精华内容
下载资源
问答
  • 利用动态气泡图进行数据分析

    千次阅读 2020-05-18 08:18:00
    作者:林骥 来源:林骥01你好,我是林骥。一个动态气泡图,可以展现多个维度的信息。比如说,要对比分析中国和美国从 1800 年以来每年的人口数量、人均收入和预期寿命,我...

         作者:林骥

         来源:林骥

    01

    你好,我是林骥。

    一个动态气泡图,可以展现多个维度的信息。

    比如说,要对比分析中国和美国从 1800 年以来每年的人口数量、人均收入和预期寿命,我们可以这样设置每个维度代表的含义:

    (1)X 轴:人均收入;

    (2)Y 轴:预期寿命;

    (3)气泡大小:人口;

    (4)气泡颜色:国家;

    (5)时间变化:年份。

    利用 matplotlib 制作动画的功能,我做了一个动态气泡图的视频:

    在作图的细节方面,我做了一下刻意的调整:

    (1)图表标题文字用深灰色,并且左对齐;

    (2)X 轴和 Y 轴的标题与数字对齐,竖向的文字分行逐字显示;

    (3)气泡的颜色与对应的文字使用接近的颜色;

    (4)去掉网格线、图例、边框、刻度线等元素;

    (5)只选取两个国家的数据。

    以上这些刻意的调整,主要是为了更加突出地展现数据本身,或许让人看起来比较「素颜」,但是不要忘了我们作图的目标,是让观众更加快速地理解想要表达的信息,而不是靠「浓妆艳抹」去吸人眼球。

    数据可视化,有时需要有批判性思维,突出数据中的重要内容。我们可以从设计师身上学习,多想一想数据可视化的目标是什么,尽可能让数据更利于观众理解,而不能拿着数字,就开始盲目地画图。

    02

    接下来,我们看看用 matplotlib 画图的具体步骤。

    首先,导入所需的库,并设置中文字体和定义颜色等。

    # 导入所需的库
    import numpy as np
    import pandas as pd
    import matplotlib as mpl
    import matplotlib.pyplot as plt
    from matplotlib.animation import FuncAnimation
    
    
    # 正常显示中文标签
    mpl.rcParams['font.sans-serif'] = ['SimHei']
    
    
    # 自动适应布局
    mpl.rcParams.update({'figure.autolayout': True})
    
    
    # 正常显示负号
    mpl.rcParams['axes.unicode_minus'] = False
    
    
    # 禁用科学计数法
    pd.set_option('display.float_format', lambda x: '%.2f' % x)
    
    
    # 定义颜色,主色:蓝色,辅助色:灰色,互补色:橙色
    colors = {'蓝色':'#00589F', '深蓝色':'#003867', '浅蓝色':'#5D9BCF',
              '灰色':'#999999', '深灰色':'#666666', '浅灰色':'#CCCCCC',
              '橙色':'#F68F00', '深橙色':'#A05D00', '浅橙色':'#FBC171'}
    

    其次,从 Excel 文件中读取数据,并定义画图用的数据。

    # 读取从 https://www.gapminder.org/data 下载的 Excel文件
    dfx = pd.read_excel('./data/income_per_person.xlsx', index_col='country')
    dfy = pd.read_excel('./data/life_expectancy_years.xlsx', index_col='country')
    dfs = pd.read_excel('./data/population_total.xlsx', index_col='country')
    

    接下来,开始用「面向对象」的方法进行画图。

    # 使用「面向对象」的方法画图,定义图片的大小
    fig, ax = plt.subplots(figsize=(9, 6))
    
    
    # 设置边框颜色
    ax.spines['top'].set_visible(False)
    ax.spines['bottom'].set_visible(False)
    ax.spines['left'].set_visible(False)
    ax.spines['right'].set_visible(False)
    
