用更简单的方式画森林图

获取更多R语言知识，请关注公众号：医学和生信笔记

医学和生信笔记，专注R语言在临床医学中的使用，R语言数据分析和可视化。主要分享R语言做医学统计学、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。

文章目录

准备数据
画图
更改主题！！
编辑图形
有亚组的森林图

前面介绍了使用forestplot包画森林图：
这个包很强大，熟练使用可以自由调整各种细节，不过由于细节太多、自由度太高，反而不容易上手。

今天给大家介绍另外一个可以画森林图的R包：forestploter，帮助你快速画出好看的森林图。

准备数据

还是用上次用到过的数据，基本的画图理念是差不多的，都是把图的内容看成是表格的形式，用空白或者NA填充空的单元格。

数据准备比forestplot包简单一点，文字数据和画“森林”的数据，一起放在一个数据框中即可。

tabletext <- data.frame(# 文本数据study =  c("Auckland", "Block", "Doran", "Gamsu", "Morrison", "Papageorgiou", "Tauesch", "Summary"),steroid =  c("36", "1", "4", "14", "3", "1", "8", ""),placebo = c("60", "5", "11", "20", "7", "7", "10", ""),# 画“森林需要的数据”mean  = c(0.578, 0.165, 0.246, 0.700, 0.348, 0.139, 1.017, 0.531), lower = c(0.372, 0.018, 0.072, 0.333, 0.083, 0.016, 0.365, 0.386),upper = c(0.898, 1.517, 0.833, 1.474, 1.455, 1.209, 2.831, 0.731)
)# 增加一列
tabletext$`HR (95% CI)` <- ifelse(is.na(tabletext$mean), "",sprintf("%.2f (%.2f to %.2f)",tabletext$mean, tabletext$lower, tabletext$upper))# 增加一列空值用于画“森林”
tabletext$` ` <- paste(rep(" ", 8), collapse = " ")tabletext
##          study steroid placebo  mean lower upper         HR (95% CI)
## 1     Auckland      36      60 0.578 0.372 0.898 0.58 (0.37 to 0.90)
## 2        Block       1       5 0.165 0.018 1.517 0.16 (0.02 to 1.52)
## 3        Doran       4      11 0.246 0.072 0.833 0.25 (0.07 to 0.83)
## 4        Gamsu      14      20 0.700 0.333 1.474 0.70 (0.33 to 1.47)
## 5     Morrison       3       7 0.348 0.083 1.455 0.35 (0.08 to 1.46)
## 6 Papageorgiou       1       7 0.139 0.016 1.209 0.14 (0.02 to 1.21)
## 7      Tauesch       8      10 1.017 0.365 2.831 1.02 (0.36 to 2.83)
## 8      Summary                 0.531 0.386 0.731 0.53 (0.39 to 0.73)
##
## 1
## 2
## 3
## 4
## 5
## 6
## 7
## 8

数据就准备好了。

画图

# 加载R包
library(forestploter)

最基本的画图：

p <- forest(data = tabletext[,c(1:3,8,7)], # 选择文字部分，这里选了5列，# 其中4列是要呈现的文字信息，还有1列空值用于画“森林”lower = tabletext$lower, # 可信区间下限upper = tabletext$upper, # 可信区间上限est = tabletext$mean, # 估计值ci_column = 4 # “森林”出现在图的第几列)print(p)

自动增加了色条，增加美感。

稍加美化：

p <- forest(data = tabletext[,c(1:3,8,7)],lower = tabletext$lower,upper = tabletext$upper,est = tabletext$mean,ci_column = 4,sizes = tabletext$mean, # 控制方框的大小is_summary = c(rep(FALSE,nrow(tabletext)-1), TRUE), # 最后一列是汇总行ref_line = 1, # 把竖线放到1的位置xlim = c(0,3), # x轴范围ticks_at = c(0,1,2,3), # x轴刻度显示arrow_lab = c("this better","that better"), # x轴下面的文字footnote = "A simple example of forestploter" # 左下角脚注)print(p)

更改主题！！

这个包比较创新的地方就在于主函数forest只提供基本参数，更多的细节调整借助主题进行调整。

接下来我们就使用主题对森林图进行一些美化。

# 自定义主题，修改各种细节
tm <- forest_theme(base_size = 10, # 基础大小# 可信区间点的形状，线型、颜色、宽度ci_pch = 16,ci_col = "#4575b4", # #762a83ci_lty = 1,ci_lwd = 1.5,ci_Theight = 0.2, # 可信区间两端加短竖线# 参考线宽度、形状、颜色refline_lwd = 1,refline_lty = "dashed",refline_col = "grey20",# 汇总菱形的填充色和边框色summary_fill = "#4575b4",summary_col = "#4575b4",# 脚注大小、字体、颜色footnote_cex = 0.6,footnote_fontface = "italic",footnote_col = "blue")

