你不知道的色彩密码——色轮实例带你飞~~

1.前言（回顾R语言colortools）

合理的配色对于分析图形而言是必不可少的组成部分。通过上一篇colortools基础知识的介绍（点击查看），相信大家对colortool包颜色生成的过程与命令都已经掌握，本篇开始会应用所学到的调色技巧生成几种常用的色彩组合。

wode

需要大量使用颜色的分析分为三大类，包括第一类双变量、三变量关系的探索；第二类多维度数据探索及数据分析；以及第三类矩阵、热图分析。现在，拿起你的配色工具，让我们一同开始进入。

2.数据准备与包加载

为了进一步向大家说明colortools包调色在图形分析的应用，我们会以三个具体的例子，在ggplot2框架下向大家说明。

首先还是加载包，假如没有安装请先运行install.packages命令对其进行安装。

library(pheatmap)

library(cluster)

library(colortools)

library(ggplot2)

library(circlize)

然后我们分别设置三组不同的颜色，第一组是以红色为起点的8个颜色组成的色轮，第二组是以红色为起点，白色为终点的一系列红色系列过度色；第三组是名为deserve的预设颜色。

col1<-sequential("red",12)

col2<-setColors("red",num=8)

col3<-pals("deserve")

3.三个以内变量数据的探索

在医学论文中，三个以内变量的图形是很常用的分析。一般会在论文中采用3种以内的颜色分别表征x、y关系与组别，又或是x、y拟合关系。通过简单的颜色可以更加清晰的表明我们的分析意图。下面以R语言内置的数据集ToothGrowth、mtcars为例。

data(ToothGrowth)

data(mtcars)

head(ToothGrowth)

head(mtcars)

#加载数据与预览数据

ToothGrowth$dose<-factor(ToothGrowth$dose)

mtcars$cyl <- as.factor(mtcars$cyl)

#将数值型的变量转化为因子型

ToothGrowth是一个典型的三变量的数据，数据来源于小鼠牙齿长度的实验。实验显示小鼠分别服用不同剂量的维生素C与果汁对牙齿的生长是有差别的。详情可通过？ToothGrowth查看详细的信息。mtcars是另一个关于不同牌子汽车的数据，详情可通过？mtcars查看详细的信息。ggplot2的作图基础可以参考医学方之前的文章。

4.变量探索的应用

首先，我们对ToothGrowth数据进行探索，同时用上我们的颜色包。col1属于渐变色，可以使用于数据分布的探索。

b<-ggplot(ToothGrowth,aes(x=len))

b+geom_histogram(fill=col1[5],col=col1[2])+theme_bw()

#画出频率图，采用我们调配的颜色，使用theme_bw()白色主题

图中，我们可以看到小鼠牙齿的长度（len）是一个偏峰的分布。然后我们可以分组探索小鼠牙齿的情况，并且采用三个我们调配的颜色。

b+geom_histogram(aes(fill=dose),color="darkblue")+scale_fill_manual(values=c(col1[2],col1[4],col1[8]))+theme_bw()

# scale_fill_manual是自定义颜色的命令

三组不同的小鼠牙齿长度看来是有区别的。然后我们分组看一下VC组、OJ组对牙齿长度的影响。

b+geom_histogram(aes(fill=dose),color="darkblue")+scale_fill_manual(values=c(col1[2],col1[4],col1[8]))+facet_wrap(~supp)+theme_bw()

# 通过分面facet_warp()命令，可以看到VC与OJ组也是有差异的

b+geom_density(aes(fill=dose,alpha=0.5))+scale_fill_manual(values=c(col1[2],col1[4],col1[8]))+theme_bw()

#使用密度图，可以更清楚看到三组数据的差别，注意透明度alpha的使用

len.m<-tapply(ToothGrowth$len,ToothGrowth$dose,mean)

#我们计算不同dose组的牙齿长度的平均值

len.m1<-data.frame(dose=c(0.5,1,2),len=len.m)

#转为数据框

b+geom_density(aes(fill=dose),alpha=0.5)+scale_fill_manual(values=c(col1[2],col1[4],col1[8]))+theme_bw()

+geom_vline(data=len.m1,aes(xintercept=len,color=factor(dose)),linetype="dashed",size=1)

#在三组平均值的位置绘制垂线，并附上不同的颜色

所表示的图形包含了较多的信息，三组的平均值的确不一样，dose=1组别还显示出双峰的分布。由此可见，合适的颜色配合图形可以非常清楚的观察到数据的规律。下面，我们将进入三变量关系的组合分析，颜色的调配也是非常重要的。

5.双变量关系的探索的应用

e<-ggplot(ToothGrowth,aes(x=dose,y=len))

#生成ggplot2的对象

e+geom_jitter(position=position_jitter(0.2))+theme_bw()

#jitter散点图可以看出数据的分布，是否有离散点与异常值

e+geom_jitter(aes(color=dose),position=position_jitter(0.1))+theme_bw()+scale_color_manual(values=col2)

#分组赋予我们调配的col2的颜色

e+geom_jitter(aes(color=dose),position=position_jitter(0.1))+theme_bw()+scale_color_manual(values=col2)+stat_summary(fun.data =mean_sdl,fun.args=list(mult=1),geom="pointrange",color="black")

#在散点图的基础上，叠加rangepoint的统计图形，注意stat_summary与geom之间的关系。

e+geom_violin(trim=FALSE)+geom_jitter(aes(color=dose),position=position_jitter(0.1))+stat_summary(fun.data =mean_sdl,fun.args=list(mult=1),geom="pointrange",color="black")+ theme_bw()+scale_color_manual(values=col2)

#增加小提琴图可以更清晰地看到

e+geom_violin(aes(color=supp),trim=FALSE)+geom_jitter(aes(color=supp),position=position_dodge(0.8))+ stat_summary(fun.data =mean_sdl,fun.args=list(mult=1),geom="pointrange",mapping=aes(color=supp)) theme_bw()+scale_color_manual(values=col2)

#通过分组赋予颜色，让分组图形数据分布、均值、差别一次呈现