小夥伴們大家吼哇！終於迎來了R語言繪圖專欄的第四次更新的放送，大家是不是有一點饑渴難耐…迫不及待了呢~上一次課程中我們主要介紹了ggplot2包的繪圖原理，理解了映射的概念，用散點圖來展示了數據。但是光會畫散點圖並不能算掌握了數據可視化的核心競爭力，畢竟我們沒看見過一片sci文章中只有寥寥幾張散點圖……或許存在這樣的神仙文章，但這並不能成為優秀的小夥伴們的追求。好了，那麼這一次的課程tkvillage就為大家帶來利用ggplot2包繪製條形圖的方法。
geom_bar函數 作為條形圖，最主要的就是要反映離散型數據的分布，讓讀者直觀地看到哪一組數據的數量多/佔有的比例大，兩組數據之間的差異如何。（當然兩組數據之間有沒有差異必須是經過統計學檢驗才能說了算的）geom_bar這個函數的幫助文檔長這個樣子：
我們來介紹幾個常用的參數：
a. stat：stat默認值是『count』也就是數據的頻數，即個數。它可以對數據進行統計變換，如果換成prop就是百分比。
b. position：就是條形圖堆放的方式，可以選擇：『dodge』，『fill』，『identtity』，『jitter』，『stack』。這五種方式分別對應為：並列放置、堆疊圖形元素並標準化高度，和為1、不作任何調整，添加擾動、堆棧放置。
c. width：不用多說，就是柱子的寬度。
下面讓我們利用ggplot2包的內置mpg數據集來畫一張最簡單的條形圖：
Mpg數據集中class這一列是分類型變量。
g_1<- ggplot(data = mpg, aes(manufacturer))+geom_bar()
g_1
這張最簡單的條形圖對於mpg數據集中class這一個變量進行了頻數的展示，告訴了我們每一種分類的汽車有多少個。
然而，在更多情況下，我們其實並不是要做頻數統計這件事情，而是需要利用條形圖繪製出分類變量中其他變量的數值，不要慌，這肯定是可以實現的。
dtx <- data.frame(label = LETTERS[1:5], mean = sample(70:100, 5), sd = sample(1:10,
5))
View(dtx)
p <- ggplot(dtx, aes(x = label, y = mean, ymin = mean - sd, ymax = mean + sd)) +
theme_bw()
p <- p + geom_bar(stat = "identity", width = 0.6, fill = "gray", color ="black") +
geom_errorbar(width = 0.3)
p
p + scale_y_continuous(expand = c(0, 0)) + geom_blank(aes(y = (mean + sd) *1.1))
通過以上代碼我們可以看到若想直接讓y軸展示每組變量的數值，我們需要先計算出來每組變量的平均值，和標準差，然後把他們作為畫圖的元素，所以常常需要我們自行處理、計算原始數據，生成新的數據框，方便我們自己畫圖。
第九行的代碼就是調節y坐標軸的範圍，從而讓圖片每個柱子對到y軸的0刻度水平上面。
2.展示多個變量的條形圖
當一張條形圖當中需要展示多個統計信息時，就需要將兩個分類變量統一到一張條形圖當中。那麼這張條形圖必定不會以單一的條形柱子來呈現。
當汽車的class和trans都屬於分類型變量的時候，就需要用分組型條形圖（一種比較簡單的聚類圖）來展現數據。按照上面的代碼，就可以畫出以下的圖片：
可以直觀地展現出來各種類型汽車當中，手動擋還是自動擋的車型比較多。
3.對圖形設置顏色
由於這幾張圖的顏色著實有些浮誇，我們可以自己動手，來調整圖形的顏色。
可以用scale_fill_brewer()這個標量函數：
是不是看著稍微好一些了。。要想生活過得去，總得頭上帶點綠。還是可以比較容易看得出來在suv汽車中，自動擋的汽車比較多，在compact緊湊級轎車中，手動擋m5的汽車比較多~沒辦法，經濟基礎決定上層建築啊。。。
一個彩蛋設置error_bar
