
gc1 <- gc + scale_size(range = c(0.5,80)) +
geom_node_text(
aes(
x = 1.0175 * x,
y = 1.0175 * y,
label = node.short_name,
angle = -((-node_angle(x, y) + 90) %% 180) + 90,
filter = leaf,
color = node.branch
),
size = 3, hjust = 'outward'
) +
geom_node_text(
aes(label=node.short_name,
filter = !leaf,
color = node.branch),
fontface="bold",
size=6,
family="sans"
)
标签文字出界了，导致显示不完全。扩大坐标轴可以解决这个问题。
注：图的坐标系是不显示的，其实是 [-1,1] 的区间。
gc1 + theme_bw() + theme(legend.position = "none")
要扩大坐标系，使用下面的命令即可。然后使用 ggsave() 保存。
gc1 + coord_cartesian(xlim=c(-1.3,1.3),ylim = c(-1.3,1.3))
#> Coordinate system already present. Adding new coordinate system, which will replace the existing one.
ggsave("country.png",width = 10,height = 10)
如果需要矢量图，则可以使用 export 包（参见
这里）。
library(export)
graph2ppt(gc1, file="country.pptx")
#> Exported graph as country.pptx
PPT 格式与 png 会有些差异，但都是可以编辑的（当然可以调整参数后再输出）。可以很方便的把不需要的节点和边删掉。
类似的，我们也可以对随机生成的 OTU table 做一个可视化。
index_micro <- c("phylum","class","order")
nodes_micro <- gather_graph_node(microbiome,index=index_micro, root="Bac")
edges_micro <- gather_graph_edge(microbiome,index=index_micro, root="Bac")
graph_micro <- tbl_graph(nodes_micro,edges_micro)
在打标签这一步，leaf 是 ggraph(gr, layout="dendrogram", circular = TRUE)
自动变换的结果，指示是否是最末端的树叶。
在这里由于分了多个层次，所以要再加上一个 filter。
gm <- ggraph(graph_micro,layout = 'dendrogram', circular = TRUE) +
geom_edge_diagonal(aes(color=node1.node.branch),alpha=1/3) +
geom_node_point(aes(size=node.size,color=node.branch),alpha=1/3) +
coord_fixed() +
theme(legend.position = "none") +
scale_size(range = c(0.5,20)) +
geom_node_text(
aes(
x = 1.0175 * x,
y = 1.0175 * y,
label = node.short_name,
angle = -((-node_angle(x, y) + 90) %% 180) + 90,
filter = leaf,
color = node.branch
),
size = 1, hjust = 'outward'
)
gm
gm 本身既是一幅图，也是一个数据。
attributes(gm)
#> $names
#> [1] "data" "layers" "scales" "mapping" "theme" "coordinates" "facet"
#> [8] "plot_env" "labels"
#>
#> $class
#> [1] "ggraph" "gg" "ggplot"
gm$data 包含绘图时使用的坐标系。
head(gm$data,10)
#> x y leaf node.name node.size node.level node.count node.short_name
#> 1 0.000000000 0.00000000 FALSE Bac 510239.888 <NA> 1 Bac
#> 2 -0.001511976 0.33332990 FALSE phylum_1 102783.328 phylum 205 phylum_1
#> 3 0.321605945 0.08763976 FALSE phylum_2 107880.003 phylum 214 phylum_2
#> 4 0.179144339 -0.28110215 FALSE phylum_3 99885.814 phylum 198 phylum_3
#> 5 -0.219205208 -0.25111788 FALSE phylum_4 108009.884 phylum 207 phylum_4
#> 6 -0.312468719 0.11607933 FALSE phylum_5 91680.860 phylum 176 phylum_5
#> 7 -0.394485405 0.53742507 FALSE phylum_1/class_10 4568.645 class 6 class_10
#> 8 -0.375637620 0.55076385 FALSE phylum_1/class_11 2885.211 class 6 class_11
#> node.branch .ggraph.orig_index circular .ggraph.index
#> 1 <NA> 1 TRUE 1
#> 2 phylum_1 2 TRUE 2
#> 3 phylum_2 3 TRUE 3
#> 4 phylum_3 4 TRUE 4
#> 5 phylum_4 5 TRUE 5
#> 6 phylum_5 6 TRUE 6
#> 7 phylum_1 7 TRUE 7
#> 8 phylum_1 8 TRUE 8
#> [ reached 'max' / getOption("max.print") -- omitted 2 rows ]
因此，我们可以在这个数据上做些雕琢，随心所欲的加标签。
gm + geom_node_text(
aes(label=node.short_name,
color = node.branch),
fontface="bold",
size=3,
family="sans",
data = filter(gm$data, node.level=="phylum"),
)
当然，也可以去掉 root。
gm0 <- ggraph(graph_micro,layout = 'dendrogram', circular = TRUE)
gm0 + geom_edge_diagonal(aes(color=node1.node.branch),alpha=1/3,
data = ) +
geom_node_point(aes(size=node.size,color=node.branch),alpha=1/3,
data = filter(gm0$data, !is.na(node.level))) +
coord_fixed() +
theme(legend.position = "none") +
scale_size(range = c(0.5,20)) +
geom_node_text(
aes(
x = 1.0175 * x,
y = 1.0175 * y,
label = node.short_name,
angle = -((-node_angle(x, y) + 90) %% 180) + 90,
filter = leaf,
color = node.branch
),
size = 1, hjust = 'outward'
) +
geom_node_text(
aes(label=node.short_name,
color = node.branch),
fontface="bold",
size=3,
family="sans",
data = filter(gm0$data, node.level=="phylum"),
)
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
Embedding an R snippet on your website
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.