1. 从一张看不懂的箱体图说起如果你做过数据分析尤其是接触过生态、生物信息或者任何需要比较多样性的场景大概率见过一种图一个矩形盒子中间横着一条线上下各伸出一根须旁边还散落着几个小点。这就是箱体图英文叫 boxplot。很多人第一次画它的时候代码跑通了图也出来了但盯着图看了半天心里只有一个念头——这玩意儿到底在说什么我最初接触 alpha 指数箱体图的时候也是这样。alpha 指数本身是一组衡量多样性的数值指标比如物种丰富度、均匀度、多样性综合值等等。你手上有好几组样本每组样本算出一个 alpha 指数然后你想比较这几组之间有没有差异。这时候箱体图就成了最常用的可视化手段之一。但问题在于很多人只会调一行boxplot()或者ggplot2的geom_boxplot()图画出来了却不知道盒子为什么有宽有窄、须为什么有长有短、那些孤零零的点又代表什么。这篇内容就是写给零基础、但需要真正把 alpha 指数箱体图画明白的人。我会从箱体图到底在画什么讲起把每个几何元素的统计含义拆开然后一步步带你把 alpha 指数数据整理成能画图的样子再用 R 语言把图画出来最后讲清楚怎么调样式、怎么加显著性标记、怎么避开新手最容易踩的坑。整篇内容不假设你有任何绘图基础但会假设你愿意动手敲代码。读完你至少能做到三件事看懂别人画的 alpha 指数箱体图、自己从原始数据画出一张能放进报告里的图、知道图里每个细节背后的道理。需要提前说明的是alpha 指数的计算本身涉及生态学的一堆公式这篇不展开讲怎么算指数重点放在指数已经算好了怎么把它画成箱体图这件事上。如果你连指数都还没算出来可以先去找对应的多样性计算工具把每组样本的指数值整理成一张表再回来跟着这篇操作。2. 箱体图那五个数字到底在告诉你什么2.1 盒子、中位线、须和异常点各自的含义箱体图本质上是在用五个统计量描述一组数据的分布最小值、下四分位数、中位数、上四分位数、最大值。但严格来说标准箱体图画的是五数概括的一个变体因为须的端点不一定是真正的最小值和最大值而是有条件的。先把这几个概念用最直白的话说清楚。假设你有一组 alpha 指数值比如某组样本算出来是 3.2、3.5、3.8、4.1、4.4、4.6、5.0、5.3、6.8 这九个数。把它们从小到大排好中位数就是正中间那个也就是 4.4。下四分位数是把数据分成四等份后25% 位置的那个数这里大概是 3.8上四分位数是 75% 位置大概是 5.0。盒子就是从下四分位数画到上四分位数盒子的高度叫四分位距英文缩写 IQR等于上四分位数减下四分位数这里是 1.2。中位线画在盒子里位置就是中位数。须的长度有讲究从盒子两端往外延伸最远延伸到不超过 1.5 倍 IQR的那个数据点。具体算法是上须的端点最多到上四分位数加 1.5 倍 IQR下须最多到下四分位数减 1.5 倍 IQR如果实际数据没有到那么远须就停在最远的那个真实数据点上。超出这个范围的点就被单独画成小圆点也就是我们常说的异常值或离群点。拿上面的例子算一下IQR 是 1.21.5 倍就是 1.8。上四分位数 5.0 加 1.8 等于 6.8正好数据里有 6.8所以上须到 6.8。下四分位数 3.8 减 1.8 等于 2.0数据里最小值是 3.2没超过这个界限所以下须到 3.2。这组数据没有异常点。如果数据里有个 9.0那它超过 6.8就会被画成一个孤立的点。理解了这套规则你再看任何一张箱体图就能读出很多信息盒子越矮说明中间 50% 的数据越集中中位线偏上或偏下说明分布有偏须越长说明数据往两端拖得越远异常点多说明存在极端样本。2.2 为什么 alpha 指数特别适合用箱体图alpha 指数是一组连续数值而且通常每个分组下会有多个样本比如对照组 10 个样本、处理组 10 个样本每组各算一个指数值。这种分组加连续数值的结构正好是箱体图最擅长的场景。有人会问为什么不直接画柱状图加误差线柱状图加误差线通常展示的是均值和标准差或标准误它假设数据大致对称分布而且对异常值很敏感——一个极端值就能把均值拉偏误差线也跟着变形。