欢迎关注R语言数据分析指南
最近看到一张非常有意思的图，暂且称之为饼状热图,与
corrplot所绘制的有所不同此图使用的为离散型变量，例图如下所展示；由于作者未提供原始数据，小编自己构建了一份数据来进行初步的展示
论文内容
Systematic profiling of the chicken gut microbiome reveals dietary supplementation with antibiotics alters expression of multiple microbial pathways with minimal impact on community structure
此图乍一看觉得似曾相识，但是仔细一看又会发现好像不是那么的容易；应该是没有现成的包来一步出图，由于作者也未有提供数据那只有靠猜数据结构来进行可视化了，
细节当然是很多，小编这次只是绘制主体图，细节问题留待以后再做介绍
加载R包
library(tidyverse) library(scatterpie) library(ggsci) library(cowplot)数据清洗
p <- read_tsv("data1.txt") %>% filter(Compartments %in% c("BS","RS","RE","VE","SE","LE")) %>% select(1,2,Compartments) %>% left_join(.,read_tsv("data2.txt") %>% column_to_rownames(var="FAPROTAX") %>% t() %>% as.data.frame() %>% rownames_to_column(var="Compartments") %>% pivot_longer(-Compartments),by="Compartments") %>% filter(Compartments=="BS", SampleID %in% c(read_tsv("data1.txt") %>% select(1) %>% distinct() %>% head(10) %>% pull())) %>% select(-value,-Compartments) %>% group_by(SampleID,name) %>% count(Phylum) %>% pivot_wider(.,names_from=Phylum,values_from = n)构建绘图数据
df <- p %>% left_join(.,p %>% select(name) %>% distinct() %>% rownames_to_column(var="lat"),by="name") %>% mutate(long=case_when(SampleID =="BCCCK1" ~1,SampleID =="BCCCK2" ~2,SampleID =="BCCCK3" ~3, SampleID =="BCCNPK1" ~4,SampleID =="BCCNPK2" ~5,SampleID =="BCCNPK3" ~6, SampleID =="BCCNPKM1" ~7,SampleID =="BCCNPKM2" ~8,SampleID =="BCCNPKM3" ~9, SampleID =="BHLCK1" ~10),lat=as.numeric(lat))绘制饼状热图
p1 <- ggplot(aes(x=long,y=lat),data=df) + geom_tile(color="black",fill="white")+ geom_scatterpie(aes(x=long,y=lat,r=0.4),data=df, color=NA, cols=c("Abditibacteriota","Acidobacteriota","Actinobacteriota", "Alphaproteobacteria","Bacteroidota")) + coord_equal()+ scale_fill_brewer()+ scale_x_discrete(expand = c(0,0))+ scale_y_discrete(expand = c(0,0))+ theme_test()+ theme(axis.text.x=element_text(angle = 90,vjust = 0.5,hjust = 1), axis.ticks = element_blank(), axis.text.y=element_blank(), axis.title = element_blank(), legend.title = element_blank(), legend.key=element_blank(), # 图例键为空 legend.text = element_text(color="black",size=9), # 定义图例文本 legend.spacing.x=unit(0.1,'cm'), # 定义文本书平距离 legend.key.width=unit(0.5,'cm'), # 定义图例水平大小 legend.key.height=unit(0.5,'cm'), # 定义图例垂直大小 legend.background=element_blank())绘制文本
p2 <- df %>% select(name,lat) %>% arrange(lat) %>% mutate(type="A") %>% ggplot(aes(type,name))+ coord_cartesian(clip="off")+ scale_x_discrete(expand = c(0,0))+ # scale_y_discrete(expand = c(0,0))+ theme(panel.background = element_rect(fill="white"), axis.ticks = element_blank(), axis.text.y=element_text(color="black"), axis.title=element_blank(),axis.text.x=element_blank())拼图
ggdraw(xlim=c(-0.45,1))+ draw_plot(p2,x=-0.4)+ draw_plot(p1,x=0.06)AI大模型学习福利
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获
四、AI大模型商业化落地方案
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量
)
