羡慕高分文章美图？这26款好看的可视化R包助你一臂之力

常用的可视化R包汇总

本文将简要盘点R中常用的可视化包，并通过简要介绍包的特点来帮助读者深入理解可视化包。

如果最近浏览了R包的目录，你会发现可用包的数量已经达到了1w多个，足以让人眼花缭乱。这意味着现有的包几乎足以解决所有你能想象到的数据可视化任务，从癌症基因组可视化到图书的可视化分析。

对于R菜鸟或想提升R数据可视化能力的人来说，CRAN目录看起来是一种尴尬的富有——数据可视化的包过多，不知从何入手。

为了解决这种问题，今天我们要盘点26个实用的R数据可视化包。

1.名称：ggplot2包

简介：将绘图与数据分离，按图层作图，一个语句代表了一张图；将常见的统计融入了绘图中。参数设置包括：1)图形属性（aes） （横纵坐标、点的大小、颜色，填充色等）；2）几何对象（geom_） 上面指定的图形属性需要呈现在一定的几何对象上才能被我们看到，这些承载图形属性的对象可能是点，可能是线，可能是bar；3）统计变换 （stat_）比如求均值，求方差等，当我们需要展示出某个变量的某种统计特征的时候，需要用到统计变换。

缺点：无法调节多个legends；绘图效率不高，速度慢；对公式的支持不友好。

2.名称：ggpubr

简介：R包是 ggpubr，它是一款基于ggplot2的可视化包，功能异常强大，能够简单的一行命令就可以绘制出符合出版物要求的图形。ggpubr包可绘制几乎60%的sci图形类型多，有直方图、柱状图、饼图、棒棒糖图、Cleveland 点图、箱线图、小提琴图、点图、散点图、误差棒图，并且方便拼图，加上统计分析的结果 p值标记。

缺点：它的p值可能和直接的R统计结果有一点点差异。

3.名称：RColorBrewr包

简介：提供3套配色方案，连续型，渐变色；极端型可生成离群点；离散型形成彼此差异明显的颜色标记分类数据。参数设置包括：1)连续型9种颜色；极端型11种颜色等2）配色高大上，基本满足大部分的使用场景3）可以生成多种自己喜欢的颜色库。

4.名称：ggsci包

简介：ggsci提供了包括nature/cell/JCO等多个顶刊的推荐配色方案，使用palette可以直接在ggplot2基础上添加配色，告别审美不过关的问题，用顶刊的逼格弥补自己的审美，配色再也不是画图丑的原罪了。

5.名称：ggannotate包

简介：在github上，对于ggplot2觉得调legends的位置，图形形状觉得费力的同学，可以使用ggannotate进行交互式修图，让你使用R有一种使用Graphpad prism的快乐。

6.名称：patchwork包

拼图的极致！命令可读性极强！通过+、|和/三个操作符即可轻松实现拼图，配合圆括号( )实现更加复杂的拼图！

7.名称：Plotly

简介：Plotly更多是因为其在线绘图工具的属性为人所知，比如GEPIA网站中一个热图的可视化就用到了plotly的外接，但其实他也是一个可视化R包。优点是提供了一些其他包中没有的图表如等值线，蜡烛图还有3D图。

8.名称：ggstatsplot

简介：ggstatsplot能够提供更为丰富信息的包,其实就是画出高质量的图，不需要我们花费过多的精力去调整绘图细节,举个例子，一般的探索性数据分过程析包括数据可视化与数据统计两个部分，而ggstatsplot正是达到两者结合的目的。

有组间比较-ggbetweenstats、配对比较、ggwithinstats组内比较等功能。

缺点：虽然图的信息量大，但有时比如presentation，时间不够，图信息过多反而不利于简明扼要的传达信息。

9.名称：complexheatmap

简介：complexheatmap是古祖光博士开发的一个R包，可以绘制各种复杂的热图，并且目前已经完全把pheatmap的一切功能都包含进来了，可以随便添加各种legend，对热图进行各种高级的展示，经常在cns期刊可以见到这个包的使用。

缺点：legednd的操作还是有一点复杂。

10.名称：pheatmap

简介：pheatmap是目前用的到做多的绘制热图的一个R包，他可以通过一个矩阵和一个legend配置文件轻松完成热图绘制.对于入门级的朋友非常友好。

缺点：绘制复杂的热图还是逊于complexpheatmap。

11.名称：RGL包

简介：可以使用RGL包得到交互的3D图，接受一个X,Y,Z的变量组合的数据框来描述数据，入门比较容易，同时也有很多炫酷的技能，包括可以选择形状、灯效、物体质感等。

缺点：坐标标记难调整，图形效果也有一定审美的缺陷。

12.推荐：ggcorrplot

推荐理由：在平时科研作图里面很常需要用到相关矩阵以及相关性的表示里面，比较基础的就是这个包了，它的优点就是在于能表示出P VALUE。用比较接地气的话，可以画出又圆又方或者点的图，图像美观、大方，可塑性强，新手容易上手。