alpha 指数在实际数据里经常不是对称分布有的组可能大部分样本指数偏低偶尔冒出一两个特别高的这时候用均值加误差线就会失真。箱体图基于中位数和四分位数对极端值不敏感能更稳健地反映数据的真实分布形态。还有一个现实原因在生态和生物信息领域的论文里alpha 指数箱体图几乎是标配。审稿人习惯了看这种图你如果换成别的形式反而需要额外解释。所以学会画它不只是技术问题也是沟通问题。2.3 一张图里能塞进多少分组信息箱体图还有一个好处是可以同时展示多个分组。比如你有一个实验包含对照组、低剂量组、高剂量组三个处理每个处理下又分不同的时间点那你可以在横轴上排列出所有组合每个组合画一个箱子。这样一张图就能看出处理之间、时间点之间的差异以及它们是否存在交互趋势。不过分组一多图就会变得拥挤横轴标签可能重叠颜色也可能不够用。这时候需要考虑分面也就是把图拆成几个子图并排显示。这个后面讲绘图的时候会具体说。3. 动手之前先把数据整理成能画的样子3.1 alpha 指数数据的标准长表结构R 语言里绝大多数绘图函数包括基础绘图和 ggplot2都偏好长表格式。所谓长表就是每一行代表一个观测每一列代表一个变量。对于 alpha 指数箱体图你需要的长表至少要有两列一列是分组变量一列是 alpha 指数值。举个例子假设你有三组样本每组四个重复算出来的 alpha 指数如下表这样整理分组alpha指数对照组3.2对照组3.8对照组4.1对照组4.4处理A4.5处理A5.0处理A5.3处理A5.6处理B2.8处理B3.1处理B3.5处理B6.2这种一行一个样本的格式就是长表。很多新手拿到的是宽表比如第一列是样本名后面每一列是一个分组或者反过来第一行是分组名下面每一列是一个样本。宽表直接丢给绘图函数通常会报错或者画出奇怪的图所以第一步永远是转换格式。在 R 里转换可以用tidyr包的pivot_longer()也可以用基础函数reshape()。如果你数据量不大手动在表格软件里整理也行但要注意分组名称不要有空格和特殊符号否则后面画图时标签会出问题。3.2 分组变量的类型和顺序控制分组变量在 R 里最好设成因子类型因为因子可以控制箱体在横轴上的排列顺序。默认情况下R 会按字母顺序排列分组比如处理A处理B对照组会排成处理A、处理B、对照组但你可能希望对照组排在最前面作为参照。控制顺序的方法是在画图前指定因子的水平。比如df$分组 - factor(df$分组, levels c(对照组, 处理A, 处理B))这样画出来横轴就会按你指定的顺序排列。这个细节看起来小但在实际报告里很重要因为读者习惯从左到右按逻辑顺序阅读对照组放最左边、处理组依次排开是最符合直觉的排法。另外要注意分组名称里不要出现空格比如处理 A中间有空格画图时可能被截断或显示不全。如果非要用空格可以在标签层面单独处理但变量值本身建议用下划线或直接连写。3.3 缺失值和异常样本的处理原则alpha 指数数据里出现缺失值是很常见的可能是某个样本测序失败或者指数计算时因为样本量太小而无法得出结果。缺失值在画箱体图时会被 R 默认忽略但忽略之前你最好确认一下缺失的比例。如果某个分组下缺失太多画出来的箱子可能只基于两三个数据点这时候箱体图的统计意义就很弱了。我的建议是画图前先做一次缺失值统计看看每个分组下有效样本量是多少。如果某个组有效样本少于 5 个箱体图的四分位数会很不稳定这时候要么补充数据要么在报告里注明该组样本量偏少。至于异常样本箱体图本身会把它们标出来但你要判断这些异常值是真实存在的生物学变异还是技术误差导致的。如果是后者考虑是否剔除如果是前者保留并在图注里说明。不要为了图好看就随手删掉异常点这在学术上是站不住脚的。4. 用 R 把第一张 alpha 指数箱体图画出来4.1 基础绘图函数 boxplot 的最简用法R 自带的基础绘图函数boxplot()是最快能出图的方式。假设你的数据框叫df分组列叫group指数列叫alpha一行代码就能画boxplot(alpha ~ group, data df)这行代码的意思是以group为分组画alpha的箱体图。