• R统计绘图-变量分组相关性网络图(igraph)

    一、数据准备

    数据是21个土壤样本的环境因子，细菌和真菌丰度数据。

    1. library(tidyverse)
    2. library(igraph)
    3. library(psych)
    4. ### 1.1 观测-变量数据表
    5. data<- read.csv("data.csv",header = TRUE,
    6.                   row.names = 1,
    7.                   check.names=FALSE,
    8.                   comment.char = "")
    9. head(data)
    10. ​
    11. ### 1.2 变量分类表
    12. type = read.csv("type.csv",header = TRUE,check.names = FALSE)
    13. type # 变量分类信息
    14. ​

    图1|观测-变量数据表。行为观测样本，列为变量。

    图2|变量分类表。node为变量名，type为变量分类。

    二、确定相关性关系

    2.1 计算相关性系数

    psych包的corr.test()计算相关性系数、显著性检验和p值校正。

    1. ### 2.1 计算相关性系数，建议使用spearman系数。
    2. cor <- corr.test(data, use = "pairwise",method="spearman",adjust="holm", alpha=.05,ci=FALSE) # ci=FALSE,不进行置信区间计算，数据量较大时，可以加快计算速度。
    3. cor.r <- data.frame(cor$r) # 提取R值
    4. cor.p <- data.frame(cor$p) # 提取p值
    5. colnames(cor.r) = rownames(cor.r)
    6. colnames(cor.p) = rownames(cor.p) # 变量名称中存在特殊字符，为了防止矩阵行名与列名不一致，必须运行此代码。
    7. write.csv(cor.r,"cor.r.csv",quote = FALSE,col.names = NA,row.names = TRUE) # 保存结果到本地
    8. write.csv(cor.p,"cor.p.csv",quote = FALSE,col.names = NA,row.names = TRUE)
    9. knitr::kable(
    10.   head(cor.r),
    11.   caption = "cor.r"
    12. )
    13. head(cor.p)

    图3|相关性p值矩阵。

    2.2 确定相关性关系

    1. ### 2.2 确定相关性关系 保留p<=0.05且abs(r)>=0.6的变量间相关关系
    2. #cor.r[abs(cor.r) < 0.6 | cor.p > 0.05] = 0
    3. #cor.r = as.matrix(cor.r)
    4. #g = graph_from_adjacency_matrix(cor.r,mode = "undirected",weighted = TRUE,diag = FALSE)
    5. #### 将数据转换为long format进行过滤，后面绘制网络图需要节点和链接数据，在这一步可以完成格式整理
    6. cor.r$node1 = rownames(cor.r) 
    7. cor.p$node1 = rownames(cor.p)
    8. r = cor.r %>% 
    9.   gather(key = "node2", value = "r", -node1) %>%
    10.   data.frame()
    11. p = cor.p %>% 
    12.   gather(key = "node2", value = "p", -node1) %>%
    13.   data.frame()
    14. head(r)
    15. head(p)
    16. #### 将r和p值合并为一个数据表
    17. cor.data <- merge(r,p,by=c("node1","node2"))
    18. cor.data
    19. #### 保留p<=0.05且abs(r)>=0.6的变量间相关关系，并添加网络属性
    20. cor.data <- cor.data %>%
    21.   filter(abs(r) >= 0.6, p <= 0.05, node1 != node2) %>%
    22.   mutate(
    23.     linetype = ifelse(r > 0,"positive","negative"), # 设置链接线属性，可用于设置线型和颜色。
    24.     linesize = abs(r) # 设置链接线宽度。
    25.     ) # 此输出仍有重复链接，后面需进一步去除。
    26. head(cor.data)

    图4|未删除重复链接前的链接属性表，cor.data。

    三、构建网络图结构数据

    3.1 网络图节点属性整理

    此步构建网络之后，还需要将网络图转换为简单图，去除重复链接。

    1. ### 3.1 网络图节点属性整理
    2. #### 计算每个节点具有的链接数
    3. c(as.character(cor.data$node1),as.character(cor.data$node2)) %>%
    4.   as_tibble() %>%
    5.   group_by(value) %>%
    6.   summarize(n=n()) -> vertices
    7. colnames(vertices) <- c("node", "n")
    8. head(vertices)
    9. #### 添加变量分类属性
    10. vertices %>%
    11.   select(-n) %>% # 因为此处的n不准确，所以先删除。
    12.   left_join(type,by="node") -> vertices 
    13. #### 网络图中节点会按照节点属性文件的顺序依次绘制，为了使同类型变量位置靠近，按照节点属性对节点进行排序。
    14. vertices$type = factor(vertices$type,levels = unique(vertices$type))
    15. vertices = arrange(vertices,type)
    16. write.csv(vertices,"vertices.csv",quote = FALSE,col.names = NA,row.names = FALSE)
    17. head(vertices)

