韦恩图进阶之upsetplot：02

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

构造数据
queries参数

书接上回！

今天继续学习upsetR包的queries参数的用法！

构造数据

为了方便演示，下面新建一个数据框(data.frame)形式的数据集，这个数据框是一个0-1矩阵的形式，0代表没有，1代表有。

但是为了方便大家学习，我将从一个*列表格式（因为画韦恩图用列表格式比较多）*进行变换，变为一个0-1矩阵形式。

library(tidyr)
library(dplyr)
##
## 载入程辑包：'dplyr'
## The following objects are masked from 'package:stats':
##
##     filter, lag
## The following objects are masked from 'package:base':
##
##     intersect, setdiff, setequal, union# 构造一个列表，每个元素长度相等
df <- list(a = sample(1:500,400),b = sample(1:500,400),c = sample(1:500,400),d = sample(1:500,400),e = sample(1:500,400),f = sample(1:500,400),g = sample(1:500,400)
)# 变为0-1矩阵,你如果对下面这段代码感到疑惑，请查看我前面发的关于长宽数据转换的推文！
df <- df %>% bind_cols() %>% pivot_longer(cols = 1:7) %>% mutate(aa = 1) %>% pivot_wider(names_from = name,values_from = aa,values_fill = 0) %>% mutate(col1 = sample(1995:2022,500,replace = T),col2 = sample(1000:10000,500),group = sample(LETTERS,500,replace = T),.before = 1)glimpse(df)
## Rows: 500
## Columns: 11
## $ col1  <int> 2010, 2015, 2018, 2002, 2008, 2016, 2009, 2017, 1997, 2006, 2022~
## $ col2  <int> 4696, 5434, 6239, 8756, 7913, 4093, 6060, 2778, 7422, 7509, 5172~
## $ group <chr> "V", "F", "C", "T", "J", "L", "O", "N", "R", "P", "G", "A", "O",~
## $ value <int> 497, 1, 250, 404, 146, 290, 179, 72, 43, 153, 450, 185, 480, 85,~
## $ a     <dbl> 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 0, 1~
## $ b     <dbl> 1, 1, 1, 1, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1~
## $ c     <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 1, 1~
## $ d     <dbl> 1, 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1~
## $ e     <dbl> 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1~
## $ f     <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 0, 1, 1, 1, 1, 1~
## $ g     <dbl> 1, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1~
df <- as.data.frame(df) # 不能是tibble哦！

注意！！这个数据的前4列都是属性的描述，后面7列才是真正的集合！在画图时会自动识别。

queries参数

昨天简单讲了一下queries参数，了解它基本的作用就是查询特定的数据，今天继续扩展。

可以查询特定交集，此时用intersects；
也可以查询符合条件（此时就用到了属性的那几列）的某些元素，此时用elements。

upset(df,order.by = "freq",main.bar.color = "skyblue",sets.bar.color = "grey70",nintersects=20,## 添加queryqueries = list(# 查询特定交集list(query = intersects, params  = list("g","f","e"),color = "orange",active = T),list(query = intersects, params  = list("d","f","c"),color = "red",active = T),# 查询元素，选择col1这一列为2010~2020的元素list(query = elements, params = list("col1",2010:2020),color = "tomato",active = T) ))

除此之外，还可以配合expression参数，在查询到的结果中继续限定条件：

upset(df,order.by = "freq",main.bar.color = "skyblue",sets.bar.color = "grey70",nintersects=20,## 添加queryqueries = list(# 查询特定交集list(query = intersects, params  = list("g","f","e"),color = "orange",active = T,query.name="query1"),list(query = intersects, params  = list("d","f","c"),color = "red",active = T,query.name="hah"),# 查询元素，选择col1这一列为2010~2020的元素list(query = elements, params = list("col1",2010:2020),color = "tomato",active = T,query.name="elements") ),# 在queries的基础上，再添加条件expression = "col2 > 5000 & value > 200",# 添加图例query.legend = "top")

OK，以上就是queries的常见用法！真的是非常强大！简直和和韦恩图不是一个量级的。