手机微网站,网站图片类型,上海二手房,免费加客源软件目的#xff1a;画热图#xff0c;分区#xff0c;给对角线分区添加黑色边框 建议直接看0和4。
0. 准备数据
# 安装并加载必要的包
#install.packages(ComplexHeatmap) # 如果尚未安装
library(ComplexHeatmap)# 使用 iris 数据集 #data(iris)# 选择数值列画热图分区给对角线分区添加黑色边框 建议直接看0和4。
0. 准备数据
# 安装并加载必要的包
#install.packages(ComplexHeatmap) # 如果尚未安装
library(ComplexHeatmap)# 使用 iris 数据集 #data(iris)# 选择数值列去掉物种列
data0 - iris
rownames(data0)paste0(iris$Species, 1:nrow(data0))# data0 - mtcars 分类效果不好# 随机抽取30个
set.seed(42)
datdata0[sample(nrow(data0), 30), 1:4]
#datdata0# 计算余弦距离
#install.packages(proxy) # 如果尚未安装
library(proxy)
distance_matrix - as.matrix(dist(dat, method cosine))
# 如果不想安装新包也可以使用默认的欧氏距离
#distance_matrix - as.matrix(dist(iris_data, method euclidean))# 使用相似性绘图 simi1-dist
similarity1-distance_matrixdim(similarity)
[1] 30 301. Heatmap 全部分块加黑框
library(circlize)
col_fun colorRamp2(c(-2, 0, 2), c(green, white, red))
col_fun(seq(-3, 3))Heatmap(similarity, name mat, #col col_fun,row_km 3, column_km 3,)
# 每个分块绘制黑边框
# When the heatmap is split, layer_fun is applied in every slice.
Heatmap(similarity, name mat, #col col_fun,row_km 3, column_km 3,layer_fun function(j, i, x, y, width, height, fill) {# 全部分块都加黑框v pindex(similarity, i, j)#grid.text(sprintf(%.1f, v), x, y, gp gpar(fontsize 10))str(v)grid.rect(gp gpar(lwd 2, fill transparent))if(sum(v 0)/length(v) 0.75) {}})2. 为对角线分块添加黑边框
Heatmap(similarity, name mat,#col c(white, yellow, red3),#col col_fun,col colorRamp2(c(0.5, 0.75, 1), c(white, yellow, red3)),row_km 3, column_km 3,layer_fun function(j, i, x, y, width, height, fill, slice_r, slice_c) {v pindex(similarity, i, j)#grid.text(sprintf(%.1f, v), x, y, gp gpar(fontsize 10))if(slice_r slice_c) {grid.rect(gp gpar(lwd 4, fill transparent, colblack))}})3. 添加列注释
还有一个与 pheatmap 包同名的函数 annotation_col data.frame(type data0$Species,row.names rownames(data0)
)[rownames(dat), ,dropF]
# set colors
ann_colors list(#type c(setosa#ed553b, versicolor#99b433, virginicaorange)type c(setosavioletred1, versicolorturquoise2, virginicablueviolet)
)
# #ed553b, #99b433
#violetred1,turquoise2,pheatmap(similarity,name Cosine\nsimilarity,mainxx, border_color NA,clustering_method ward.D2,annotation_col annotation_col, #set anno for columnannotation_colors ann_colors, #set colors#col c(white, yellow, red3),#col col_fun,col colorRamp2(c(0.8, 0.9, 1), c(white, yellow, red3)),row_km 3, column_km 3,layer_fun function(j, i, x, y, width, height, fill, slice_r, slice_c) {v pindex(similarity, i, j)#grid.text(sprintf(%.1f, v), x, y, gp gpar(fontsize 10))if(slice_r slice_c) {grid.rect(gp gpar(lwd 4, fill transparent, colblack))}})Bug: 有一个问题不同次执行图竟然是不同的不仅仅是分类的排列顺序问题而是分类本身也不同了。搜了一下 竟然受到随机数种子的影响固定的数据固定的参数每次聚类为什么还要受到随机数影响不理解难道非监督的聚类还要人工判断对不对 比如对以上最后一个聚类函数设置不同的随机数种子结果分别是
# set.seed(45) #这个随机数竟然影响分类位置比如修改随机数种子图分别为
pheatmap(similarity,name Cosine\nsimilarity,mainxx, border_color NA,clustering_method ward.D2,annotation_col annotation_col, #set anno for columnannotation_colors ann_colors, #set colors#col c(white, yellow, red3),#col col_fun,col colorRamp2(c(0.8, 0.9, 1), c(white, yellow, red3)),row_km 3, column_km 3,layer_fun function(j, i, x, y, width, height, fill, slice_r, slice_c) {v pindex(similarity, i, j)#grid.text(sprintf(%.1f, v), x, y, gp gpar(fontsize 10))if(slice_r slice_c) {grid.rect(gp gpar(lwd 4, fill transparent, colblack))}})原因使用kmeans聚类确实是随机数确定初始中心的。不使用kmeans聚类就不会受到随机数的影响。
4. 层次聚类对结果分群
原来row_km 3, column_km 3, #kmeans确实是种子确定初始中心结果会随随机数而变化现在cutree_row3, cutree_cols3, #层次聚类是稳定的
pheatmap(similarity,name Cosine\nsimilarity,mainHierarchical cluster, border_color NA,clustering_method ward.D2,annotation_col annotation_col, #set anno for columnannotation_colors ann_colors, #set colors#col c(white, yellow, red3),#col col_fun,col colorRamp2(c(0.8, 0.9, 1), c(white, yellow, red3)),#row_km 3, column_km 3, #kmeans确实是种子确定初始中心cutree_row3, cutree_cols3, #层次聚类是稳定的layer_fun function(j, i, x, y, width, height, fill, slice_r, slice_c) {v pindex(similarity, i, j)#grid.text(sprintf(%.1f, v), x, y, gp gpar(fontsize 10))if(slice_r slice_c) {grid.rect(gp gpar(lwd 4, fill transparent, colblack))}})Ref
