本文绘制这种图：

每个SNP在染色体上的分布图，也称为SNP密度图，不同的颜色表示1Mb内包含的SNP个数。

用到的R包CMplot

安装方法：

install.packages("CMplot")

数据格式

plink的map格式：

1 1_320344 0 320344
1 1_342499 0 342499
1 1_509942 0 509942
1 1_538165 0 538165
1 1_565638 0 565638
1 1_612572 0 612572
1 1_722644 0 722644
1 1_791066 0 791066
1 1_813662 0 813662
1 1_865366 0 865366

也可以只包括三列数据：

• 染色体
• SNP名称
• 物理位置

代码

library(data.table)
library(CMplot)
map1 = fread("re1.map",header = F)
head(map1)

mm = map1 %>% dplyr::select(SNP = 2,Chromosome=1,Position = 4)
head(mm)

CMplot(mm,plot.type="d",bin.size=1e6,col=c("darkgreen", "yellow", "red"),
       file="tiff",memo="",dpi=300,file.output=TRUE, verbose=TRUE)

CMplot(mm,plot.type="d",bin.size=1e6,col=c("darkgreen", "yellow", "red"),
       file="tiff",memo="",dpi=300,file.output=FALSE, verbose=TRUE)

结果

很简单有没有！！！

直方图和核密度图

1 pandas 方法
import pandas as pd
import matplotlib.pyplot as plt # 不能漏掉.pyplot
data=pd.read_csv(r’C:\01Pylearn\data_for_analysis\table4-3.csv’, sep=’,’, engine=‘python’, encoding=‘utf-8’)
#分割符错误会导致问题
data
data.Age.plot(kind=‘hist’, bins=20, color=‘blue’, edgecolor=‘black’, density= True, label= “直方图”) # normed不再使用，更新为density
data.Age.plot(kind=‘kde’, color = ‘red’, label=‘核密度图’)
plt.xlabel(‘年龄’)
plt.ylabel(‘核密度’)
plt.title(‘年龄分布图’)
plt.legend()
#中文符号显示问题
plt.rcParams[‘font.sans-serif’]=[‘SimHei’]
plt.show()

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

data =pd.read_csv(r’C:\01Pylearn\data_for_analysis\table4-3.csv’, sep=’,’, engine=‘python’, encoding=‘utf-8’)
data
Age_Male= data.Age[data.Sex==‘male’]
Age_Male_dropna=Age_Male.dropna() #需要清理没有数据的

Age_Female= data.Age[data.Sex==‘female’]
Age_Female_dropna=Age_Female.dropna()

sns.distplot(Age_Male_dropna, bins=20, kde= False, hist_kws = {‘color’:‘blue’}, label=‘男性’)
sns.distplot(Age_Female_dropna, bins=20, kde= False, hist_kws = {‘color’:‘red’}, label=‘女性’)

plt.title(‘年龄分布图’)
plt.legend()
#中文符号显示问题
plt.rcParams[‘font.sans-serif’]=[‘SimHei’]
plt.show()

sns.distplot(Age_Male_dropna,hist= False, kde_kws = {‘color’:‘blue’, ‘linestyle’:’-’},norm_hist= True,label=‘男性’)
sns.distplot(Age_Female_dropna,hist= False, kde_kws = {‘color’:‘blue’, ‘linestyle’:’–’},norm_hist= True,label=‘女性’)
plt.title(‘年龄核密度图’)
plt.legend()
#中文符号显示问题
plt.rcParams[‘font.sans-serif’]=[‘SimHei’]
plt.show()

当我们想要弄清楚变量的统计特性时，往往想知道它是服从什么分布的，这时候就需要绘制概率分布直方图

在python中我们可以使用seaborn库来进行绘制：

Seaborn是一个基于matplotlib的Python数据可视化库。它为绘制有吸引力和信息丰富的统计图形提供了高级界面。

首先需要导入seaborn库：

import seaborn as sns

在seaborn中的distplot函数可以完成概率分布直方图和密度图的绘制

seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False,
fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None,
color=None, vertical=False, norm_hist=False, axlabel=None,
label=None, ax=None)

下面直接给出我绘制时用到的代码：

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
from scipy.stats import norm
from scipy.stats import laplace

txt=[]
data=[]
path = r"E:\rtklib\rtklib-test1\stav.txt"

#mpl.rc("figure", figsize=(9, 5))
with open(path, "r") as f:
    txt.append(f.readlines())

for i in range(len(txt[0])):
    data.append(float(txt[0][i].strip().split(',')[1]))

sns.set_palette("hls")
#sns.set_style("whitegrid")
plt.figure(dpi=120)
sns.set(style='dark')
sns.set_style("dark", {"axes.facecolor": "#e9f3ea"})
g = sns.distplot(data,
                 hist=True,
                 kde=True,  # 开启核密度曲线kernel density estimate (KDE)
                 kde_kws={'linestyle': '--', 'linewidth': '1', 'color': '#c72e29',
                          # 设置外框线属性
                          },
                 fit=norm,
                 color='#098154',
                 axlabel='Standardized Residual',  # 设置x轴标题

                 )

plt.show()

其中，distplot的参数中，kde表示是否绘制核密度曲线；fit是选择拟合的分布，来分析数据究竟是符合什么分布，seaborn中提供了很多分布，可以在这里找到，使用时如上我的代码中导入的那样就可以：连续分布类型
最后的效果图如下：

绘制过程中没有加入太多修饰，如果想要好看一点，可以修改一些参数：
其中一个有设置背景 的风格，主要有以下几种：

sns.set_style("whitegrid")
sns.set_style("dark")
sns.set_style("darkgrid")
sns.set_style("white")
sns.set_style("ticks")