189 8069 5689
q1, 首先要确定是barplot还是hist，如果是barplot的话，应该不存在breaks的问题，因为barplot的传入参数是个矩阵；
创新互联专注于宾县企业网站建设,响应式网站开发,商城网站建设。宾县网站建设公司,为宾县等地区提供建站服务。全流程按需定制开发，专业设计，全程项目跟踪，创新互联专业和态度为您提供的服务
我假设你要画的是个hist，我偶遇过这个问题，我的理解是hist的breaks的值要能被范围整除才行；比如x=1:200，break=7的话，就只能画出4个柱来，但如果breaks=10就没问题；基本上是这样的，偶尔也有例外；比如break=5就不行....奇怪得很
最后，没办法的办法，就只能用barplot代替hist了，barplot肯定不会有这个问题，统计下hist参数中的分布情况，转换成矩阵，用barplot吧；
q2, 貌似一般都用一组因素把这些类别区分开，我用abcde，表示你的小学，中学...了，比如这样：
a=1:7;b=8:10;c=c(9,10,11);d=c(40,55);e=100:110f=factor(c(rep(1,sum(length(a),length(b),length(c))),rep(2,sum(length(d),length(e)))))#先用c()生成数组，在转换成factor，其实数组也ok的，不过plot()中两个数组和factor不一样 x=c(a,b,c,d,e)plot(x~f)q3, 就我所知不行；yes或no一定也要是能映射到x，y范围内的点才行；你是想表示分类结果吗？如果是的话，通常用颜色，或者在点旁边的text表示。
q4, 举个例子吧
x=-50:50y=x^2+x+1z=10*abs(x)+1 plot(x,y,type='l')lines(x,z,lty=3)legend(c('type1','type2'), x=-20,y=2500, col=c('black','red'), lty=c(1,3))legend的x和y是legend的左上角，匿名参数是类型名称，col,lty,pch 是对应的颜色，线类型，和点类型。
最后，我现在多用ggplot2，如果不抵触的话可以看看，和R的基础作图包思路不是很一样，但是图很清新的；
如果还有问题，建议把数据集data.frame粘贴几行上来，我也试试；
#include int main(int argc, char ** argv) {int i = 1, j = 1, k = 1;do {do {if (i != 5)printf(" ");j++;} while (j
前面我给大家详细介绍过
☞GO简介及GO富集结果解读
☞四种GO富集柱形图、气泡图解读
☞GO富集分析四种风格展示结果—柱形图，气泡图
☞KEGG富集分析—柱形图，气泡图，通路图
☞ DAVID GO和KEGG富集分析及结果可视化
也用视频给大家介绍过
☞ GO和KEGG富集分析视频讲解
最近有粉丝反映说，利用clusterProfiler这个包绘制GO富集分析气泡图和柱形图的时候，发现GO条目的名字都重叠在一起了。
气泡图
柱形图
这个图别说美观了，简直不忍直视。经过我的认真研究，发现跟R版本有关。前面我给大家展示的基本都是R 3.6.3做出来的图。很多粉丝可能用的都是最新版本的R 4.1.2。
我们知道R的版本在不停的更新，相应的R包也在不停的更新。我把绘制气泡图和柱形图相关的函数拿出来认真的研究了一下，终于发现的症结所在。
dotplot这个函数，多了个 label_format 参数
我们来看看这个参数究竟是干什么用的，看看参数说明
label_format :
a numeric value sets wrap length, alternatively a custom function to format axis labels. by default wraps names longer that 30 characters
原来这个参数默认值是30，当标签的长度大于30个字符就会被折叠，用多行来展示。既然问题找到了，我们就来调节一下这个参数，把他设置成100，让我们的标签可以一行展示。
是不是还是原来的配方，还是熟悉的味道
同样的柱形图，我们也能让他恢复原来的容貌。
关于如何使用R做GO和KEGG富集分析，可参考下文
GO和KEGG富集分析视频讲解
查看GOplot内示例数据的格式，对自己的数据做处理
观察结论：
观察自己的两个数据表：
table.legend 设置为T时会显示表格
本图中表格和图例是出图后剪切拼合而成，没有用R中的拼图包
可以用内置的graphic包来画，就是plot()和curve()
也可以用ggplot2来画，后者更灵活。
graphic
# 先生成一组随机数
x - rnorm(2000)
# 画频率直方图, 分30个bin
hist(x, freq = F, breaks = 30)
# 再画概率分布曲线
lines(density(x, bw=.5), col="red", lwd=2)
2. ggplot2
# 准备工作, 把x设成一个数据集
library(ggplot2)
data - data.frame(x = x)
# 生成底层和直方图，概率线的图层
p - ggplot(data, aes(x = x, y = ..density..))
