跟着Nature学作图：R语言ggplot2分组折线图添加误差线
论文是
Environmental factors shaping the gut microbiome in a Dutch population
数据和代码的github主页链接
https://github.com/GRONINGEN-MICROBIOME-CENTRE/DMP
这个也是数据代码的下载链接，可以看目录结构
https://zenodo.org/record/5910709#.YmAcp4VBzic
今天的推文重复一下论文中的figure1b
image.png
数据集
image.png
这里误差线的范围是平均值加减标准差，数据提前算好，整理到csv文件中
读取数据
library(readr) dat01<-read_csv("newdataset/MockData_Fig_1B_microbiome_rarefaction_datatable.csv") head(dat01)分组折线图
library(ggplot2) ggplot(data=dat01,aes(x=nr,y=spec.nr.mn,color=Taxon))+ geom_line(size=1.5,linetype=dat01$linetype)image.png
添加误差线
ggplot(data=dat01,aes(x=nr,y=spec.nr.mn,color=Taxon))+ geom_line(size=1.5,linetype=dat01$linetype)+ geom_errorbar(aes(ymin=spec.nr.mn-spec.nr.sd, ymax=spec.nr.mn+spec.nr.sd), size=1.05, colour="black")image.png
再叠加一层散点图
ggplot(data=dat01,aes(x=nr,y=spec.nr.mn,color=Taxon))+ geom_line(size=1.5,linetype=dat01$linetype)+ geom_errorbar(aes(ymin=spec.nr.mn-spec.nr.sd, ymax=spec.nr.mn+spec.nr.sd), size=1.05, colour="black")+ geom_point(shape=21,size=1.75,fill="white")image.png
更改坐标轴标题
ggplot(data=dat01,aes(x=nr,y=spec.nr.mn,color=Taxon))+ geom_line(size=1.5,linetype=dat01$linetype)+ geom_errorbar(aes(ymin=spec.nr.mn-spec.nr.sd, ymax=spec.nr.mn+spec.nr.sd), size=1.05, colour="black")+ geom_point(shape=21,size=1.75,fill="white")+ xlab("Number of samples") + ylab("Number of features")最后是美化调整细节
ggplot(data=dat01,aes(x=nr,y=spec.nr.mn,color=Taxon))+ geom_line(size=1.5,linetype=dat01$linetype)+ geom_errorbar(aes(ymin=spec.nr.mn-spec.nr.sd, ymax=spec.nr.mn+spec.nr.sd), size=1.05, colour="black")+ geom_point(shape=21,size=1.75,fill="white")+ xlab("Number of samples") + ylab("Number of features")+ scale_color_manual(values = c("#56B4E9", "#009E73", "#0072B2", "#D55E00", "#CC79A7", "#E69F00"))+ theme_bw()+ theme(text = element_text(size = 17))image.png
制作封面图
ggplot(data=dat01,aes(x=nr,y=spec.nr.mn,color=Taxon))+ geom_line(size=1.5,linetype=dat01$linetype)+ geom_errorbar(aes(ymin=spec.nr.mn-spec.nr.sd, ymax=spec.nr.mn+spec.nr.sd), size=1.05, colour="black")+ geom_point(shape=21,size=1.75,fill="white")+ xlab("Number of samples") + ylab("Number of features") -> p1 print(p1) ggplot(data=dat01,aes(x=nr,y=spec.nr.mn,color=Taxon))+ geom_line(size=1.5,linetype=dat01$linetype)+ geom_errorbar(aes(ymin=spec.nr.mn-spec.nr.sd, ymax=spec.nr.mn+spec.nr.sd), size=1.05, colour="black")+ geom_point(shape=21,size=1.75,fill="white")+ xlab("Number of samples") + ylab("Number of features")+ scale_color_manual(values = c("#56B4E9", "#009E73", "#0072B2", "#D55E00", "#CC79A7", "#E69F00"))+ theme_bw()+ theme(text = element_text(size = 17)) -> p2 print(p2) library(patchwork) p1+p2image.png
AI大模型学习福利
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获
四、AI大模型商业化落地方案
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量