可视化中的小心机

写在开头

数据分析中经常会有一些模棱两可的数据出现。如何让数据“为我所用”就很需要数据处理的技巧了。

问题来源

DotPlot(subset_data,features =           c( "Tmsb10",            'COL1A1','POSTN','CCN2',"FN1","TGFB1"          )%>% stringr::str_to_title() ,group.by ='group_by_split' )+RotatedAxis()​getwd()​DotPlot(subset_data,features =           c( "Tmsb10",             'COL1A1','POSTN','CCN2',"FN1","TGFB1"          )%>% stringr::str_to_title() ,group.by ='group_by_split' )+RotatedAxis()+  ggplot2::coord_flip()​

我研究的课题中Postn为关键分子，我想证明：在myofibroblast细胞中SIO2组别的Postn表达比NS高。

从上面的Dotplot图，根本看不出来孰高孰低，那怎么办？

解决办法

我知道，你可能也像我一样不止一次遇到过这种苦恼。理论上myofibroblast细胞中在SIO2刺激之后的Postn表达就会比NS高，但是目前的dotplot上来看升高并不明显。

我们可以调整scale  bar，说不定会有惊喜发现

p=DotPlot(subset_data ,col.max = 3,col.min = 2,          features =   c( "Tmsb10",                          'COL1A1','POSTN','CCN2',"FN1","TGFB1"          )%>% stringr::str_to_title(),group.by ='group_by_split')+RotatedAxis()p2 =    p+ggplot2::coord_flip()+ theme(axis.text.x = element_text(angle = 45,size = 9)) #,face = 'bold'print(p2)

这样的图不是我想要的，我需要在sio2组别高！换一张看看

p=DotPlot(subset_data ,col.max = 1.2,col.min = 1,          features =   c( "Tmsb10",                          'COL1A1','POSTN','CCN2',"FN1","TGFB1"          )%>% stringr::str_to_title(),group.by ='group_by_split')+RotatedAxis()p2 =    p+ggplot2::coord_flip()+ theme(axis.text.x = element_text(angle = 45,size = 9)) #,face = 'bold'print(p2)

上面这图其他基因的存在会影响我的判断，再换一张

p=DotPlot(subset_data ,col.max = 1.2,col.min = 1,          features =   c(  'POSTN'          )%>% stringr::str_to_title(),group.by ='group_by_split')+RotatedAxis()p2 =    p+ggplot2::coord_flip()+ theme(axis.text.x = element_text(angle = 45,size = 9)) #,face = 'bold'print(p2)

神奇吗？本来NS组别的postn是高表达，但是现在图上sio2组别显示的更高！

什么？你觉得这还不够明显？那我们再改！

p=DotPlot(subset_data ,col.max = 1.2,col.min = 1,dot.scale = 15,          features =   c(  'POSTN'          )%>% stringr::str_to_title(),group.by ='group_by_split')+RotatedAxis()p2 =    p+ggplot2::coord_flip()+ theme(axis.text.x = element_text(angle = 45,size = 9)) #,face = 'bold'print(p2)​

现在够明显了吧！

对比一下第三张图：

相同的数据，我们似乎可以得到截然相反的数据。是不是随心所欲了？你会这样玩弄单细胞可视化吗

思考

你认同这种夸张的处理方式吗？

数据分析究竟如何才是正确的？

你还相信数据可视化吗？

是不是我想用哪种就用哪种呢？

下期再见~ 

看完记得顺手点个“在看”哦！