~左边是要画的数值变量右边是分组变量。跑完这行R 的绘图窗口就会显示一张最朴素的箱体图。基础函数的好处是快、依赖少不用装任何额外的包。缺点是样式比较简陋想调颜色、加标签、改字体都要额外写参数而且多个图拼在一起比较麻烦。如果你只是自己看看数据分布基础函数完全够用但如果要出报告或论文图建议直接用 ggplot2。4.2 ggplot2 的图层逻辑与 geom_boxplotggplot2 的核心思想是图层叠加。你先用ggplot()声明数据来源和坐标轴映射然后用各种geom_开头的函数往上加图层。画箱体图用的是geom_boxplot()。一个最基本的 alpha 指数箱体图代码长这样library(ggplot2) ggplot(df, aes(x group, y alpha)) geom_boxplot()aes()里指定 x 轴是分组变量y 轴是指数值。geom_boxplot()会自动计算四分位数并画出盒子、须和异常点。这行代码跑出来的图比基础函数好看一些默认带灰色背景和白色网格线。ggplot2 的图层逻辑值得多花点时间理解因为后面所有样式调整都建立在这个逻辑上。你可以把ggplot()想象成一张空白画布aes()是告诉画布哪个变量对应哪个视觉通道然后每个geom_是一层颜料。你可以叠加多个图层比如在箱体图上再加一层散点显示每个样本的实际位置。4.3 把散点叠上去让每个样本都看得见箱体图只展示了统计量看不到原始数据点的分布。当每组样本量不大时光看箱子容易产生误解因为同样的四分位数可能对应完全不同的数据形态。这时候叠加散点是个好习惯。在 ggplot2 里叠加散点有两种常用方式。一种是用geom_jitter()它会给每个点加上随机抖动避免点重叠在一起ggplot(df, aes(x group, y alpha)) geom_boxplot() geom_jitter(width 0.2, alpha 0.6)width 0.2控制水平方向的抖动幅度alpha 0.6让点半透明这样重叠的点也能看出密度。另一种是用geom_point()配合position_jitter()效果类似。还有一种更规整的做法是用geom_dotplot()它把点堆叠成小柱状能更清楚地看出每个值上有几个样本。不过 dotplot 在分组多的时候会显得拥挤需要根据实际情况选择。我个人的习惯是如果每组样本少于 10 个一定叠散点如果样本很多散点会糊成一片这时候可以只画箱体图或者用小提琴图替代。5. 让图能直接放进报告样式调整与显著性标记5.1 配色、主题和坐标轴标签的实用设置默认的 ggplot2 图是灰色背景放在报告里通常需要改成白底。用theme_bw()或theme_classic()可以快速切换成简洁风格ggplot(df, aes(x group, y alpha, fill group)) geom_boxplot() theme_bw() labs(x 分组, y Alpha指数, title 各组Alpha指数分布)fill group让每个箱子填充不同颜色。如果不想用默认配色可以用scale_fill_manual()指定颜色scale_fill_manual(values c(#4E79A7, #F28E2B, #E15759))这三个颜色来自常用的配色方案对比度够打印成黑白也能区分。坐标轴标签用labs()设置标题不要写太长图注里再补充细节。还有一个细节是去掉图例。如果横轴已经标了分组名图例就是多余的用theme(legend.position none)去掉图会更干净。5.2 添加显著性标记的两种思路alpha 指数箱体图经常需要标注组间差异是否显著。最常用的方法是在图上加横线和星号比如两组之间画一条横线上面标*表示 p 小于 0.05**表示 p 小于 0.01。手动加的话可以用geom_segment()画横线用annotate()加星号。但手动调坐标很麻烦尤其是分组多的时候。