写在前面

https://github.com/vqv/ggbiplot/blob/master/README.md

前几天在《宏基因组0》微信讨论群看到了有人发了一个上面链接，点开一看居然是一条命令出帅图，真是太实用了。我立即使用本领域的OTU表上进行了测试，效果很好，现分享给大家，欢迎大家留言补充。

ggbiplot简介

ggbiplot是一款PCA分析结果可视化的R包工具，可以直接采用ggplot2来可视化R中基础函数prcomp() PCA分析的结果，并可以按分组着色、分组添加不同大小椭圆、主成分与原始变量相关与贡献度向量等。

An implementation of the biplot using ggplot2. The package provides two functions: ggscreeplot() and ggbiplot(). ggbiplot aims to be a drop-in replacement for the built-in R function biplot.princomp() with extended functionality for labeling groups, drawing a correlation circle, and adding Normal probability ellipsoids.

ggbiplot安装和官方示例

R包，建议在Rstudio中使用更方便

# 安装包，安装过请跳过
install.packages("devtools", repo="http://cran.us.r-project.org")
library(devtools)
install_github("vqv/ggbiplot")# 最简单帅气的例子
data(wine)
wine.pca <- prcomp(wine, scale. = TRUE)
# 演示样式
ggbiplot(wine.pca, obs.scale = 1, var.scale = 1,groups = wine.class, ellipse = TRUE, circle = TRUE) +scale_color_discrete(name = '') +theme(legend.direction = 'horizontal', legend.position = 'top')# 基本样式
plot(wine.pca$x) # 原始图，大家可以尝试画下，不忍直视

看，是不是一条命令就把prcomp()得到的主成分分析PCA的结果展示的淋漓尽致。是不是瞬间有了高分文章的B格。

主要结果说明:

坐标轴PC1/2的数值为总体差异的解释率；
图中点代表样品，颜色代表分组，图例在顶部有三组；
椭圆代表分组按默认68%的置信区间加的核心区域，便于观察组间是否分开；
箭头代表原始变量，其中方向代表原始变量与主成分的相关性，长度代表原始数据对主成分的贡献度。

更详细的PCA原理、推导、图解，请跳转《一文看懂PCA主成分分析》，再点击阅读原文。重点关注——PCA结果解释部分。

OTU表实战

本实战，基于本公众号之前发布文章《扩增子分析教程-3统计绘图-冲击高分文章》中提供测试数据的OTU表、实验设计和物种注释信息，需要者可前往下载。

PCA分析OTU表和可视化

# 菌群数据实战
# 读入实验设计
design = read.table("design.txt", header=T, row.names= 1, sep="\t") # 读取OTU表
otu_table = read.delim("otu_table.txt", row.names= 1,  header=T, sep="\t")# 过滤数据并排序
idx = rownames(design) %in% colnames(otu_table)
sub_design = design[idx,]
count = otu_table[, rownames(sub_design)]# 基于OTU表PCA分析
otu.pca <- prcomp(t(count), scale. = TRUE)# 绘制PCA图，并按组添加椭圆
ggbiplot(otu.pca, obs.scale = 1, var.scale = 1,groups = sub_design$genotype, ellipse = TRUE,var.axes = F)

可以看到三个组在第一主轴上明显分开。

展示主要差异菌与主成分的关系

# 显著高丰度菌的影响# 转换原始数据为百分比
norm = t(t(count)/colSums(count,na=T)) * 100 # normalization to total 100# 筛选mad值大于0.5的OTU
mad.5 = norm[apply(norm,1,mad)>0.5,]
# 另一种方法：按mad值排序取前6波动最大的OTUs
mad.5 = head(norm[order(apply(norm,1,mad), decreasing=T),],n=6)
# 计算PCA和菌与菌轴的相关性
otu.pca <- prcomp(t(mad.5))
ggbiplot(otu.pca, obs.scale = 1, var.scale = 1,groups = sub_design$genotype, ellipse = TRUE,var.axes = T)

我们仅用中值绝对偏差(mad)最大的6个OTUs进行主成分分析，即可将三组样品明显分开。图中向量长短代表差异贡献，方向为与主成分的相关性。可以看到最长的向量Streptophyta与X轴近平行，表示PC1的差异主要由此菌贡献。其它菌与其方向相反代表OTUs间可能负相关；夹角小于90%的代表两个OTUs有正相关。

