R语言频率分布直方图绘制教程

本篇笔记分享R语言绘制直方图的方法，通过多种展示风格对数据进行可视化，主要用到ggplot、ggpubr等包。

什么是直方图？

直方图(Histogram)，又称质量分布图，是一种统计报告图，由一系列高度不等的柱子表示数据分布的情况。

主要展示数据的分布情况，诸如众数、中位数的大致位置、数据是否存在缺口或者异常值。

直方图和柱形图的区别？

柱形图横轴表示类别：横轴固定
直方图横轴表示组距：横轴可变
直方图的表示的数据通常是连续排列，而柱状图则是分开排列，直方图能展示分布趋势。

R语言绘制直方图方法

先创建一个随机数据用于绘图，该数据表格的第一列是“type”样品分类信息，包含A、B、C三个种类，第二列是随机数字，一共包含600行，将其看做600个样品的某指标数据。

set.seed(666)
df = data.frame(
    type = factor(rep(c("A", "B","C"), each=200)),
    val = c(rnorm(200, 56), rnorm(200, 58),rnorm(200, 52)))

创建的随机数据如下所示，在实际的作图过程中，只需整理成类似这种格式即可。

为了直观的展示测试数据的分布，先做个散点图试试：

ggplot(df)+
    geom_point(aes(type,val,color=type),position = "jitter")

明显可以看出C组的均值52左右最低，B组均值58左右最高，组内整体随机分布。

Base R 基础版直方图

hist(df$val, 
     breaks = 16, #切分多少个条
     col = "#51cf66",
     freq = F,
     xlab = "Value",main = "Hist Plot")
# 添加拟合曲线
lines(density(df$val),col= "#fd7e14",lwd=2)
# 添加下方密度条
rug(jitter(df$val))

这是最基础的直方图，没有展示分组信息，仅对所有的数据统计，可以看出在52和58处有峰值，说明分布频率很高，横轴上有一些条形码一样的黑色竖线，表示样品的分布情况，黑色线越密集，代表此处的值越多。

ggplot2 升级版直方图

library(ggplot2)
ggplot(df,aes(val,..density..)) +
    geom_histogram(bins = 50, fill="#74c0fc") +
    xlab("Insertion Size (bp)") +
    theme_bw()

通过上述代码，可以用ggplot绘制一张简单的直方图，gfill参数后面可以修改颜色，bins参数可以修改条子的数量。

bins参数很重要，它关系到直方图的形状，以下举个例子，分别画两张直方图，左图p1是bins等于10的时候，组距比较宽。右图p2是bins等于50的情况，组距变窄，同时一些隐藏的细节趋势展示的更加清楚。

p1 <- ggplot(diamonds, aes(carat)) +
    geom_histogram(aes(carat,fill=cut),bins = 10)+
    xlim(0,3)+
    theme_bw()
p2 <- ggplot(diamonds, aes(carat)) +
    geom_histogram(aes(carat,fill=cut),bins = 50)+
    xlim(0,3)+
    theme_bw()
library(patchwork)
p1+p2

由上图可知，不同的分组数量bins影响了信息的传递，在实际过程中若想模糊细节展示整体，则将bins设置的小一些。

多组分面直方图

假如有多个分组或者水平因素，想要看不同分组的直方图，则借助分面功能实现。例如在本文中A、B、C三个分组的直方图，通过下面的代码绘图：

ggplot(df,aes(val,..density..)) +
    geom_histogram(aes(fill=type),bins = 30,color="#ffffff") +
    facet_wrap(~type, scales = 'free_x') +
    xlab("Insertion Size (bp)") +
    theme_bw()

这样就可以将不同类型分开绘制，观察每个组内样品的指标数据分布趋势，可以发现三个组都是呈正态分布。

ggpubr 尊享版直方图

gghistogram函数提供了一个便捷绘制好看直方图的方法，只需简单的几行代码，就能生成漂亮的直方图。

library(ggpubr)
gghistogram(df, x = "val",
            fill = "#3bc9db", # 设置填充色
            add = "mean", # 添加均值线
            rug = TRUE # 添加轴须线
)