更省事的办法是用ggpubr包的stat_compare_means()它能自动做检验并标注library(ggpubr) ggplot(df, aes(x group, y alpha, fill group)) geom_boxplot() stat_compare_means(method wilcox.test)method参数指定检验方法常见的有t.test和wilcox.test。具体用哪个取决于你的数据是否满足正态性和方差齐性这个属于统计问题画图工具只是帮你把结果标上去。需要提醒的是自动标注的检验是两两比较如果你有多个分组多重检验校正的问题需要自己考虑。画图工具不会帮你做校正它只是把原始 p 值标出来。5.3 分面展示分组太多时的排版方案当分组超过五六个横轴会变得很挤标签可能重叠。这时候可以用分面把图拆成多个子图。ggplot2 用facet_wrap()或facet_grid()实现ggplot(df, aes(x group, y alpha, fill group)) geom_boxplot() facet_wrap(~ timepoint, scales free_x)这行代码假设你还有一个timepoint变量图会按时间点拆成几个子图每个子图里显示该时间点下的各分组箱体图。scales free_x让每个子图的横轴只显示出现过的分组避免空白。分面的好处是结构清晰缺点是子图之间比较时y 轴范围如果不一致会误导读者。默认情况下 ggplot2 会让所有子图共用 y 轴范围这是比较安全的做法不要轻易改成free_y除非你确定各组数值范围差异极大且需要在图注里说明。6. 那些年我踩过的坑和排查思路6.1 分组顺序乱掉、中文乱码和颜色对不上新手最常遇到的三个问题我几乎每次带人入门都会见到。第一个是分组顺序乱掉。前面说过R 默认按字母或拼音顺序排列分组如果你的分组名是对照组处理A处理B它可能排成处理A、处理B、对照组。解决办法就是前面提到的画图前用factor()指定levels。第二个是中文乱码。在 Windows 系统上基础绘图函数画中文标签经常显示成方框或问号。这是因为默认字体不支持中文。解决办法是在画图前设置字体比如par(family SimHei)或者改用 ggplot2 并设置theme(text element_text(family SimHei))。Mac 系统上一般用STHeiti或PingFang SC。如果还是不行检查一下系统里有没有装对应的字体。第三个是颜色对不上。你明明指定了三个颜色图里却出现了四种或者颜色顺序和分组顺序不一致。这通常是因为fill映射的因子水平和你想象的不一样。排查方法是先跑levels(df$group)看看实际水平顺序再对照scale_fill_manual()里的颜色顺序。颜色是按因子水平顺序分配的不是按你数据里出现的顺序。6.2 异常值太多导致图糊成一团怎么办有时候数据里异常值特别多箱体图上密密麻麻全是点盒子本身反而看不清了。这种情况通常说明数据分布非常偏斜或者存在系统性的技术误差。第一步是判断异常值的来源。如果集中在某个分组可能是该组样本质量有问题如果均匀分布在所有组可能是整体数据尺度的问题。第二步是考虑数据变换比如对 alpha 指数取对数能把偏斜的分布拉得更对称异常值也会减少。第三步是调整箱体图的异常值显示方式比如用geom_boxplot(outlier.shape NA)把异常点隐藏然后单独用散点图层控制点的样式。不过隐藏异常点只是视觉上的处理不代表数据里没有异常。如果要在报告里隐藏必须在图注或正文里说明否则就是误导读者。6.3 样本量极少时箱体图的失真问题前面提过样本量少于 5 个时箱体图的四分位数很不稳定。我见过有人每组只有 3 个样本还硬画箱体图结果盒子高度几乎为零须也短得看不见图看起来像一条线。这种图放出去懂行的人一眼就知道样本量不够。如果样本量确实很少有几个替代方案。一是画散点图加均值线直接展示每个点二是画带误差线的柱状图但要在图注里说明用的是标准误还是标准差三是用箱体图但叠加所有散点让读者自己判断。