设置好之后，传递给theme参数即可

p1 <- forest(data = tabletext[,c(1:3,8,7)],lower = tabletext$lower,upper = tabletext$upper,est = tabletext$mean,ci_column = 4,is_summary = c(rep(FALSE,nrow(tabletext)-1), TRUE), # 最后一列是汇总行ref_line = 1, # 把竖线放到1的位置xlim = c(0,3), # x轴范围ticks_at = c(0,1,2,3), # x轴刻度显示arrow_lab = c("this better","that better"), # x轴下面的文字footnote = "A simple example of forestploter", # 左下角脚注theme = tm)print(p1)

编辑图形

除了使用主题外，该包还支持对图形进行特定的调整，比如更改某一行的颜色，控制字体，增加空行等等，主要是通过下面4个函数实现的：

edit_plot ：改变特定行或列的字体和字体颜色
add_underline：对特定的行增加边框
add_text：对特定的行或列增加文字
insert_text：在特定的行前或后增加一行并增加文字

# 改变第3行文字颜色
g <- edit_plot(p1, row = 3, gp = gpar(col = "red", fontface = "italic"))# 加粗字体
g <- edit_plot(g,row = c(2, 5),gp = gpar(fontface = "bold"))# 改变第6行的背景色
g <- edit_plot(g, row = 6, which = "background",gp = gpar(fill = "darkolivegreen1"))# 在顶部增加文字
g <- insert_text(g,text = "A short title",col = 3:4,part = "header",gp = gpar(fontface = "bold"))# 增加下划线
g <- add_underline(g, part = "header")# 插入文字
g <- insert_text(g,text = "This is a long text. Age and gender summarised above.\nBMI is next",row = 7,just = "left",gp = gpar(cex = 0.6, col = "green", fontface = "italic"))plot(g)

果然是很强啊！细节满满！而且非常方便，比forestplot包强多了！

有亚组的森林图

还是用上次推文的数据。

rm(list = ls())df <- read.csv("../000files/forestplot.csv", header = T)df$` ` <- paste(rep(" ", 26), collapse = " ")# 改个列名
colnames(df)[4:7] <- c("HR(95%CI)","mean","low","high")df
##                         Subgroup   AP   PA       HR(95%CI) mean  low high
## 1                   All patients   NR 27.2 0.75(0.61-0.93) 0.75 0.61 0.93
## 2                  Baseling ECOG                             NA   NA   NA
## 3                              0   NR 27.2 0.71(0.55-0.92) 0.71 0.55 0.92
## 4                              1   NR 26.4 0.86(0.58-1.28) 0.86 0.58 1.28
## 5                Baseling BPI-SF                             NA   NA   NA
## 6                            0~1   NR 27.2 0.71(0.54-0.94) 0.71 0.54 0.94
## 7                            2~3 25.5   NR 0.87(0.59-1.29) 0.87 0.59 1.29
## 8  Bone metastases only at entry                             NA   NA   NA
## 9                            Yes   NR 27.2 0.68(0.48-0.96) 0.68 0.48 0.96
## 10                            No   NR 27.5 0.81(0.61-1.06) 0.81 0.61 1.06
## 11                           Age                             NA   NA   NA
## 12                           <65   NR   NR  0.8(0.51-1.24) 0.80 0.51 1.24
## 13                           ≥65   NR 26.4  0.73(0.57-0.94 0.73 0.57 0.94
## 14                           ≥75   NR 23.8    0.71(0.51-1) 0.71 0.51 1.00
## 15     Baseline PSA above median                             NA   NA   NA
## 16                           Yes 26.9 23.8 0.72(0.43-0.94) 0.72 0.43 0.94
## 17                            No   NR   NR  0.77(0.38-1.09 0.77 0.38 1.09
## 18     Baseline LDH above median                             NA   NA   NA
## 19                           Yes   NR 23.6 0.69(0.53-0.91) 0.69 0.53 0.91
## 20                            No   NR 27.5 0.79(0.55-1.12) 0.79 0.55 1.12
## 21   Baseline ALK-P above median                             NA   NA   NA
## 22                           Yes   NR 23.6  0.79(0.6-1.04) 0.79 0.60 1.04
## 23                            No   NR 27.5 0.66(0.46-0.94) 0.66 0.46 0.94
## 24                        Region                             NA   NA   NA
## 25                 North America   NR 27.2 0.66(0.49-0.88) 0.66 0.49 0.88
## 26                         Other   NR   NR 0.89(0.65-1.22) 0.89 0.65 1.22

太棒了，和之前的比较一下，你喜欢哪一个呢？

现在的：

之前的：

获取代码及示例数据请关注微信公众号：医学和生信笔记，号内搜索森林图即可。

获取更多R语言知识，请关注公众号：医学和生信笔记

医学和生信笔记，专注R语言在临床医学中的使用，R语言数据分析和可视化。主要分享R语言做医学统计学、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。