不好好作图的NCS系列(二)：3D版的PCA图

PCA图我们之前讲过了（转录组不求人系列(三)：PCA分析及CNS级别作图），作图方式也是NCS级别的，但是之前的图是2D版，也就是将多维数据降维2个主成分，在平面坐标轴中观察。但是如果想再增加一个主成分就需要3D版的PCA图了。3D版的PCA也是很多高分文章喜欢展示的图，所以这里我们就对之前的作图升级一下。但是重点是选择适合自己实际情况的数据，不能一味看作图。

首先做一个PCA分析，和之前一样，用PCA分析结果去作图。

setwd("F:/生物信息学")A <- read.csv("A.csv",header = T,row.names = 1)A <- A[apply(A, 1, sum) > 0, ] data <- t(A)#PCA分析需要将表达矩阵转置data.pca <- prcomp(data, scale. = T)  #这是后续作图的文件

加载数据包并定义分组

library(scatterplot3d)#画3D散点图的包library(dplyr)group=c(rep("Mcc",6),rep("Pan",6))
pca.result<-as.data.frame(data.pca$x)pca.result$group<-groupscatterplot3d(pca.result[,1:3])#基本画图，选取三个主成分，分别为x,y,z，三位坐标

这样就得到一个基本的散点图：

接下来，添加颜色，分组：

pca.result = pca.result %>% mutate(colour = case_when(  pca.result$group == "Mcc" ~ "#CC0000",  pca.result$group == "Pan" ~ "#2f5688",)) #定义分组并设置颜色
scatterplot3d(pca.result[,1:3],color=pca.result$colour,              pch = 16,angle=30,              cex.symbols = 2,              box=T,type="p",              main = "3D PCA Plot",              lty.hide=2,lty.grid = 2)
legend("bottom",c("Mcc","Pan"),fill=c('#CC0000',"#2f5688"),       horiz = T)#添加图例

当然，scatterplot3d还可以将每个样本点的名称显示在图上，这样就无需legend了。

sd3 <- scatterplot3d(pca.result[,1:3],color=pca.result$colour,              pch = 16,angle=30,              cex.symbols = 2,              box=T,type="p",              main = "3D PCA Plot",              lty.hide=2,lty.grid = 2)text(sd3$xyz.convert(pca.result[,c("PC1","PC2","PC3")]+0.05),     labels = rownames(pca.result),     cex=1,col="black")

------------------------------分割线-----------------------------------------

除了scatterplot3d，还有一些R中使用的交互式的包画3D图，可以自己调整。但是有一个问题没有解决，那就是无法添加legend，还有不能导出图片。但是在python中可以实现，这里抛砖引玉，感兴趣的小伙伴可以探索下教教大家。

library(car)library(rgl)scatter3d(pca.result$PC1,          pca.result$PC2,          pca.result$PC3,           surface = F,           point.col = rep(c('red2','green3'),                           c(6, 6)),          xlab = paste('PCA1'),           ylab = paste('PCA2'),           zlab = paste('PCA3'))

还可以添加置信椭圆：

scatter3d(pca.result$PC1,           pca.result$PC2,           pca.result$PC3,           groups = as.factor(pca.result$group),           surface = FALSE, ellipsoid = TRUE,          ellipsoid.alpha=0.2,          xlab = paste('PCA1'),           ylab = paste('PCA2'),           zlab = paste('PCA3')，          grid=F)

此外，plot3d函数也能达到这种效果，但依然面临一样的问题！希望有小伙伴分享解决办法！！！

不好好作图的NCS系列(二)：3D版的PCA图相关推荐

图机器学习(GML)图神经网络(GNN)原理和代码实现(前置学习系列二）
图机器学习(GML)&图神经网络(GNN)原理和代码实现(PGL)[前置学习系列二] 上一个项目对图相关基础知识进行了详细讲述,下面进图GML networkx :NetworkX 是一个 P ...
A.图机器学习(GML)图神经网络(GNN)原理和代码实现(前置学习系列二）
图学习图神经网络算法专栏简介:主要实现图游走模型(DeepWalk.node2vec):图神经网络算法(GCN.GAT.GraphSage),部分进阶 GNN 模型(UniMP标签传播.ERNIESa ...
android 原生开发 3d地图下载_arcgis api 3.x for js 入门开发系列二不同地图服务展示（附源码下载）...
前言关于本篇功能实现用到的 api 涉及类看不懂的,请参照 esri 官网的 arcgis api 3.x for js:esri 官网 api,里面详细的介绍 arcgis api 3.x 各个类 ...
Silverlight Blend动画设计系列二：旋转动画（RotateTransform）
原文:Silverlight & Blend动画设计系列二:旋转动画(RotateTransform) Silverlight的基础动画包括偏移.旋转.缩放.倾斜和翻转动画,这些基础动画毫无疑 ...
数据与广告系列二十一：关于品牌广告，奔涌吧后浪
作者·黄崇远公号『数据虫巢』全文6378字题图ssyer.com " 看似大愚实为大智的品牌广告." 哪怕是广告行业从合约时代稳定的步入到效果广告时代,甚至是现在已经逐步的往 ...
遨博机器人展示_遨博协作机器人全系列二：iV系列智能视觉专用插件无缝对接...
原标题:遨博协作机器人全系列二:iV系列智能视觉专用插件无缝对接 2019年9月17日,中国国际工业博览会(CIIF)在上海盛大召开,同期机器人展(RS)已成为亚洲最具影响力的机器人行业会议,是机器人 ...
软件开发随笔系列二——关于架构和模型
软件开发随笔系列二--关于架构和模型文章目录软件开发随笔系列二--关于架构和模型软件模型功能模型概念层边界参与方分组分类逻辑层功能组织图层次.模块化接口流程模型概念层业务 ...
搜索引擎ElasticSearchV5.4.2系列二之ElasticSearchV5.4.2+kibanaV5.4.2+x-packV5.4.2安装
相关博文: 搜索引擎ElasticSearchV5.4.2系列一之ES介绍搜索引擎ElasticSearchV5.4.2系列二之ElasticSearchV5.4.2+klanaV5.4.2+x-p ...
【C++自我精讲】基础系列二 const
[C++自我精讲]基础系列二 const 0 前言分三部分:const用法.const和#define比较.const作用. 1 const用法 const常量:const可以用来定义常量,不可改变 ...

不好好作图的NCS系列(二)：3D版的PCA图

不好好作图的NCS系列(二)：3D版的PCA图相关推荐

最新文章

热门文章