无论哪种方案都要在图注里写明每组样本量这是基本的透明度要求。还有一个折中办法是用geom_crossbar()画均值加置信区间它比箱体图更适合小样本但前提是数据近似正态。如果数据明显偏斜还是老老实实展示原始点更诚实。7. 从能画到画好几个提升图质量的细节7.1 图注、坐标轴单位和字体大小的规范一张能放进报告的图不只是图形本身还包括图注、坐标轴标签和整体排版。图注要说明每组样本量、用的什么统计检验、显著性标记的含义。坐标轴标签要带单位比如Alpha指数Shannon比光写Alpha指数更清楚。字体大小方面如果图要缩放到论文的单栏宽度字号不能太小否则印出来看不清。一般建议坐标轴标签和刻度字号在 10 到 12 磅之间标题可以稍大。ggplot2 里用theme(axis.text element_text(size 10), axis.title element_text(size 12))来设置。还有一点是图的宽高比。箱体图通常横轴分组多所以图要偏宽一些。导出时用ggsave()指定宽高比如ggsave(boxplot.pdf, width 8, height 5)这样能保证图的比例合适。7.2 导出高清图的参数选择导出图的时候格式和分辨率很关键。如果图要放进论文优先用 PDF 或 SVG 这种矢量格式放大不会模糊。如果是放进 PPT 或网页用 PNG 并设置足够高的分辨率一般 300 dpi 起步。用ggsave()导出时可以指定dpi参数ggsave(boxplot.png, width 8, height 5, dpi 300)如果图里有大量散点矢量格式的文件会很大这时候 PNG 更合适。反过来如果图很简洁矢量格式文件小且清晰是更好的选择。还有一个容易忽略的点是字体嵌入。PDF 导出时如果字体没有嵌入别人打开可能显示异常。R 里可以用extrafont包管理字体嵌入或者直接用系统默认字体避免这个问题。7.3 把绘图代码整理成可复用的脚本最后说一个习惯问题。很多人画图是打开 R 控制台一行一行敲画完就关掉下次要改又得重新来。这样效率很低而且容易出错。我的做法是把绘图代码写成一个独立的 R 脚本数据读取、格式转换、绘图、导出分成几个清晰的段落每段加注释说明在做什么。这样下次换一批数据只需要改数据读取的路径和几个参数图就能重新生成。如果分组变了改一下因子水平的设置就行。更进一步可以把常用的样式设置写成一个函数比如my_boxplot_theme()里面封装好主题、配色、字体大小。这样每个图调用一次函数就能统一风格不用每次都重复写一堆theme()参数。这个习惯在需要画很多张图的时候特别省事也能保证所有图的风格一致。脚本里还要注意设置随机种子。如果你用了geom_jitter()抖动位置是随机的每次跑图点的位置会变。虽然不影响统计含义但如果你在调整图的过程中反复跑点的位置一直变会让人眼花。在脚本开头加set.seed(123)就能固定抖动位置方便对比调整效果。8. 关于 alpha 指数箱体图我个人的几点体会画了这么多年的 alpha 指数箱体图我最大的体会是图是给读者看的不是给自己看的。你自己知道数据怎么来的、每组代表什么但读者不知道。所以图上的每一个元素都要能自解释——分组标签要清楚坐标轴要带单位显著性标记要有说明样本量要标出来。另一个体会是不要迷信默认设置。R 和 ggplot2 的默认样式是为了通用性设计的不一定适合你的具体场景。花点时间调配色、调字体、调间距图的专业度会明显提升。这些调整不涉及复杂的统计知识纯粹是审美和规范问题但往往是区分能看和能发表的关键。最后一个建议是画完图之后隔一天再看一遍。刚画完的时候你脑子里全是代码和参数看不出问题。隔一天再看你会更容易发现标签不清楚、颜色不协调、重点不突出这些问题。这个习惯帮我避免了好几次把有问题的图交出去的情况。如果你刚开始学不要一上来就追求画出完美的图。先用最简代码把图画出来确认数据没问题再一步步加样式。每加一个元素就重新看一遍图确认它确实让图更清楚而不是更乱。这样练下来用不了多久你就能凭直觉知道该怎么调了。