    
    # 隐藏刻度线
    ax.tick_params(axis='x', which='major', length=0)
    ax.tick_params(axis='y', which='major', length=0)
    
    
    # 设置坐标标签字体大小和颜色
    ax.tick_params(labelsize=16, colors=colors['深灰色'])
    
    
    # 动画函数
    def animate(year):
        # 先清空画布,让画面动态显示新的数据
        ax.cla()
    
    
        # 设置标题
        ax.text(-11000, 106, '\n中美人口数量、人均收入和预期寿命的动态变化\n', fontsize=26, color=colors['深灰色'])
    
    
        # 主要通过数字 year 来控制图形的变化,year = 0 代表第 1 年,当 year 增加,相应的画图数据发生变化
    
    
        # 中国数据
        x = dfx.loc['China'].iloc[year, ]
        y = dfy.loc['China'].iloc[year, ]
        s = dfs.loc['China'].iloc[year, ]/100000000
        # 画气泡图
        ax.scatter(x, y, s*500, c = colors['浅蓝色'], alpha=0.9)
        # 设置显示的文本标签
        ax.text(x, y-18.5, '中国 ' + '%.2f' % s + ' 亿人\n$' + '%.0f' % x + ',' + '%.1f' % y + ' 岁', 
                fontsize=16, c = colors['深蓝色'], ha='center', va='center')
    
    
        # 美国数据
        x = dfx.loc['United States'].iloc[year, ]
        y = dfy.loc['United States'].iloc[year, ]
        s = dfs.loc['United States'].iloc[year, ]/100000000
        # 画气泡图
        ax.scatter(x, y, s*500, c = colors['浅橙色'], alpha=0.9)
        # 设置显示的文本标签
        ax.text(x, y+15.5, '美国 ' + '%.2f' % s + ' 亿人\n$' + '%.0f' % x + ',' + '%.1f' % y + ' 岁', 
                fontsize=16, c = colors['深橙色'], ha='center', va='top')
    
    
        # 设置坐标轴范围
        ax.set_xlim(-5000, 65000)
        ax.set_ylim(0, 100)
    
    
        # 设置 X、Y 轴的标题,适当留白
        ax.text(-1000, -15, '人均收入$', ha='left', fontsize=16, color=colors['深灰色'])
        ax.text(-11000, 103, '预\n期\n寿\n命', va='top', fontsize=16, color=colors['深灰色'])
    
    
        # 更新文本的位置和内容
        x_mean = (ax.get_xlim()[0] + ax.get_xlim()[1]) / 2
        y_mean = (ax.get_ylim()[0] + ax.get_ylim()[1]) / 2
        ax.text(x_mean, y_mean, str(1800 + year), ha='center', va='center', fontsize=260, color=colors['灰色'], zorder=-1, alpha=0.2)
    
    
    # 用函数的方式绘制动画,frames 表示动画的张数, interval 表示间隔毫秒数
    anim = FuncAnimation(fig, animate, frames=220, interval=100)
    
    
    
    
    # 保存为 mp4 的文件格式
    anim.save('动态气泡图.mp4')
    

    你可以前往 https://github.com/linjiwx/mp 下载画图用的数据和完整代码。

    03

    下面对这个动态气泡图做一个简单的数据分析。

    两个气泡的位置在不断变化,整体趋势都是从左下角向右上角移动,左下角代表贫穷和疾病,右上角代表富有和健康,说明两个国家的人们变得越来越富有、越来越长寿;气泡的大小也在不断变化,整体趋势是越变越大,代表人口越来越多。

