一、概述
《How effective is the health promotion policy in Sichuan, China: based on the PMC-Index model and field evaluation》
《Spectrum-effect relationship between UPLC fingerprints and anti-lung cancer effect of Panax ginseng》
很酷吧，好的图对文章也有加分的作用，接下来我们看看三维图是怎么做的吧？
二、数据集
任何图都离不开数据集，所以先看数据集吧。
2.1 安装及其使用
#相关R包安装与载入： #install.packages('plotly') library(plotly) #install.packages("Seurat","cols4all") library(Seurat) library(cols4all) #install.packages("ggfun") 在安装tidydr之前需要先安装依赖包ggfun才能安装成功 #install.packages("tidydr","dplyr","ggplot2") library(tidydr) library(dplyr) library(ggplot2) #install.packages("umap") library(umap)
2.2 读取数据
首先，我们需要读取obj.Rda数据集，查看数据集信息
data(iris) str(iris)
数据集展示：
'data.frame': 150 obs. of 5 variables: $ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ... $ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ... $ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ... $ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ... $ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
三、基础用法
plotly是一个交互式高质量图表绘制R包，如折线图、散点图、面积图、柱形图、箱线图、直方图等等，当然也包括了3D型图表的绘制，如三维散点图、线图、曲面图等。
3.1 三位散点图
data(iris) # 将iris数据集中的前三列作为三个维度 x <- iris$Sepal.Length y <- iris$Sepal.Width z <- iris$Petal.Length # 将iris数据集中Species列对应到颜色上面，并设置自定义颜色 color <- as.factor(iris$Species) mycolor <- c("blue", "red", "green") # 绘制三维散点图 plot_ly(x = x, y = y, z = z, color = color, colors = mycolor, type = "scatter3d", mode = "markers", marker=list(size = 2)) %>% layout(scene = list(xaxis = list(title = "Sepal Length"),yaxis = list(title = "Sepal Width"),zaxis = list(title = "Petal Length"))) # 将三维散点图保存为交互式HTML文件 saveWidget(plot_ly(x = x, y = y, z = z, color = color, colors = mycolor, type = "scatter3d", mode = "markers", marker=list(size = 2)) %>% layout(scene = list(xaxis = list(title = "Sepal Length"), yaxis = list(title = "Sepal Width"), zaxis = list(title = "Petal Length"))), file = "iris_visualization.html", selfcontained = TRUE)
3.2 三维线图
library(plotly) # 从 iris 数据集中选择前三个变量，并添加一个类别变量 df <- iris[, 1:3] df$Species <- as.factor(iris$Species) # 修改列名的首字母为大写 # 绘制一个三维线图 plot_ly(df, x = ~Sepal.Length, y = ~Sepal.Width, z = ~Petal.Length, color = ~Species) %>% add_lines() %>% layout(scene = list(xaxis = list(title = "Sepal Length"), yaxis = list(title = "Sepal Width"), zaxis = list(title = "Petal Length")))
3.3 k-means聚类
k-means是一种聚类算法，常用于对数据集进行无监督的聚类分析。该算法将数据集划分为k个不同的类别，如何划分依据的是数据之间的相似性。k-means算法将数据划分为k个簇，簇与簇之间的距离尽可能大，簇内的点与簇中心之间的距离尽可能小。
# 取出数据集中的4个特征列作为聚类的输入 X <- iris[,1:4] # 设定聚类的类别数量为3 k <- 3 # 使用k均值聚类算法进行聚类 km <- kmeans(X, k)
3.4 plotly包绘图
# 将iris数据集中的Species列由字符型变为数值型，以便与聚类结果进行比较 species <- as.integer(factor(iris$Species)) - 1 # 绘制聚类的结果和原始数据在三维空间中的散点图 plot_ly(x=X$Sepal.Length, y=X$Sepal.Width, z=X$Petal.Length, color=factor(km$cluster), colors=c("red", "blue", "green"), symbol=factor(species), symbols=c(0, 1, 2), marker=list(size=3)) %>% add_markers() %>% add_markers(x=km$centers[,1], y=km$centers[,2], z=km$centers[,3], color=c("red", "blue", "green"), symbol=c(3,3,3), size=10) %>% layout(scene = list(xaxis = list(title = "Sepal Length"), yaxis = list(title = "Sepal Width"), zaxis = list(title = "Petal Length")))
