R语言pheatmap包画高级热图代码

下面是用R语言pheatmap包画高级热图的示例代码：

# 安装和加载pheatmap包
install.packages("pheatmap")
library(pheatmap)

# 导入数据
data <- read.table("data.txt", header = TRUE, row.names = 1)

# 画热图
pheatmap(data, scale = "row", cluster_rows = TRUE, cluster_cols = TRUE, 
         annotation_col = df, annotation_colors = list(df = c("A"="red","B"="blue","C"="green")))

解释一下这段代码：

1. 首先安装和加载pheatmap包。
2. 然后导入数据，数据需要是一个表格，行是样本，列是特征。
3. 使用pheatmap函数画热图。其中，scale参数表示是否对每行数据进行标准化，cluster_rows和cluster_cols参数表示是否对行和列进行聚类，annotation_col和annotation_colors参数表示对列进行注释，其中，df是一个包含每个样本的注释信息的数据框，annotation_colors是一个颜色列表，每个注释信息对应一个颜色。

你可以根据自己的数据和需求进行相应的修改。

相关问题

R语言如何利用做热图

### 如何在R语言中创建热图

在R语言中，`heatmap()`函数提供了简单的方式用于绘制基本的热图[^1]。然而，为了更高级的功能和更好的可视化效果，通常会使用诸如`ggplot2`、`pheatmap`等包。

#### 使用基础R函数 `heatmap()`

下面是一个简单的例子来展示如何利用内置的数据集`mtcars`创建一个热图：

# 加载数据并转换成矩阵形式
data <- as.matrix(mtcars)

# 创建热图
heatmap(data, scale="column", col=heat.colors(256))

此代码片段首先加载了`mtcars`数据集，并将其转化为矩阵格式以便于处理。接着调用了`heatmap()`函数生成图像，在这里设置了参数`scale="column"`表示按列标准化数值大小；而颜色方案则通过指定`col`参数实现自定义设置。

#### 利用 ggplot2 和 reshape2 库构建更加美观的热图

对于追求更高品质图形的需求来说，推荐采用`ggplot2`配合其他辅助库如`reshape2`来进行操作:

library(ggplot2)
library(reshape2)

# 将 mtcars 数据框重塑为适合绘图的形式
melted_data <- melt(as.data.frame(mtcars))

# 绘制热图
ggplot(melted_data, aes(variable, rowname)) +
    geom_tile(aes(fill=value), colour="white") +
    scale_fill_gradient(low="white", high="steelblue")

这段脚本先引入必要的软件包，之后把原始表格重新整理为目标结构化的长型表单样式(`variable`, `rowname`, `value`)。最后一步则是运用`ggplot2`中的几何对象`geom_tile()`以及配色比例尺完成最终渲染工作。

#### pheatmap 包的应用实例

另一个非常受欢迎的选择就是`pheatmap`包，它能够提供更为精细控制选项的同时保持易用性：

install.packages("pheatmap")

library(pheatmap)

# 直接应用到 mtcars 矩阵上即可得到带有聚类分析的结果
pheatmap(as.matrix(mtcars))

上述命令安装并激活了`pheatmap`扩展模块，随后仅需一行指令就能基于给定输入快速产出既视感良好的带层次分类树状分支链接关系图表。

基因与免疫细胞相关性热图代码

### 绘制基因与免疫细胞相关性热图

为了绘制基因表达水平和免疫细胞浸润之间的相关性热图，可以采用Python或R编程语言中的多种方法。以下是具体实现方式：

#### 使用 Python 和 Seaborn 库绘制热图

Seaborn 是基于 Matplotlib 的高级接口，非常适合用于创建统计图形。

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

# 创建示例数据框 df_genes 表示基因表达矩阵, df_cells 表示免疫细胞比例矩阵
df_genes = pd.DataFrame({
    'Gene1': [0.5, 0.7, 0.6],
    'Gene2': [0.8, 0.9, 0.7],
}, index=['Sample1', 'Sample2', 'Sample3'])

df_cells = pd.DataFrame({
    'CellTypeA': [0.2, 0.4, 0.3],
    'CellTypeB': [0.6, 0.5, 0.7],
}, index=['Sample1', 'Sample2', 'Sample3'])

# 计算两者的皮尔逊相关系数矩阵
correlation_matrix = df_genes.corrwith(df_cells.T)

plt.figure(figsize=(10, 8))
sns.heatmap(correlation_matrix.unstack().dropna().reset_index(), annot=True, fmt='.2f')
plt.title('Correlation between Gene Expression and Immune Cell Infiltration')
plt.show()

此代码片段展示了如何计算并可视化基因表达量与不同类型免疫细胞丰度之间关联性的过程[^1]。

#### 利用 R 和 pheatmap 包制作更复杂的热图

对于生物信息学领域而言，R 有着更为丰富的生态资源来处理这类问题。pheatmap 提供了更多的自定义选项以便更好地呈现复杂的数据结构。

library(pheatmap)
library(dplyr)

# 构建模拟数据集
genes <- data.frame(
  Sample1 = c(0.5, 0.8),
  Sample2 = c(0.7, 0.9),
  row.names=c("Gene1", "Gene2"))

cells <- data.frame(
  Sample1 = c(0.2, 0.6),
  Sample2 = c(0.4, 0.5),
  row.names=c("CellTypeA", "CellTypeB"))

combined_data <- t(genes) %*% cells / sqrt(rowSums(t(genes)^2)) * sqrt(colSums(cells^2))

# 调整颜色方案和其他参数以适应需求
pheatmap(combined_data,
         color=colorRampPalette(c("#FFEDA0","#FEB24C","#FD8D3C"))(100),
         show_rownames=TRUE,
         show_colnames=TRUE,
         main="Heatmap of Correlations Between Genes and Immune Cells")

这段脚本说明了怎样利用线性代数运算得到标准化后的协方差作为衡量标准，并以此为基础构建出美观且易于理解的相关性图表[^2]。