    图5|节点属性表，vertices。

    3.2 构建graph结构数据

    1. ### 3.2 构建graph结构数据
    2. g <- graph_from_data_frame(cor.data, vertices = vertices, directed = FALSE )
    3. g
    4. vcount(g) # 节点数目：82
    5. ecount(g) # 链接数:297
    6. #get.vertex.attribute(g) # 查看graph中包含的节点属性
    7. #get.edge.attribute(g) # 查看graph中包含的链接属性

    图6|未删除重复链接前的graph，g。

    3.3 简单图

    1. ### 3.3 简单图
    2. is.simple(g) # 非简单图，链接数会偏高，所以需要转换为简单图。
    3. E(g)$weight <- 1
    4. g <- igraph::simplify(g,
    5.                       remove.multiple = TRUE,
    6.                       remove.loops = TRUE,
    7.                       edge.attr.comb = "first")
    8. #g <- delete.vertices(g,which(degree(g) == 0)) # 删除孤立点
    9. is.simple(g)
    10. E(g)$weight <- 1
    11. is.weighted(g)
    12. vcount(g) # 节点数目：21
    13. ecount(g) # 链接数:33

    3.4 计算节点链接数

    1. ### 3.4 计算节点链接数
    2. V(g)$degree <- degree(g)
    3. #vertex.attributes(g)
    4. #edge.attributes(g) 
    5. g

    图7|删除重复链接后的graph，g。

    3.5 保存graph数据到本地

    1. ### 3.5 graph保存到本地
    2. write.graph(g,file = "all.gml",format="gml") # 直接保存graph结构，gml能保存的graph信息最多。
    3. net.data  <- igraph::as_data_frame(g, what = "both")$edges # 提取链接属性
    4. write.csv(net.data,"net.data.csv",quote = FALSE,col.names = NA,row.names = FALSE) # 保存结果到本地。
    5. head(net.data)
    6. vertices  <- igraph::as_data_frame(g, what = "both")$vertices # 提取节点属性
    7. write.csv(vertices,"vertices.csv",quote = FALSE,col.names = NA,row.names = FALSE)
    8. head(vertices) # 直接读入之前保存的链接和节点属性文件，之后可直接生成graph或用于其他绘图软件绘图。

    图8|无重复链接属性表，net.data。

    图9|添加degree的新节点属性表，vertices。

    四、绘制分组网络图

    图属性：1) 节点根据分类属性填充颜色和背景色；2) 节点大小按degree设置；3) 链接线根据正负相关性设置颜色；4) 链接线宽度根据abs(r)设置。

    绘图前先确定网络图中的节点位置，即计算每个节点的(x，y)坐标，igraph包中有多个图布局计算函数，可根据不同的算法计算出网络图中的节点坐标位置。可以多尝试几种布局方式，找到最适合自己数据的布局。

    图10|网络图布局方式。来自《R语言数据可视化之美》。

    4.1 设置网络图布局

    1. ### 4.1 准备网络图布局数据
    2. #?layout_in_circle # 帮助信息中，有其它布局函数。
    3. layout1 <- layout_in_circle(g) # 径向布局适合节点较少的数据。
    4. layout2 <- layout_with_fr(g) # fr布局。
    5. layout3 <- layout_on_grid(g) # grid布局。
    6. head(layout1)

    4.2 设置绘图颜色

    1. ### 4.2 设置绘图颜色
    2. #?rgb() # 可以将RGB值转换为16进制颜色名称。
    3. #### 设置节点与分组背景色
    4. color <- c(rgb(65,179,194,maxColorValue = 255),
    5.           rgb(255,255,0,maxColorValue = 255),
    6.           rgb(201,216,197,maxColorValue = 255))
    7. names(color) <- unique(V(g)$type) # 将颜色以节点分类属性命名
    8. V(g)$point.col <- color[match(V(g)$type,names(color))] # 设置节点颜色。
    9. #names(color2) <- unique(V(g)$type) # 如果想要节点颜色与背景颜色不一致，则可以为节点单独设置一个颜色集。
    10. #V(g)$point.col <- color2[match(V(g)$type,names(color2))]
    11. #### 边颜色按照相关性正负设置
    12. #E(g)$color <- ifelse(E(g)$linetype == "positive",rgb(255,215,0,maxColorValue = 255),"gray50")
    13. E(g)$color <- ifelse(E(g)$linetype == "positive","red",rgb(0,147,0,maxColorValue = 255))