    在这个动态气泡图中,有短暂向下的波动,如果我们追溯当年发生的事件,那么就会发现,战争等重大灾难对人们的预期寿命影响非常大。

    从上面的分析可以看出,真正有意思的,并不是数据本身,而是数据背后隐藏的信息。

    人们都希望知道数据有什么意义,如果你能帮助他们,让他们更容易理解数据的意义,那么你就为他们创造了价值。

    要想更容易理解数据,可视化是一种非常有效的方法,把数据放在视觉空间中,我们的大脑就会更容易发现数据背后潜藏的信息。

    对数据进行可视化,我们也要有「双赢思维」,让观众的兴趣与自己想要传递的信息保持一致,实现双赢。

    如果只顾观众的兴趣,弄了一堆花哨的东西,但是没有传递有价值的信息,那么只是浪费观众和自己的时间和精力。

    如果不顾观众的兴趣,则做出的图表可能没人看,就容易碌碌无为,最终也体现不出自己的价值

    ◆ ◆ ◆  ◆ ◆

    长按二维码关注我们


    数据森麟公众号的交流群已经建立,许多小伙伴已经加入其中,感谢大家的支持。大家可以在群里交流关于数据分析&数据挖掘的相关内容,还没有加入的小伙伴可以扫描下方管理员二维码,进群前一定要关注公众号奥,关注后让管理员帮忙拉进群,期待大家的加入。

    管理员二维码:

    猜你喜欢

     笑死人不偿命的知乎沙雕问题排行榜

     用Python扒出B站那些“惊为天人”的阿婆主!

     全球股市跳水大战,谁最坑爹!

     华农兄弟、徐大Sao&李子柒?谁才是B站美食区的最强王者?

     你相信逛B站也能学编程

    展开全文
  • Kegg通路或者GO本体论富集分析是基因功能注释最常见的分析,结果可以以多种形式展示,最常用的包括:条形/bar气泡图/dot等,其中气泡图输入数据一般包括以下4个维度的信息: 名字,富集倍数(或者gene ...

    Kegg通路或者GO本体论富集分析是基因功能注释最常见的分析,结果可以以多种形式展示,最常用的包括:条形图/bar图,气泡图/dot图等,其中气泡图输入数据一般包括以下4个维度的信息:

    名字,富集倍数(或者gene ratio),P值,基因count。

    例如:

    pathway

    enrichment

    pvalue

    count

    RNA transport

    4.807258641

    1.56E-05

    15

    Epstein-Barr virus infection

    4.569261748

    2.70E-05

    16

    HTLV-I infection

    3.814616521

    0.000153244

    17

    Tuberculosis

    3.454180941

    0.000351414

    13

    MAPK signaling pathway

    3.378131581

    0.000418667

    16

    Neurotrophin signaling pathway

    3.212102971

    0.000613617

    10

    Long-term potentiation

    3.000035266

    0.000999919

    7

    Dopaminergic synapse

    2.967026455

    0.001078881

    10

    Endocytosis

    2.841316731

    0.001441064

    15

    Herpes simplex infection

    2.775219173

    0.001677957

    12

                         4维分析结果

    做出来的例图如下(微生信平台免费在线做气泡图

     

    富集气泡图

    该图包含的4维信息有:

    1. Y轴的通路名(pathway,结果表格的第一列)
    2. X轴的富集倍数(enrichment结果表格的第二列)
    3. 点的颜色(P值,结果表格的第三列)
    4. 点的大小(count,该通路中包含的基因与输入基因列表交集的基因数)。

    其中基因的信息就丢失了,那么我们能否将基因的信息也加入到图中呢?答案是肯定的!

    让我们先来看看5维的分析结果,以clusterProfiler结果为例:

     

    Description

    GeneRatio

    pvalue

    geneID

    Count

    Circadian rhythm

    0.014085

    0.010497623

    RORA/RORB

    2

    NOD-like receptor signaling pathway

    0.028169

    0.03303255

    CASP8/TRIP6/MAPK8/CASP1

    4

    PPAR signaling pathway

    0.028169

    0.008761306

    CD36/AQP7/LPL/CYP4A11

    4

    Viral myocarditis

    0.028169

    0.009484362

    CASP8/MYH7/SGCB/SGCD

    4

    Hypertrophic cardiomyopathy (HCM)