先画一张基础的直方图，fill参数可以修改颜色，add参数可以添加辅助线，比如这里就添加了一条均值竖线，rug是绘制横轴的条形码须线。

但是，上图中把三个组的样品数据混在一起统计，下面将其分开用不同颜色表示：

gghistogram(df,
            x="val",
            add="mean",
            rug = TRUE,
            color = "type",
            fill = "type",
            palette = c("#0fb9b1","#f7b731","#8854d0"),
            bins = 50,
            add_density = FALSE,
            xlab = "公众号：生信分析笔记")

如果想在图中对直方图添加拟合曲线展示密度信息，只需将add_density改为TURE即可。

堆叠形式直方图

接下来，再分享两种堆叠形式的直方图，用途是比较不同分组的数据。首先重新修改一下随机生成的测试数据，注意A组的样品数减少到100，B组样品数增加到300，以下是新的数据框：

df = data.frame(
    type = factor(rep(c("A", "B","C"), each=200)),
    val = c(rnorm(100, 56), rnorm(300, 58),rnorm(200, 57)))

画一张普通的直方图看看效果：

ggplot(df)+
    geom_histogram(aes(val,fill=type),bins = 20)+
    scale_fill_brewer()+
    theme_bw()

整体趋势比较明显，均值都在57附近，只不过不同组的数据个数不一样，正如所料，整体的趋势都呈正态分布。

再添加亿点点细节：

ggplot(df,aes(val,fill=type))+
    geom_histogram(bins = 40,color="black",alpha=0.8)+
    scale_fill_manual(values = c("A"="#a3cd5b",
                                 "B"="#f7b731",
                                 "C"="#0fb9b1"),
                      labels=c("A"="Type A",
                               "B"="Type B",
                               "C"="Type C"))+
    geom_vline(xintercept = 57,lty="dashed")+
    theme_bw()+
    theme(panel.border = element_blank(),
          panel.grid = element_blank(),
          axis.line = element_line(),
          legend.position = c(0.9,0.8),
          legend.background = element_rect(fill = "transparent"),
          legend.title = element_blank())

上面这张图展示了不同种类样品的数据分布规律，这种分布是柱形堆叠格式“stack”，现在将其转换成密度曲线图，你能看出下面这张图的区别吗？

ggplot(df,aes(val,fill=type))+
    geom_density(alpha=0.5,
                 position = "stack")+
    scale_fill_manual(values = c("#a3cd5b","#f7b731","#0fb9b1"))

是不是感觉似曾相识，直方图和密度曲线的规律是一样的，因为它们都是用同样的数据做出的图，呈现出相同的变化趋势。

还有一种位置展示方式“identity”，它不会将不同分组的值堆叠累加到一起，而是都从Y等于0为起始位置，只需修改上方代码中的“stack”为“identity”，即可看出效果区别。

不知道你有没有发现，这个图就是小提琴图的一半，因为这个密度曲线实际上反映了数据的分布，而小提琴图的宽窄也反应数据的分布，因此二者本质一样。

ggplot(df)+
    geom_violin(aes(x=type,y=val,fill=type))+
    scale_fill_manual(values = c("#0fb9b1","#f7b731","#8854d0"))+
    theme_bw()

对比一下，就能看出小提琴图、直方图、密度图存在互通之处，比如Type C类型的数据分布比较集中，因此小提琴图中紫色的中间部分凸出明显，而且上面密度曲线的紫色也区域中间也明显凸起。

翻转直方图

有时候还想比较两组之间的分布趋势差异，那么将两个直方图按横轴翻转放置，展示效果更佳。

ggplot(df,aes(val,fill=type))+
    geom_histogram(data = filter(df,type=="B"),
                   aes(y=..count..),
                   bins = 40,
                   color="#ffffff")+
    geom_histogram(data = filter(df,type=="C"),
                   aes(y=..count..*(-1)),
                   bins = 40,
                   color="#ffffff")+
    scale_fill_manual(values = c("#0fb9b1","#8854d0"))+
    labs(x='Value',y='Frequency')+
    theme_bw()+
    theme(legend.position = c(0.1,0.3))