ggbiplot官网简介

ggbiplot

ggbiplot使用和参数

?ggbiplotggbiplot(pcobj, choices = 1:2, scale = 1, pc.biplot =TRUE, obs.scale = 1 - scale, var.scale = scale, groups =NULL, ellipse = FALSE, ellipse.prob = 0.68, labels =NULL, labels.size = 3, alpha = 1, var.axes = TRUE, circle= FALSE, circle.prob = 0.69, varname.size = 3,varname.adjust = 1.5, varname.abbrev = FALSE, ...)pcobj # prcomp()或princomp()返回结果
choices # 选择轴，默认1：2
scale   # covariance biplot (scale = 1), form biplot (scale = 0). When scale = 1, the inner product between the variables approximates the covariance and the distance between the points approximates the Mahalanobis distance.
obs.scale # 标准化观测值
var.scale # 标准化变异
pc.biplot # 兼容 biplot.princomp()
groups # 组信息，并按组上色
ellipse # 添加组椭圆
ellipse.prob # 置信区间
labels  # 向量名称
labels.size # 名称大小
alpha # 点透明度 (0 = TRUEransparent, 1 = opaque)
circle # 绘制相关环(only applies when prcomp was called with scale = TRUE and when var.scale = 1)
var.axes # 绘制变量线-菌相关
varname.size # 变量名大小
varname.adjust # 标签与箭头距离 >= 1 means farther from the arrow
varname.abbrev # 标签是否缩写

写在后面

为鼓励读者交流、快速解决科研困难，我们建立了“宏基因组”专业讨论群，目前己有国内外100+ PI，800+ 一线科研人员加入。参与讨论，获得专业解答，欢迎分享此文至朋友圈，并扫码加主编好友带你入群，务必备注“姓名-单位-研究方向-职称/年级”。技术问题寻求帮助，首先阅读《如何优雅的提问》学习解决问题思路，仍末解决群内讨论，问题不私聊，帮助同行。

学习扩增子、宏基因组科研思路和分析实战，关注“宏基因组”

点击阅读原文，跳转最新文章目录阅读
https://mp.weixin.qq.com/s/5jQspEvH5_4Xmart22gjMA

ggbiplot-最好看的PCA作图：样品PCA散点+分组椭圆+主成分丰度和相关相关推荐

ggbiplot-最好看的PCA作图：样品PCA散点+分组椭圆+变量贡献与相关
ggbiplot简介 ggbiplot是一款PCA分析结果可视化的R包工具,可以直接采用ggplot2来可视化R中基础函数prcomp() PCA分析的结果,并可以按分组着色 .分组添加不同大小椭圆. ...
PCA计算原特征（指标）对主成分的贡献量/权重
1. 用PCA反推原始特征对主成分的贡献量或权重使用python的sklearn包中的pca函数 # -*- coding: utf-8 -*- import os import numpy as ...
Python机器学习：PCA与梯度上升03求数据的主成分PCA
梯度上升法解决最优化问题 import numpy as np import matplotlib.pyplot as plt X = np.empty((100,2)) X[:,0] = np.ra ...
matlab mysvd代码解释,关于使用SVD进行PCA主成分提取的代码问题！也是必须涉及到原理的！...
如标题所示,目的是将矩阵进行PCA分析最终得到降维后的新主成分,对于特征值特征向量的提取方法是通过svd.代码和函数名称定义如下/如图所示 function [Xm,U,L]=pca(X,K); % ...
PCA主成分分析提取主成分，过滤噪音
前一篇提到的人脸识别中,我们在使用SVM支持向量机做人脸分类之前使用到PCA提取人脸数据中的主要成分,降低计算的维度,那么具体PCA是如何提取的呢?下文了解一下. PCA is a method to ...
matlab pca svd,关于使用SVD进行PCA主成分提取的代码问题！也是必须涉及到原理的！...
如标题所示,目的是将矩阵进行PCA分析最终得到降维后的新主成分,对于特征值特征向量的提取方法是通过svd.代码和函数名称定义如下/如图所示 function [Xm,U,L]=pca(X,K); % ...
R语言主成分PCA、因子分析、聚类对地区经济研究分析重庆市经济指标
全文下载链接:http://tecdat.cn/?p=27515 建立重庆市经济指标发展体系,以重庆市一小时经济圈作为样本,运用因子分析方法进行实证分析,在借鉴了相关评价理论和评价方法的基础上,本文提 ...
主成分分析旋转矩阵MATLAB实现,R语言高维数据的主成分pca、t-SNE算法降维与可视化分析案例报告...
维度降低有两个主要用例:数据探索和机器学习.它对于数据探索很有用,因为维数减少到几个维度(例如2或3维)允许可视化样本.然后可以使用这种可视化来从数据获得见解(例如,检测聚类并识别异常值).对于机器学 ...
R语言辅导高维数据的主成分pca、 t-SNE算法降维与可视化分析案例报告
降低维度有两个主要用例:数据探索和机器学习.它对于数据探索很有用,因为维数减少到几个维度(例如2或3维)允许可视化样本.然后可以使用这种可视化来从数据获得见解(例如,检测聚类并识别异常值).对于机器学 ...

ggbiplot-最好看的PCA作图：样品PCA散点+分组椭圆+主成分丰度和相关