    0.042254

    0.014532337

    MYH7/MYL2/MYL3/SGCB/SGCD/SLC8A1

    6

    Dilated cardiomyopathy

    0.042254

    0.020924238

    MYH7/MYL2/MYL3/SGCB/SGCD/SLC8A1

    6

    Osteoclast differentiation

    0.049296

    0.034284302

    LILRB5/MAPK8/FHL2/FCGR1A/IFNGR2/FOS/LILRB3

    7

    Phagosome

    0.049296

    0.018180176

    TUBA3D/THBS4/SFTPD/CD36/FCGR1A/TUBA3E/DYNC1I1

    7

    Huntington's disease

    0.056338

    0.001736229

    TBPL1/CASP8/VDAC3/CREB5/PPID/CLTB/NDUFA12/GRIN2B

    8

    5

    根据这里的基因,我们可以在气泡图的基础上,添加一个基因维度,列出基因名字。若下图所示(瞬间眼前一亮有没有)

    升级版的5维富集气泡图

    该图左侧为基因,右侧为常规的气泡图。

    包含的5维信息有:

    1. Y轴的通路名(pathway,结果表格的第一列)
    2. X轴的基因ratio(gene ratio结果表格的第二列)
    3. 点的颜色(P值,结果表格的第三列)
    4. 基因名字(结果表格的第四列,图中左侧的桑吉图,连线表示隶属关系)
    5. 点的大小(count,结果表格的第五列)

     

    秉承一贯简洁的作用,微生信平台支持直接输入数据,就可以做出来这张桑吉气泡图,尝鲜版,赶紧试试吧!

     

    微生信平台桑吉气泡图

     

    微生信云平台(http://www.bioinformatics.com.cn)以在线作图、在线数据分析为基本方式,致力于0代码分析科研数据,0代码展示数据结果,帮助生命科学、医学等领域的科研工作者更便捷地分析数据,了解数据,挖掘数据背后的生物医学意义,辅助科研,促进知识传播。

    平台以110多款在线作图/分析模块为依托,汇聚了国内外超过16000名生命科学等领域的注册用户。在这里,您可以:

    • 零代码在线调用100多种分析模块(持续努力编写中)
    • 零代码在线绘制110+款科研图片(已完成100多种)

    微生信 -- 全天候满足您的非分之想,赶紧微信扫描添加我们吧!

     

    展开全文
  • 气泡图制作手法示例

    2020-07-20 18:38:05
    示例数据: HY:一个系列一个系列添加: HY :操作手法: LLZ:操作手法(效率更高)

    示例数据:
    在这里插入图片描述
    HY:一个系列一个系列添加:
    在这里插入图片描述
    HY :操作手法:
    在这里插入图片描述
    LLZ:操作手法(效率更高)
    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • 主要介绍了jQuery插件HighCharts实现气泡图效果,结合完整实例形式分析了jQuery插件HighCharts绘制气泡图的实现技巧,并附带demo源码供读者下载参考,需要的朋友可以参考下
  • 之前的文章有介绍过一般的散点都是反映两个数值型变量的关系,所以如果还想通过散点添加第三个数值型变量的信息,一般可以使用气泡图气泡图的实质就是通过第三个数值型变量控制每个散点的大小,点越大,代表...

    (关系型数据的可视化)
    气泡图是散点图中的一种类型,可以展现三个数值变量之间的关系
    之前的文章有介绍过一般的散点图都是反映两个数值型变量的关系,所以如果还想通过散点图添加第三个数值型变量的信息,一般可以使用气泡图。
    气泡图的实质就是通过第三个数值型变量控制每个散点的大小,点越大,代表的第三维数值越高,反之亦然。接下来将会介绍如何通过Python绘制气泡图。

    1、matplotlib模块

    在上一篇散点图文章中,应用matplotlib模块中的scatter函数绘制了散点图,本文将继续使用该函数绘制气泡图。要实现气泡图的绘制,关键的参数是s,即散点图中点的大小,如果将数值型变量传递给该参数,就可以轻松绘制气泡图了。如果读者对该函数的参数含义还不是很了解,可以下面的参数含义说明:

    scatter(x, y, s=20, c=None, marker='o', cmap=None, norm=None, vmin=None,
         vmax=None, alpha=None, linewidths=None, edgecolors=None)
    