p - p + geom_histogram(fill = "navy")
p - p + geom_density(colour = "green")
p
画出来风格不太一样，看你口味了
R语言基本数据分析
本文基于R语言进行基本数据统计分析，包括基本作图，线性拟合，逻辑回归，bootstrap采样和Anova方差分析的实现及应用。
不多说，直接上代码，代码中有注释。
1. 基本作图（盒图，qq图）
#basic plot
boxplot(x)
qqplot(x,y)
2. 线性拟合
#linear regression
n = 10
x1 = rnorm(n)#variable 1
x2 = rnorm(n)#variable 2
y = rnorm(n)*3
mod = lm(y~x1+x2)
model.matrix(mod) #erect the matrix of mod
plot(mod) #plot residual and fitted of the solution, Q-Q plot and cook distance
summary(mod) #get the statistic information of the model
hatvalues(mod) #very important, for abnormal sample detection
3. 逻辑回归
#logistic regression
x - c(0, 1, 2, 3, 4, 5)
y - c(0, 9, 21, 47, 60, 63) # the number of successes
n - 70 #the number of trails
z - n - y #the number of failures
b - cbind(y, z) # column bind
fitx - glm(b~x,family = binomial) # a particular type of generalized linear model
print(fitx)
plot(x,y,xlim=c(0,5),ylim=c(0,65)) #plot the points (x,y)
beta0 - fitx$coef[1]
beta1 - fitx$coef[2]
fn - function(x) n*exp(beta0+beta1*x)/(1+exp(beta0+beta1*x))
par(new=T)
curve(fn,0,5,ylim=c(0,60)) # plot the logistic regression curve
3. Bootstrap采样
# bootstrap
# Application: 随机采样，获取最大eigenvalue占所有eigenvalue和之比，并画图显示distribution
dat = matrix(rnorm(100*5),100,5)
no.samples = 200 #sample 200 times
# theta = matrix(rep(0,no.samples*5),no.samples,5)
theta =rep(0,no.samples*5);
for (i in 1:no.samples)
{
j = sample(1:100,100,replace = TRUE)#get 100 samples each time
datrnd = dat[j,]; #select one row each time
lambda = princomp(datrnd)$sdev^2; #get eigenvalues
# theta[i,] = lambda;
theta[i] = lambda[1]/sum(lambda); #plot the ratio of the biggest eigenvalue
}
# hist(theta[1,]) #plot the histogram of the first(biggest) eigenvalue
hist(theta); #plot the percentage distribution of the biggest eigenvalue
sd(theta)#standard deviation of theta
#上面注释掉的语句，可以全部去掉注释并将其下一条语句注释掉，完成画最大eigenvalue分布的功能
4. ANOVA方差分析
#Application：判断一个自变量是否有影响 (假设我们喂3种维他命给3头猪，想看喂维他命有没有用)
#
y = rnorm(9); #weight gain by pig(Yij, i is the treatment, j is the pig_id), 一般由用户自行输入
#y = matrix(c(1,10,1,2,10,2,1,9,1),9,1)
Treatment - factor(c(1,2,3,1,2,3,1,2,3)) #each {1,2,3} is a group
mod = lm(y~Treatment) #linear regression
print(anova(mod))
#解释：Df（degree of freedom）
#Sum Sq: deviance (within groups, and residuals) 总偏差和
# Mean Sq: variance (within groups, and residuals) 平均方差和
# compare the contribution given by Treatment and Residual
#F value: Mean Sq(Treatment)/Mean Sq(Residuals)
#Pr(F): p-value. 根据p-value决定是否接受Hypothesis H0：多个样本总体均数相等(检验水准为0.05)
qqnorm(mod$residual) #plot the residual approximated by mod
#如果qqnorm of residual像一条直线，说明residual符合正态分布，也就是说Treatment带来的contribution很小，也就是说Treatment无法带来收益（多喂维他命少喂维他命没区别）
如下面两图分别是
（左）用 y = matrix(c(1,10,1,2,10,2,1,9,1),9,1)和
（右）y = rnorm(9);
的结果。可见如果给定猪吃维他命2后体重特别突出的数据结果后，qq图种residual不在是一条直线，换句话说residual不再符合正态分布，i.e., 维他命对猪的体重有影响。