绘制堆叠柱状图,重点重点在于geom_bar中postion="stack",
数据参考:https://www.omicsclass.com/article/92
dat
type Sample Num
1 A sample1 90
2 B sample1 34
3 C sample1 56
4 D sample1 99
5 E sample1 15
6 A sample2 50
7 B sample2 20
8 C sample2 24
9 D sample2 70
10 E sample2 14
绘图部分将geom_bar(position="stack")设置成堆叠类型可以生成堆叠的柱状图,默认fill的顺序是”Sample“因子的顺序,如果不是有序因子一般是字母排序的顺序。
p = ggplot(dat, aes(x = type,y = Num,fill = Sample))+
####position="stack"堆叠状
geom_bar(stat ="identity",width = 0.6,position ="stack")+
scale_fill_manual(values = c("red","blue"))+
labs(x = "",y = "", title = "test")+
####文字标签和geom_bar的参数position一致,同时调整文字位置vjust=0.5
geom_text(aes(label = dat$Num),position=position_stack(vjust =0.5),size = 5)+
guides(fill = guide_legend(reverse = F))+
theme(plot.title = element_text(size = 25,face = "bold", vjust = 0.5, hjust = 0.5),
legend.title = element_blank(),
legend.text = element_text(size = 18, face = "bold"),
legend.position = 'right',
legend.key.size=unit(0.8,'cm'))
print(p)
反向堆叠操作position_stack(reverse=T)
p = ggplot(dat, aes(x = type,y = Num,fill = Sample))+
####position="stack" 改为"postion_stack(reverse=T) 反向堆叠
geom_bar(stat ="identity",width = 0.6,position =position_stack(reverse = T))+
scale_fill_manual(values = c("red","blue"))+
labs(x = "",y = "", title = "test")+
####文字标签和柱子一样需要反向堆叠
geom_text(aes(label = dat$Num),position=position_stack(reverse =T,vjust =0.5),size = 5)+
guides(fill = guide_legend(reverse = F))+
theme(plot.title = element_text(size = 25,face = "bold", vjust = 0.5, hjust = 0.5),
legend.title = element_blank(),
legend.text = element_text(size = 18, face = "bold"),
legend.position = 'right',
legend.key.size=unit(0.8,'cm'))
print(p)
如果想提升自己的绘图技能,我们推荐:R语言绘图基础(ggplot2)
1. 文章越来越难发?是你没发现新思路,基因家族分析发2-4分文章简单快速,学习链接:基因家族分析实操课程、基因家族文献思路解读
2. 转录组数据理解不深入?图表看不懂?点击链接学习深入解读数据结果文件,学习链接:转录组(有参)结果解读;转录组(无参)结果解读
3. 转录组数据深入挖掘技能-WGCNA,提升你的文章档次,学习链接:WGCNA-加权基因共表达网络分析
4. 转录组数据怎么挖掘?学习链接:转录组标准分析后的数据挖掘、转录组文献解读
5. 微生物16S/ITS/18S分析原理及结果解读、OTU网络图绘制、cytoscape与网络图绘制课程
6. 生物信息入门到精通必修基础课:linux系统使用、perl入门到精通、perl语言高级、R语言入门、R语言画图
7. 医学相关数据挖掘课程,不用做实验也能发文章:TCGA-差异基因分析、GEO芯片数据挖掘、GEO芯片数据标准化、GSEA富集分析课程、TCGA临床数据生存分析、TCGA-转录因子分析、TCGA-ceRNA调控网络分析
8.其他,二代测序转录组数据自主分析、NCBI数据上传、二代测序数据解读
如果觉得我的文章对您有用,请随意打赏。你的支持将鼓励我继续创作!