R问题｜数值模拟流程记录和分享
简介
最近在做论文模拟实验并将实验结果进行可视化。下面是我这阶段的一些经验总结，在此记录下，也希望能够帮助到你。
方法不一定最优，也欢迎批评指正。由于工作还在继续，完整代码现阶段不会公开，下面给出部分代码和代码编写思路。
整个工作流程：由于参数不同，会得到不同的结果。我的目标是将不同参数模拟的结果最后通过一副图进行可视化。
难点：每个脚本代码量较大，模拟时间较长（10h+），为了方便起见，我将不同参数单独构建成一个脚本，然后开启多个Rstudio，进行“人工”并行运算并保存各个脚本的 Rdata 和数据集。最后新建一个 R 脚本，加载参数模拟结果并绘图。最终可视化结果如下：
这里的每行图形来自一个Rdata（一组参数），整幅图中包含了三组不同参数的结果。
首先看下我每个脚本中的代码缩略图以及部分脚本：
代码缩略图
部分脚本
注意： 为了方便查看，我将自己论文所需函数都放到了
all_function.r脚本中，然后使用source()将其进行加载。脚本中参数修改主要是numbers，sigma，nums和it。
all_function.r缩略图
工作流程
接下来给出操作流程：
1.打开多个 Rstudio并运行
每个 Rstudio 中运行一个脚本代码。
2. 在每个 R 脚本中存储所有 Rdata 和数据集
代码如下：
write.xlsx(sheets, paste("./data/latex/sigma",sigma,"new2/R",numbers,"_",nums,"_",it,".xlsx",sep=""),
colNames = T, rowNames = T)
save.image(paste("./data/latex/sigma",sigma,"new2/R",numbers,"_",nums,"_",it,".Rdata",sep=""))
注意： 这里有个小技巧，使用
paste()函数，自动根据参数不同（这里是sigma，numbers，nums，it），改变路径和文件名称（文件夹要提前建立好）。
这是运行完的结果如下。
3. 新建了一个R脚本,绘制图形
文件名叫 plot_all.r。主要功能是将刚才每个不同参数的脚本得到的数据绘制图形，然后使用相应的包将他们合成一个图。代码缩略图可见文末，这里先介绍各个函数的功能。如果对ggplot2绘制还存在一定难度的朋友，可以在公众号输入[可视化文稿]得到教程文稿，再结合我的b站（账号：庄闪闪）“R可视化教程”，进行快速的入门学习。
plot_5_methods功能：使用ggplot2包绘制一个数据集中某一列参数（b/c/d/sigma）的图形。
plot_5_methods = function(dat = b_data){
plot_5 = ggplot(dat,aes(class,value,fill = class)) +
geom_boxplot(na.rm = T) +
# scale_fill_viridis(discrete = TRUE, alpha=0.6) +
stat_summary(fun.y=mean, na.rm=T, geom="point", shape=21, size=2, fill="red",color="red") +
# geom_jitter(color="black", size=0.4, alpha=0.9) +
# geom_hline(yintercept = yline) +
theme_bw() +
theme(
legend.position="none",
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
plot.title = element_text(size=11)
) +
ylab("") +
xlab("")
return(plot_5)
}
all_plot_compare功能：绘制一个数据集所有列，并将其横向合并，结果如下所示：
all_plot_compare = function(data1 = all_data_0.3,str1 = c(0, 3.5,0, 1,0, 10,0, 1.5)){
## b
b_data = data.frame("class" = factor(rep(c("GH","TS","BT","Pooled","Fixed"),each = dim1),
levels = c("GH","TS","BT","Pooled","Fixed")),
"value" = c(data1[,1],data1[,5],data1[,9],data1[,13],data1[,17]))
b_plot = plot_5_methods(dat = b_data) +
geom_hline(yintercept = b,linetype = 3) +
scale_y_continuous(limits = str1[1:2]) +
xlab(expression(b)) +
scale_fill_manual(values = col1)
## c
c_data = data.frame("class" = factor(rep(c("GH","TS","BT","Pooled","Fixed"),each = dim1),
levels = c("GH","TS","BT","Pooled","Fixed")),
"value" = c(data1[,2],data1[,6],data1[,10],data1[,14],data1[,18]))
