之前我在简书上写过几个画柱状图和统计的教程，随着对R语言的熟练，加上一些新包的出现，其实已经有了更简单的办法和代码，我这人很懒，能少写代码就少写，虽然很多啰嗦的代码可以让你更清楚的了解它的含义。
目前而言，ggplot2和ggpubr是最常用的统计作图工具，当然也有ggstatsplot这种更专业的统计作图包，不过个人而言，我觉得最好的作图工具还是ggplot2，但是ggpubr的代码更简单，两者各有各的好，熟悉的话一起使用也没有问题。
柱状图可以很好的看出两组或者多组的比较趋势，也是最常用的统计方法，我们的PCR和WB都离不开它，当然用Prisim可以很简单的出图，不过颜值差了很多。
比如我们得出了三种基因在对照组和处理组的结果，并做了三重复，我们先把表格读进来，表格可以是这样的：
data<-read.csv("/Users/mac/Desktop/bar.csv")## Warning in read.table(file = file, header = header, sep = sep, quote = quote, :
## incomplete final line found by readTableHeader on '/Users/mac/Desktop/bar.csv'| gene | Contraol1 | Contraol2 | Contraol3 | Treat1 | Treat2 | Treat3 |
|---|---|---|---|---|---|---|
| GeneA | 1.0917683 | 0.8745827 | 1.0472941 | 22.11061 | 18.85227 | 22.57520 |
| GeneB | 1.0570180 | 1.0570180 | 0.8950251 | 51.26847 | 43.41134 | 46.85074 |
| GeneC | 0.9749049 | 0.9681707 | 1.0594631 | 14.15592 | 16.37398 | 19.33755 |
作图要用长数据，我们可以转换一下，当然也可以直接用Excel先做成长数据的格式
library(reshape2)
bar<-melt(data,
id.vars = c('gene'), # 定义需要保留的部分
variable.name='sample', #定义样本的列名
value.name='value') #定义数值的列名
bar$group=rep(c('control', 'treat'), each = 9) ## 新增一个分组| gene | sample | value | group |
|---|---|---|---|
| GeneA | Contraol1 | 1.0917683 | control |
| GeneB | Contraol1 | 1.0570180 | control |
| GeneC | Contraol1 | 0.9749049 | control |
| GeneA | Contraol2 | 0.8745827 | control |
| GeneB | Contraol2 | 1.0570180 | control |
| GeneC | Contraol2 | 0.9681707 | control |
| GeneA | Contraol3 | 1.0472941 | control |
| GeneB | Contraol3 | 0.8950251 | control |
| GeneC | Contraol3 | 1.0594631 | control |
| GeneA | Treat1 | 22.1106100 | treat |
| GeneB | Treat1 | 51.2684700 | treat |
| GeneC | Treat1 | 14.1559200 | treat |
| GeneA | Treat2 | 18.8522700 | treat |
| GeneB | Treat2 | 43.4113400 | treat |
| GeneC | Treat2 | 16.3739800 | treat |
| GeneA | Treat3 | 22.5752000 | treat |
| GeneB | Treat3 | 46.8507400 | treat |
| GeneC | Treat3 | 19.3375500 | treat |
ggplot2作图
我们先用ggplot2画图看看趋势，这里有一个办法可以一步计算均数和标准差，那就是加载ggpubr
library(ggplot2)
suppressMessages(library(ggpubr))
p<-ggplot(bar,
aes(group,value,color=group,fill=group))+
geom_bar(stat="summary",fun=mean,position="dodge")+ #柱状图
stat_summary(fun.data = 'mean_sd', geom = "errorbar", width = 0.5,position = position_dodge(0.9))+ ##一定要加载ggpubr，调用函数可以计算均数、标准差、CI等
facet_grid(~gene,scales = 'free')+ #分面
# theme_minimal(base_size = 13)+ #自己定义一个主题和字体大小
scale_color_manual(values = c('steelblue','brown'))+ # 定义一下配色
scale_fill_manual(values = c('steelblue','brown'))+ #填充的配色也定义一下
labs(x=NULL,y='Relative gene expression')
p
## 我们再做一个t检验，当然首先还是要看能不能用t检验，这个可以参照我之前的教程
p1<-p+
geom_signif(comparisons = list(c("control","treat")),map_signif_level=T,test = 't.test')
p1
可以看到对照组和处理组的差别很大，有时候甚至看不到对照组的误差棒，这个时候我们可以用Y叔开发的ggbreak给它截断，然后还可以给每个数据标上一个点，这样可以清楚的知道真实数据，这里推荐用geom_jitter()定义数据（之前我用过geom_dotplot()，但是最后的结果是底下的那个点特别大，这个问题我跟Y叔的团队反映过，得到的答复是改不了） 不知道为什么截断以后，显著性标识遮挡了，可能也是bug，AI调一下就可以
library(ggbreak) # 截断的包
library(ggsignif) # 统计
p1+geom_jitter(color='gray', #定义一个点的颜色
size=2, width = 0.2)+
scale_y_break(c(1.5, 10), scales=0.8) #设置上下截断的坐标
这样一个近乎完美的柱状图就做好。
ggpubr作图
当然ggpubr的代码更简单，一步到位，一个包里就包含了作图和统计，但是限制的地方也多，很难一次性做到完美，比如用了ggbreak就看不到头，
library(ggpubr)
ggbarplot(bar,'group','value',
fill = 'group',color = 'group',
facet.by = 'gene',
palette = c('steelblue','brown'),
ggtheme = theme_bw(),legend = 'none',
add = c('mean_sd','jitter'),
,add.params = list(color='black'))+
stat_compare_means(comparisons = list(c("control","treat")),
label = "p.signif", method = 't.test')