    • x:指定散点图的x轴数据。
    • y:指定散点图的y轴数据。
    • s:指定散点图点的大小,默认为20,通过传入其他数值型变量,可以实现气泡图的绘制。
    • c:指定散点图点的颜色,默认为蓝色,也可以传递其他数值型变量,通过cmap参数的色阶表示数值大小。
    • marker:指定散点图点的形状,默认为空心圆。
    • cmap:指定某个Colormap值,只有当c参数是一个浮点型数组时才有效。
    • norm:设置数据亮度,标准化到0~1,使用该参数仍需要参数c为浮点型的数组
    • vmin、vmax:亮度设置,与norm类似,如果使用norm参数,则该参数无效。 alpha:设置散点的透明度。
    • linewidths:设置散点边界线的宽度。
    • edgecolors:设置散点边界线的颜色。

    下面以某超市的商品类别销售数据为例,绘制销售额、利润和利润率之间的气泡图,探究三者之间的关系:
    在这里插入图片描述
    绘图代码如下:

    import pandas as pd
    import matplotlib.pyplot as plt
    
    #设置绘图风格
    plt.style.use('ggplot')
    #处理中文乱码
    plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
    #坐标轴负号的处理
    plt.rcParams['axes.unicode_minus']=False
    # 读取数据
    Prod_Category = pd.read_excel(r'某超市的商品类别销售数据.xlsx')
    # 将利润率标准化到[0,1]之间(因为利润率中有负数),然后加上微小的数值0.001
    range_diff = Prod_Category.Profit_Ratio.max()-Prod_Category.Profit_Ratio.min()
    Prod_Category['std_ratio'] = (Prod_Category.Profit_Ratio-Prod_Category.Profit_Ratio.min())/range_diff + 0.001
    
    # 绘制办公用品的气泡图
    plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == '办公用品'],
               y = Prod_Category.Profit[Prod_Category.Category == '办公用品'],
               s = Prod_Category.std_ratio[Prod_Category.Category == '办公用品']*1000,
               color = 'steelblue', label = '办公用品', alpha = 0.6
                )
    # 绘制技术产品的气泡图
    plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == '技术产品'],
               y = Prod_Category.Profit[Prod_Category.Category == '技术产品'],
               s = Prod_Category.std_ratio[Prod_Category.Category == '技术产品']*1000,
               color = 'indianred' , label = '技术产品', alpha = 0.6
              )
    # 绘制家具产品的气泡图
    plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == '家具产品'],
               y = Prod_Category.Profit[Prod_Category.Category == '家具产品'],
               s = Prod_Category.std_ratio[Prod_Category.Category == '家具产品']*1000,
               color = 'green' , label = '家具产品', alpha = 0.6
              )
    # 添加x轴和y轴标签
    plt.xlabel('销售额')
    plt.ylabel('利润')
    # 添加标题
    plt.title('销售额、利润及利润率的气泡图')
    # 添加图例
    plt.legend()
    #设置纵坐标的刻度范围
    plt.ylim((-120000, 350000))
    # 显示图形
    plt.show()
    

    结果:
    在这里插入图片描述
    如上图所示,应用scatter函数绘制了分组气泡图,从图中可知,办公用品和家具产品的利润率波动比较大(因为这两类圆点大小不均)。从代码角度来看,绘图的核心部分是使用三次scatter函数,而且代码结构完全一样,如果读者对for循环掌握得比较好,完全可以使用循环的方式替换三次scatter函数的重复应用。
    需要说明的是,如果s参数对应的变量值小于等于0,则对应的气泡点是无法绘制出来的。这里提供一个解决思路,就是先将该变量标准化为[0,1],再加上一个非常小的值,如0.001。如上代码所示,最后对s参数扩大500倍的目的就是凸显气泡的大小。
    遗憾的是,pandas模块和seaborn模块中没有绘制气泡图的方法或函数,故这里就不再衍生了。如果读者确实需要绘制气泡图,又觉得matplotlib模块中的scatter函数用起来比较灿琐,可以使用Python的bokeh模块,有关该模块的详细内容,可以查看官方文档。