    图11|graph绘图布局，layout1。

    4.3 径向布局网络图

    与其他布局相比，径向网络图比较适合节点较少的数据。

    1. ### 4.3 绘制径向布局网络图
    2. pdf("network_group_circle.pdf",family = "Times",width = 10,height = 12)
    3. par(mar=c(5,2,1,2))
    4. plot.igraph(g, layout=layout1,#更多参数设置信息?plot.igraph查看。
    5.             
    6.      ##节点颜色设置参数##
    7.      vertex.color=V(g)$point.col,
    8.      vertex.frame.color ="black",
    9.      vertex.border=V(g)$point.col,
    10.      ##节点大小设置参数##
    11.      shape = 1,# 设置点形状
    12.      vertex.size=V(g)$degree*2, 
    13.      rescale =TRUE, # 默认设置
    14.      # 函数对设置的图节点大小进行vertex.size <- 1/200 * params("vertex", "size")等调整，因此节点大小与图例设置的节点大小不一致。需要手动调整。
    15.  
    16.      ##节点标签设置参数##
    17.      vertex.label=g$name,
    18.      vertex.label.cex=0.8,
    19.      vertex.label.dist=0, # 标签距离节点中心的距离，0表示标签在节点中心。
    20.      #vertex.label.degree = pi/4, # 标签对于节点的位置，0-右，pi-左，-pi/2-上，pi/2-下。
    21.      vertex.label.col="black",
    22.      
    23.      ##设置节点分组列表，绘制分组背景色##
    24.      mark.groups =list(V(g)$name[V(g)$type %in% names(color)[1]],
    25.                        V(g)$name[V(g)$type %in% names(color)[2]],
    26.                        V(g)$name[V(g)$type %in% names(color)[3]]
    27.                        ), #
    28.      mark.col=color,
    29.      mark.border=color,
    30.      #mark.expand = 1, # 设置背景阴影大小，1表示阴影边框刚全包节点。
    31.      ##链接属性参数以edge*开头##
    32.      edge.arrow.size=0.5,
    33.      edge.width=abs(E(g)$r)*2,
    34.      edge.curved = TRUE
    35.      )
    36. ##设置图例，与plot.igraph()函数一起运行##
    37. legend(
    38.   title = "Type",
    39.   list(x = min(layout1[,1])-0.2,
    40.        y = min(layout1[,2])-0.17), # 图例的位置需要根据自己的数据进行调整，后面需要使用AI手动调整。
    41.   legend = c(unique(V(g)$type)),
    42.   fill = color,
    43.   #pch=1
    44. )
    45.  
    46. legend(
    47.   title = "|r-value|",
    48.   list(x = min(layout1[,1])+0.4,
    49.        y = min(layout1[,2])-0.17),
    50.   legend = c(0.6,0.8,1.0),
    51.   col = "black",
    52.   lty=1,
    53.   lwd=c(0.6,0.8,1.0)*2,
    54. )
    55.  
    56. legend(
    57.   title = "Correlation (±)",
    58.   list(x = min(layout1[,1])+0.8,
    59.        y = min(layout1[,2])-0.17),
    60.   legend = c("positive","negative"),
    61.   col = c("red",rgb(0,147,0,maxColorValue = 255)),
    62.   lty=1,
    63.   lwd=1
    64. )
    65.  
    66. legend(
    67.   title = "Degree",
    68.   list(x = min(layout1[,1])+1.2,
    69.        y = min(layout1[,2])-0.17),
    70.   legend = c(1,seq(0,8,2)[-1]),# V(g)$degree。
    71.   col = "black",
    72.   pch=1,
    73.   pt.lwd=1,
    74.   pt.cex=c(1,seq(0,8,2)[-1]) 
    75.   # 设置相同数值，igraph与legend生成的节点大小不一样，
    76.   # 图例节点差不多是图节点的2倍大，这里通过设置图节点大小为degree*2解决，需要手动调整。
    77. )
    78. dev.off()