c_plot = plot_5_methods(dat = c_data) +
geom_hline(yintercept = c,linetype = 3) +
scale_y_continuous(limits = str1[3:4]) +
xlab(expression(c)) +
scale_fill_manual(values = col1)
## d
d_data = data.frame("class" = factor(rep(c("GH","TS","BT","Pooled","Fixed"),each = dim1),
levels = c("GH","TS","BT","Pooled","Fixed")),
"value" = c(data1[,3],data1[,7],data1[,11],data1[,15],data1[,19]))
d_plot = plot_5_methods(dat = d_data) +
geom_hline(yintercept = d,linetype = 3) +
scale_y_continuous(limits = str1[5:6]) +
xlab(expression(d)) +
scale_fill_manual(values = col1)
## sigma
sigma_data = data.frame("class" = factor(rep(c("GH","TS","BT"),each = dim1),
levels = c("GH","TS","BT")),
"value" = c(data1[,4],data1[,8],data1[,12]))
sigma_plot = plot_5_methods(dat = sigma_data) +
geom_hline(yintercept = sigma,linetype = 3) +
scale_y_continuous(limits = str1[7:8]) +
xlab(expression(sigma)) +
scale_fill_manual(values = col1[1:3])
return(plot_grid(b_plot,c_plot,d_plot,sigma_plot,ncol = 4,nrow = 1))
}
注意：这里我将每个参数的
ylim都放到str1参数中，方便人工修改。all_data_0.3表示某个脚本得到的数据集。期间还加了一些ggplot参数，修改了颜色和加入 x 轴标题等（看个人喜好添加）。
all_plot_compare函数结果
- 加载Rdata并绘制图形
前面两函数基本可以绘制一个数据集的所有图形了，之后我要将不同数据集加载进来（例如：load("~/Desktop/2021.06.06/data/latex/plot_data/R11_500_200_0.3.Rdata")），然后内部关键数据集（point_final）进行重新定义，并通过前面写的函数进行绘制，并保存到变量中（p_0.3）。
# sigma0.3
load("~/Desktop/2021.06.06/data/latex/plot_data/R11_500_200_0.3.Rdata")
all_data_0.3 = point_final
dim1 = nrow(all_data_0.3)
p_0.3 = all_plot_compare(data1 = all_data_0.3)
最后使用ggpubr包中的annotate_figure()加入图片的标签，再使用cowplot包中的plot_grid()将图片进行合并。具体教程参考：R语言统计与绘图：给组合图形添加ABCD小标签；R可视乎｜合并多幅图形；R语言ggplot2作图一些好看的颜色搭配；paletteer包：拥有2100多个调色板！
代码如下：
fig11 = annotate_figure(p_0.3,
top = text_grob(bquote("("*sigma==0.3*")"),
color = "black", size = 12))
fig21 = annotate_figure(p_0.5,
top = text_grob(bquote("("*sigma==0.5*")"),
color = "black", size = 12))
fig31 = annotate_figure(p_0.8,
top = text_grob(bquote("("*sigma==0.8*")"),
color = "black", size = 12))
plot_grid(fig11,fig21,fig31,ncol = 1,nrow = 3)
注意： 这里又有一个技巧：在标签中加入特殊符号，可以使用
expression()函数，也可以使用我这里写的bquote()函数。
绘图代码缩略图
小编有话说
这里在做一些说明：
- 可以直接
viridis包进行颜色填充，例如：scale_fill_viridis(discrete = TRUE, alpha=0.6)。我这里使用手动加载颜色：scale_fill_manual(values = col1)。 - 如果图形中包含中文，可以使用
showtext包解决该问题，代码如下：
library(showtext)
showtext.auto()
- 整个流程还有一个思路：将所有函数构建成一个大的函数，只需要改变相应参数即可，这时代码量就会减少很多。
- 希望半年后后头看这篇推文会有不一样的想法。希望到时候觉得现在的思路很幼稚！?