    展开全文
  • 导读:什么是气泡图?可以用来呈现哪些数据关系?在数据分析过程中可以解决哪些问题?怎样用Python绘制气泡图?本文逐一为你解答。作者:屈希峰来源:大数据DT(ID:bigdatadt)0...
  • 提示:以下是本篇文章正文内容,下面案例可供参考 一、compareCluster函数 这个函数是clusterProfile中自带的函数,可以对多个基因集分别进行基因富集分析,并使用使用气泡图进行可视化,方便比较。 二、使用步骤 1...
  • Pathway富集分析气泡图

    千次阅读 2019-09-23 19:39:17
    data.tsv > pathway = read.table("data.tsv",header = T, sep="\t") > library(ggplot2) > p = ggplot(pathway,aes(Pvalue,Pathway)) > p=p + geom_point() ... p=p + geom_point...
  • s:指定散点点的大小,默认为20,通过传入其他数值型变量,可以实现气泡图的绘制 c:指定散点点的颜色,默认为蓝色,也可以传递其他数值型变量,通过cmap参数的色阶表示数值大 小 marker:指定散点点的形状,...
  • 用 python 画散点气泡图

    万次阅读 多人点赞 2019-08-23 00:27:15
    散点是数据点在直角坐标系平面上的分布,在统计学的回归分析与预测中经常用到。用横轴代表变量 xxx,纵轴代表变量 yyy,每组数据 (xi,yi)(x_i, y_i)(xi​,yi​) 在坐标系中用一个点表示。 做散点要用到 pyplot...
  • Tableau数据分析-Chapter03基本表、树状气泡图、词云 基本表 基本表的使用 凸显表的使用 树形 不同类型电影数量与票房 香港不同地区酒店数量与价格 气泡图与词云 不同类型电影数量与票房 动作电影动态...
  • 气泡图标题和颜色

    2020-12-18 00:46:06
    您可以将一个N随机数数组提供给colormap以获得N随机颜色,然后在调用plt.scatter时将其用作color参数。color可以是与大小和填充列表长度相同的颜色列表,它将分别为每个散点着色。plt.title接受参数y,它将调整标题...
  • 【python数据分析】绘制疫情可视化地图、气泡图

    千次阅读 多人点赞 2020-05-26 21:57:05
    绘制图形4.1 疫情可视化地图4.2 疫情可视化气泡图4.3 疫情可视化气泡图(增添颜色)5. 防杠处理5.1 南海版图5.2 图形ps6. 手动防爬虫 1. 示例 一:具体某天的全国确诊病例可视化地图 二:具体某天的全国确诊...
  • 如何绘制气泡地图

    2021-07-29 17:57:28
    气泡地图用气泡来显示不同地理位置之间对应的数值,使用气泡的大小、颜色及形状表示相对差异。Wyn Enterprise内置气泡地图能力,可以快速绘制气泡地图。 气泡地图支持通过位置名称和经纬度两种方式来定位位置。 如...
  • 气泡图与散点使用的是同一个函数,这里对所涉及的参数进行补充说明。 ● text:列表,元素为相应节点的悬浮文字内容。 ● marker:数据节点参数,包括大小、颜色、格式等,有如下设置 项。 ➢ size:列表,元素为...
  • ggplot2—Pathway富集分析气泡图

    千次阅读 2019-10-04 08:54:39
    三、Bioconductor(针对基因组分析的一组R语言扩展包)  http://www.bioconductor.org/packages/release/bioc/html/clusterProfiler.html 转载于:https://www.cnblogs.com/fangfang66/p/7890708.html
  • R可视化 | 气泡图