啥是error_bar? 簡單來說就是誤差線,一般會以每組數據的平均值±標準差se的形式展現在每個柱子上面，只要畫條形圖，我們就繞不開error_bar這個事情，在ggplot包中，我們可以利用geom_bar()這個函數來進行error_bar的設定。可以看出來，error_bar在ggplot包中也被認為是一種映射對象。所以它值得擁有一個專門的函數來把它畫到畫布之上~
以上四個函數能實現的功能就是在提供x軸數據、y坐標數據的max和min值得情況下繪製不同形態的垂直線段，用來展示誤差線。
cycles<- c(rep('G1',3),rep('S',3),rep('G2',3),rep('M',3),
rep('G1',3),rep('S',3),rep('G2',3),rep('M',3))
condition<- c(rep('control',12),rep('treat',12))
value<- c(sample(70:80,3),sample(10:16,3),sample(20:30,3),sample(1:9,3),
sample(10:20,3),sample(2:10,3),sample(70:80,3),sample(20:30,3))
mydat1<- data.frame(cycles,condition,value)
ggplot(data = mydat1,aes(condition,value,fill=cycles))+
geom_bar(stat = 'identity',position = position_dodge(),width = 0.5)+
scale_fill_brewer(type = 'qual', palette = 7)+
labs(x = '',y = 'Cell cycle percentage', title = '')+
geom_errorbar(aes(ymax=value+se,ymin=value-se),
position=position_dodge(0.5),width=0.15,color='black')+
theme_light()
這裡我們用的是自己編的數據集，模擬了實驗對照組和加藥處理組細胞周期的變化，可以用如上這種分組條形圖展示出來，可以看出來藥物處理組的G2期細胞比率要明顯高於對照組，對照組的細胞主要在G1期，所以用藥物處理細胞可能會引起細胞阻滯在G2周期。當然這是我們假想的數據，具體情況需要自己做流失細胞術，分析自己的實驗數據。一般要做三組的平行重複~這樣error bar會展示出來組內三個重複數據之間的的差別，從而讓文章讀者看到實驗結果的穩定性。
一個後記
一百年前，1919年1月18日，一戰戰勝國在巴黎召開「和平會議」。中國派出代表團，以戰勝國身份參加和會，提出取消列強在華的各項特權，取消日本帝國主義與袁世凱訂立的「二十一條」等不平等條約，歸還大戰期間日本從德國手中奪去的山東各項權利等要求。巴黎和會在帝國主義列強操縱下，不但拒絕中國的要求，而且在對德合約上，明文規定把德國在山東的特權，全部轉讓給日本。北洋政府竟準備在「對德和約」上簽字，激起廣大愛國青年學生的「五四運動」，亦稱為「五四風雷」，其標誌了舊民主主義革命和新民主主義革命的分水嶺。
百年風雨過後，2019年5月4日，當今中國的面貌已經煥然一新，已從百年前的積貧積弱、千瘡百孔中復甦並漸漸崛起。此過程，離不開無數先輩們的無畏犧牲和無私奉獻；他們（在不同的領域，默默無聞但無比堅定）付出自己的汗水、智慧，放棄個人前途、名利，甚至犧牲了家庭的幸福，為的是國家的發展和進步，這其中或許就包括了你我的祖輩、父輩。
現今的中國，距離真正的富強仍有一段路要走，作為剛進入社會的萬千青年人之一，十分感激各位老師和前輩們的無私傳授，也逐漸明白了我們肩上的責任；五四運動中以暴力反對反動政治只是表象，這個時代的年輕人或許對』個人奮鬥『與「家國情懷」之間的關係有著不同的理解，但「愛國、進步、民主、科學」的五四精神根植於一代又一代中國青年思想當中。祝願各位在各自的專業領域中，能找到自己努力的方向，有所堅持。