缺点：需要以ggplot2为基础，同时一般来说，分类变量要剔除，只画连续型变量（这也是相关矩阵图的前提）。

13.名称：ggtech

简介：ggtech对于缺乏色彩感的人来说简直是一个宝藏。在github https://github.com/ricardo-bion/ggtech可以看到。需要先安装好devtools和curl两个包，然后可以从github上安装最新版的ggplot2和ggtech。ggtech是新版ggplot2的科技主题包，综合了Etsy，Facebook，Google以等科技公司的主题配色。

缺点：跟ggplot2比可能不够亮丽。

14.名称：Lattic包

简介：基于grid包开发的Lattic包含了grid包大部分的功能，尤其对于多变量数据进行可视化，简直是第一杀器，能够直接生成画板，并且比较变量的不同分组或者不同子集，不用循环也能批量出图，绘图逻辑基本跟grid包一致。

15.名称：ggthemes

简介：ggthemes将一些期刊、软件的图表风格进行了整理，做成扩展包，方便地格式化出不同风格的图表。

16.推荐：suevminer

简介：这个是做生存分析里面最基础的R包了。可以根据数据绘制出你想要的结果，还能通过选择pval=TRUE会显示两组差异检验结果的pvalue。可谓是集大成于一体了。

17.名称：recharts

简介：recharts是一个绘制交互式图形的R包。从此我们见到的图不再是静态的，可以一直动态的展示.Recharts是基于Echarts开发的R版本，由Yang Zhou和TaiyunWei开发,对比Python的ploty库，是一个非常好的可视化工具，直接通过github即可以安装。

缺点：需要移植更多的ploty更多功能，让其更强大，对文字的显示更友好。

18.推荐：ggcorrgram

简介：同样绘制相关矩阵以及相关性图片的选择之一，比起大众化ggcorrplot，ggcorrgram画出的图片有种高大上的风味，直接一行代码出图就帮你把其他参数设置得明明白白，最重要不需要提前计算好相关矩阵，输入数据即可自动计算，新手易上手的同时还能让画出来的图片有老司机的感觉。

19.推荐：ggcorrgram

简介：同样绘制相关矩阵以及相关性图片的选择之一，比起大众化ggcorrplot，ggcorrgram画出的图片有种高大上的风味，直接一行代码出图就帮你把其他参数设置得明明白白，最重要不需要提前计算好相关矩阵，输入数据即可自动计算，新手易上手的同时还能让画出来的图片有老司机的感觉。

20.名称：rms

简介：rms是一个计算和绘制列线图的R包。列线图我们知道在临床数据分析有举足轻重的地位，相比于多因素回归的公式预测模型有更加直观及快速评估预测结局。有了rms包之后，绘制列线图简单。

缺点：暂时没得。

21.名称：FactoMineR

简介：FactoMineR是一个计算和绘制PCA的R包。pca绘图哪家强，FactoMineR一定是N0.1,显示最重要的PC组分，显示那个变量对组分的贡献大，简单搞定。各种PCA分类图，椭圆图简单绘制。

缺点：暂时没得。

22.名称：pROC

简介：做诊断性模型的时候，最常用的选择最佳cutoff的方法就是使用ROC曲线。pROC包对于 ROC曲线的的绘制和分析可谓得心应手。

23.推荐：ggfortify

简介：最开始在初学R的时候，一开始就知道如果要表达时间序列可以用最基本的ggplot2来实现。但是接触了ggfortify你就能打开人生的新天地，找到人生的新世界。在时间序列分解图或者平滑预测图等方面，ggfortify绝对能甩ggplot2好几条街，同时就肩负有线性回归、聚类分析、概率分布等图形绘制，兼容并蓄。

24.名称：ggbiplot

简介：如果你觉得FactoMineR绘制PCA有些复杂，那么来试试ggbiplot吧。一个矩阵，一个分组文件，是否显示坐标轴，三个参数到位，一个精美的PCA图就来了 。想加上椭圆没问题，设置ellipse为T，想加上箭头没问题，var.axes=T.

缺点：加上三维展示更好。

25.名称：UpsetR

简介： 如果你觉得已经厌倦了普通的韦恩图来可视化集合的交集情况，并且你的集合过多，比如超过5个。那就用UpsetR吧。UpsetR 可以很好地展示多个集合之间的关系,并且让你有空间三维图的感觉，多维度展示信息。

缺点：集合数＜5的不如普通的韦恩图。

26.名称：maftools

简介：我是在学习肿瘤突变负荷TMB时发现这个包的，对于TMB是必学的包，一行代码（是的，没看错，一行代码）可以轻松画出summary图、瀑布图、云图等TMB的常见图形。另外maftools对WGS和WES数据进行上游分析之后，进行somatic mutation分析的一个非常好用的包，用非常简短的几行代码即可出图。

缺点：

1.对于突变的注释位置信息不全，比如没有stopgain。

2.里面有很多已经废弃的不能用的函数。