    2021-03-17 10:31:54
    气泡图通过气泡的位置及面积大小,可分析数据之间的相关性。本文可以看作是《R语言数据可视化之美》的学习笔记。前两部分可见(跳转):该书对气泡图的绘制并不是非常详细,小编将内容进行了大量拓展。下面的例子将一...
  • 气泡图通过气泡的位置,面积大小和颜色等,可分析数据之间的相关性。 需要注意的是,圆圈状气泡的大小是映射到面积而不是半径或者直径绘制的。因为如果是基于半径或者直径,那么圆的大小不仅会呈指数级变
  • 通路富集分析气泡图(R实现)

    万次阅读 2019-02-18 16:43:39
    data.tsv  > pathway = read.table("data.tsv",header = T, sep="\t") > library(ggplot2) > p = ggplot(pathway,aes(Pvalue,... p=p + geom_point(aes(si...
  • #根据Count设定气泡大小# pbubble = p+ geom_point(aes(size=Count,color=(-1)*log10(qwe$Pvalue)))#设置渐变色# pr = pbubble+scale_color_gradient(low="green",high = "red") pr = pr+labs(color=expression(-log...
  • 高光去除和多元图像分析在浮选气泡图像颜色测量中的应用
  • 我试图绘制一个动态大小的气泡图(散点)。当我试图用随机数据作图时,我能很好地作图。但当我试图分析我的输入文件时,我无法绘制。输入:Nos,Place,Way,Name,00:00:00,12:00:00123,London,Air,Apollo,342,972123...
  • Python数据可视化之气泡图数据获取数据分析与散点对比绘制气泡图确定需要对比的属性 数据获取        •绘制气泡所需的数据与之前散点的数据是一样的,都是美国中西部地区...
  • KEGG功能富集气泡图

    千次阅读 2021-02-07 16:33:31
    #点的大小表示基因的数目,颜色表示pvalue的值# > library(ggplot2) > pathway <- read.csv("kegg.csv",header = T) > head(pathway) Pathway AvsB All_Unigene Pvalue Qvalue 1 Plant hormone signal ...
  • matplotlib绘制简单气泡图

    千次阅读 2020-07-03 16:27:52
    matplotlib绘制简单气泡图 import matplotlib.pyplot as plt import pandas as pd import numpy as np data = pd.read_csv("crimeRatesByState2005.csv") data = data[data.state != 'United States'] # print(data...
  • Python画气泡图Bubble

    千次阅读 2020-07-23 20:14:00
    import matplotlib.pyplot as plt import numpy as np my_dpi=96 plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi) x = np.random.rand(40) y = np.random.rand(40) z = np.random.rand(40) ...
  • 提出了一种分析气泡远场干涉的理论模型。平行激光束照射到透明介质中的气泡上,折射光束与全反射光束在远场发生干涉形成内密外疏圆环状干涉条纹,推求了两平行出射光线的光程差公式和两光线之间的距离公式,分析了圆...
  • 全球疫情及疫苗接种进度可视化之一--全球疫情形势动态地图展示安装plotly库全球疫情形势定义工具函数抽取数据绘制动态图表重抽样数据抽取、整理与可视化展示抽取原始数据按周重抽样气泡图可视化气泡图进阶 ...
  • 在对基因完成GO/KEGG分析后,使用气泡图可以直观的展示pathway、pvalue、count之间的关系。下面为使用R语言ggplot2包绘制气泡图所需的数据结构及代码: 由于笔者常使用read.csv读取文件,因此在第一列预留行名,...
  • # 绘制pathway富集散点 pr = pbubble + scale_colour_gradient(low="green",high="red") + labs(color=expression(-log[10](Qvalue)),size="Gene number", x="Rich factor",y="Pathway name",title="Top20 of ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 12,869
精华内容 5,147
关键字:

气泡图分析