    图12|径向布局分组网络图，network_group_circle.pdf。图例位置需要AI或pdf编辑器调整一下。不想标签放在节点上，也可AI调整。

    4.4 绘制fr布局网络图

        fr布局(Fruchterman-Reingold 算法的力导向布局)适合变量较多的数据。

    1. ### 4.4 绘制fr布局网络图-不添加背景色
    2. pdf("network_group_fr.pdf",family = "Times",width = 10,height = 12)
    3. par(mar=c(5,2,1,2))
    4. plot.igraph(g, layout=layout2,#更多参数设置信息?plot.igraph查看。
    5.             
    6.      ##节点颜色设置参数##
    7.      vertex.color=V(g)$point.col,
    8.      vertex.frame.color ="black",
    9.      vertex.border=V(g)$point.col,
    10.      ##节点大小设置参数##
    11.      vertex.size=V(g)$degree*2,
    12.      ##节点标签设置参数##
    13.      vertex.label=g$name,
    14.      vertex.label.cex=0.8,
    15.      #vertex.label.dist=0, # 标签距离节点中心的距离，0表示标签在节点中心。
    16.      #vertex.label.degree = 0, # 标签对于节点的位置，0-右，pi-左，-pi/2-上，pi/2-下。
    17.      vertex.label.col="black",
    18.      
    19.      ##链接属性参数以edge*开头##
    20.      edge.arrow.size=0.5,
    21.      edge.width=abs(E(g)$r)*2,
    22.      edge.curved = TRUE
    23.      )
    24. ##设置图例，与plot.igraph()函数一起运行##
    25. legend(
    26.   title = "Type",
    27.   list(x = min(layout1[,1])-0.2,
    28.        y = min(layout1[,2])-0.17), # 图例的位置需要根据自己的数据进行调整，后面需要使用AI手动调整。
    29.   legend = c(unique(V(g)$type)),
    30.   fill = color,
    31.   #pch=1
    32. )
    33.  
    34. legend(
    35.   title = "|r-value|",
    36.   list(x = min(layout1[,1])+0.4,
    37.        y = min(layout1[,2])-0.17),
    38.   legend = c(0.6,0.8,1.0),
    39.   col = "black",
    40.   lty=1,
    41.   lwd=c(0.6,0.8,1.0)*2,
    42. )
    43.  
    44. legend(
    45.   title = "Correlation (±)",
    46.   list(x = min(layout1[,1])+0.8,
    47.        y = min(layout1[,2])-0.17),
    48.   legend = c("positive","negative"),
    49.   col = c("red",rgb(0,147,0,maxColorValue = 255)),
    50.   lty=1,
    51.   lwd=1
    52. )
    53.  
    54. legend(
    55.   title = "Degree",
    56.   list(x = min(layout1[,1])+1.2,
    57.        y = min(layout1[,2])-0.17),
    58.   legend = c(1,seq(0,8,2)[-1]),# max(V(g)$degree)
    59.   col = "black",
    60.   pch=1,
    61.   pt.lwd=1,
    62.   pt.cex=c(1,seq(0,8,2)[-1])
    63. )
    64. dev.off()

    图13|fr布局变量分组网络图，network_group_fr.pdf。

    4.5 绘制grid布局网络图

    1. ### 4.5 绘制grid布局网络图-不添加背景色
    2. pdf("network_group_grid.pdf",family = "Times",width = 10,height = 12)
    3. par(mar=c(5,2,1,2))
    4. plot.igraph(g, layout=layout3,#更多参数设置信息?plot.igraph查看。
    5.             
    6.      ##节点颜色设置参数##
    7.      vertex.color=V(g)$point.col,
    8.      vertex.frame.color ="black",
    9.      vertex.border=V(g)$point.col,
    10.      ##节点大小设置参数##
    11.      vertex.size=V(g)$degree*2,
    12.      ##节点标签设置参数##
    13.      vertex.label=g$name,
    14.      vertex.label.cex=0.8,
    15.      vertex.label.dist=0, # 标签距离节点中心的距离，0表示标签在节点中心。
    16.      vertex.label.degree = pi/2, # 标签对于节点的位置，0-右，pi-左，-pi/2-上，pi/2-下。
    17.      vertex.label.col="black",
    18.      
    19.      ##链接属性参数以edge*开头##
    20.      edge.arrow.size=0.5,
    21.      edge.width=abs(E(g)$r)*2,
    22.      edge.curved = TRUE,
    23.      #edge.label.x = # 链接线标签位置横坐标。
    24.      #edge.label.y = # 链接线标签位置纵坐标。
    25.      )
    26. ##设置图例，与plot.igraph()函数一起运行##
    27. legend(
    28.   title = "Type",
    29.   list(x = min(layout1[,1])-0.2,
    30.        y = min(layout1[,2])-0.17), # 图例的位置需要根据自己的数据进行调整，后面需要使用AI手动调整。
    31.   legend = c(unique(V(g)$type)),
    32.   fill = color,
    33.   #pch=1
    34. )
    35.  
    36. legend(
    37.   title = "|r-value|",
    38.   list(x = min(layout1[,1])+0.4,
    39.        y = min(layout1[,2])-0.17),
    40.   legend = c(0.6,0.8,1.0),
    41.   col = "black",
    42.   lty=1,
    43.   lwd=c(0.6,0.8,1.0)*2,
    44. )
    45.  
    46. legend(
    47.   title = "Correlation (±)",
    48.   list(x = min(layout1[,1])+0.8,
    49.        y = min(layout1[,2])-0.17),
    50.   legend = c("positive","negative"),
    51.   col = c("red",rgb(0,147,0,maxColorValue = 255)),
    52.   lty=1,
    53.   lwd=1
    54. )
    55.  
    56. legend(
    57.   title = "Degree",
    58.   list(x = min(layout1[,1])+1.2,
    59.        y = min(layout1[,2])-0.17),
    60.   legend = c(1,seq(0,8,2)[-1]),# max(V(g)$degree)
    61.   col = "black",
    62.   pch=1,
    63.   pt.lwd=1,
    64.   pt.cex=c(1,seq(0,8,2)[-1])
    65. )
    66. dev.off()

