
用R语言做Venn(韦恩)图
首先介绍一下韦恩图(英语:Venn diagram) ,也叫做文氏图、温氏图、范氏图,这都一个意思。它是数学学科中分支集合论(或者类的理论)的一支,在不太严格的意义下用来表示集合(或类)的一种草图。Veen图是用于展示在不同的事物群组(集合)之间的数学或逻辑联系,尤其适合用来表示集合(或)类之间的“大致关系”,这“大致关系”就意味着它是不精确的。它也常常被用来帮助推导(或理解推导过程)关于集合运算(或类运算)的一些规律。
学过基础数学的都知道,咱们在学习集合论的时候,绝对画过韦恩图。用韦恩图来表征分组彼此之间的关系,观察公共区域以及每个分组的单独部分的情况。在生态学以及微生态研究中会用Venn图来展示几个分组之间关系的结果。
需要加载的软件包:colorfulVennPlot
数据准备形式如下:
我们现在想知道A、B、C这3个样地之间关于共同有的OTU以及独自具有的OTU数量的关系,每个样地有3个重复样。且看用R怎样做出你想要的结果:
setwd("C:/Rwork")#设置工作目录,我的工作目录设置为C盘Rwork文件夹
library(colorfulVennPlot )#加载colorfulVennPlot软件包,当然前提是你先下载好colorfulVennPlot软件包,如果没有的话,执行以下命令来下载:
install.packages("colorfulVennPlot ")#这一步是为了下载好colorfulVennPlot软件包
a<-read.csv("practice2", header=T)#读取要分析的数据,将其命名为a
rownames(a)<-a[,1]#将上一步的a数据矩阵的第一列提取出来,因为是你要分析的部分,命名为rownames(a),也可以是其他的名字
a<-a[,-1]#a数据的第一列作为表格的行名
head(a)#这一步不是必须的,这一步的意思是查看你新命名的a数据的前6行
grouped <- data.frame(A=rowSums(otu[,c(4,5,7)]),B=rowSums(otu[,c(1,2,6)]),C=rowSums(otu[,c(3,8,9)]))#我要详细解释这一命令的含义:根据我们之前给的practice2这个表格数据,以及我们将第一列数据作为行名。我们可以看到第4,5,7列是A样地组;1,2,6列是B样地组;3,8,9列是C样地组;我们将重复样进行求和,最终表格合并为3列A,B,C;且将其命名为grouped名字。
grouped#你可以查看合并之后的表格grouped
vennData<-createVennData(grouped,type="count",Cols=c("A","B","C"),Splits=c(0.1,0.1,0.1))#根据上述的一系列条件进行venn计算,设置颜色,类型,标签等等。
vennData#查看venn计算之后的结果
plotVenn(vennData$x,vennData$labels)#venn出图结果
结果如下:
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30