    图14|grid布局变量分组网络图，network_group_grid.pdf。

    参考资料

    https://hiplot-academic.com/basic/network-igraph

    微信公众号后台回复"network_group"或QQ群文件获取数据和代码。

    原文链接：R统计绘图-变量分组相关性网络图(igraph) (qq.com)


    EcoEvoPhylo ：主要分享微生物生态和phylogenomics的数据分析教程。扫描上方二维码，关注EcoEvoPhylo。让我们大家一起学习，互相交流，共同进步。

    知乎 | 生态媛 

    学术交流QQ群 | 438942456

    学术交流微信群 |  jingmorensheng412

    加好友时，请备注姓名-单位-研究方向。 
     

    推荐阅读

    R绘图-物种、环境因子相关性网络图(简单图、提取子图、修改图布局参数、物种-环境因子分别成环径向网络图)

    R统计绘图-分子生态相关性网络分析(拓扑属性计算，ggraph绘图)

    R中进行单因素方差分析并绘图

    R统计绘图-多变量单因素非参数差异检验及添加显著性标记图

    R统计绘图-单因素Kruskal-Wallis检验

    R统计绘图-单、双、三因素重复测量方差分析[Translation]

    R统计-多变量单因素参数、非参数检验及多重比较

    R统计-多变量双因素参数、非参数检验及多重比较

    R绘图-KEGG功能注释组间差异分面条形图

    R绘图-相关性分析及绘图

    R绘图-相关性系数图

    R统计绘图-环境因子相关性热图

    R绘图-RDA排序分析

    R统计-VPA分析(RDA/CCA)

    R统计绘图-RDA分析、Mantel检验及绘图

    R统计-PCA/PCoA/db-RDA/NMDS/CA/CCA/DCA等排序分析教程

    R统计-正态性分布检验[Translation]

    R统计-数据正态分布转换[Translation]

    R统计-方差齐性检验[Translation]

    R统计-Mauchly球形检验[Translation]

    ​R统计绘图-混合方差分析[Translation]

    R统计绘图-协方差分析[Translation]

    R统计绘图-RDA分析、Mantel检验及绘图

    R统计绘图-factoextra包绘制及美化PCA结果图

    R统计绘图-环境因子相关性+mantel检验组合图(linkET包介绍1)

    R统计绘图-随机森林分类分析及物种丰度差异检验组合图

    机器学习-分类随机森林分析(randomForest模型构建、参数调优、特征变量筛选、模型评估和基础理论等)

  • 相关阅读:
    Spring中的Environment外部化配置管理详解
    Excel 通过条件格式自动添加边框
    ON1 Photo RAW 2024照片编辑器「Mac」
    【线性代数基础进阶】向量-补充+练习
    虹科 | 解决方案 | 新能源车EV测试解决方案
    构建健康游戏环境：DFA算法在敏感词过滤的应用
    vue3响应式原理:Proxy + Reflect
    小龙虾优化算法COA求解不闭合SD-MTSP，可以修改旅行商个数及起点（提供MATLAB代码）
    自动创建word文档的exe文件，自定义文件名、保存路径
    数据分析技能点-数据挖掘及入门
  • 原文地址：https://blog.csdn.net/qq_39859424/article/details/126801700