1. 从一张看不懂的箱体图说起如果你做过数据分析尤其是接触过生态、生物信息或者任何需要比较多样性的场景大概率见过一种图一个矩形盒子中间横着一条线上下各伸出一根须旁边还散落着几个小点。这就是箱体图英文叫 boxplot。很多人第一次画它的时候代码跑通了图也出来了但盯着图看了半天心里只有一个念头——这玩意儿到底在说什么我最初接触 alpha 指数箱体图的时候也是这样。alpha 指数本身是一组衡量多样性的数值指标比如物种丰富度、均匀度、多样性综合值等等。你手上有好几组样本每组样本算出一个 alpha 指数然后你想比较这几组之间有没有差异。这时候箱体图就成了最常用的可视化手段之一。但问题在于很多人只会调一行boxplot()或者ggplot2的geom_boxplot()图画出来了却不知道盒子为什么有宽有窄、须为什么有长有短、那些孤零零的点又代表什么。这篇内容就是写给零基础、但需要真正把 alpha 指数箱体图画明白的人。我会从箱体图到底在画什么讲起把每个几何元素的统计含义拆开然后一步步带你把 alpha 指数数据整理成能画图的样子再用 R 语言把图画出来最后讲清楚怎么调样式、怎么加显著性标记、怎么避开新手最容易踩的坑。整篇内容不假设你有任何绘图基础但会假设你愿意动手敲代码。读完你至少能做到三件事看懂别人画的 alpha 指数箱体图、自己从原始数据画出一张能放进报告里的图、知道图里每个细节背后的道理。需要提前说明的是alpha 指数的计算本身涉及生态学的一堆公式这篇不展开讲怎么算指数重点放在指数已经算好了怎么把它画成箱体图这件事上。如果你连指数都还没算出来可以先去找对应的多样性计算工具把每组样本的指数值整理成一张表再回来跟着这篇操作。2. 箱体图那五个数字到底在告诉你什么2.1 盒子、中位线、须和异常点各自的含义箱体图本质上是在用五个统计量描述一组数据的分布最小值、下四分位数、中位数、上四分位数、最大值。但严格来说标准箱体图画的是五数概括的一个变体因为须的端点不一定是真正的最小值和最大值而是有条件的。先把这几个概念用最直白的话说清楚。假设你有一组 alpha 指数值比如某组样本算出来是 3.2、3.5、3.8、4.1、4.4、4.6、5.0、5.3、6.8 这九个数。把它们从小到大排好中位数就是正中间那个也就是 4.4。下四分位数是把数据分成四等份后25% 位置的那个数这里大概是 3.8上四分位数是 75% 位置大概是 5.0。盒子就是从下四分位数画到上四分位数盒子的高度叫四分位距英文缩写 IQR等于上四分位数减下四分位数这里是 1.2。中位线画在盒子里位置就是中位数。须的长度有讲究从盒子两端往外延伸最远延伸到不超过 1.5 倍 IQR的那个数据点。具体算法是上须的端点最多到上四分位数加 1.5 倍 IQR下须最多到下四分位数减 1.5 倍 IQR如果实际数据没有到那么远须就停在最远的那个真实数据点上。超出这个范围的点就被单独画成小圆点也就是我们常说的异常值或离群点。拿上面的例子算一下IQR 是 1.21.5 倍就是 1.8。上四分位数 5.0 加 1.8 等于 6.8正好数据里有 6.8所以上须到 6.8。下四分位数 3.8 减 1.8 等于 2.0数据里最小值是 3.2没超过这个界限所以下须到 3.2。这组数据没有异常点。如果数据里有个 9.0那它超过 6.8就会被画成一个孤立的点。理解了这套规则你再看任何一张箱体图就能读出很多信息盒子越矮说明中间 50% 的数据越集中中位线偏上或偏下说明分布有偏须越长说明数据往两端拖得越远异常点多说明存在极端样本。2.2 为什么 alpha 指数特别适合用箱体图alpha 指数是一组连续数值而且通常每个分组下会有多个样本比如对照组 10 个样本、处理组 10 个样本每组各算一个指数值。这种分组加连续数值的结构正好是箱体图最擅长的场景。有人会问为什么不直接画柱状图加误差线柱状图加误差线通常展示的是均值和标准差或标准误它假设数据大致对称分布而且对异常值很敏感——一个极端值就能把均值拉偏误差线也跟着变形。alpha 指数在实际数据里经常不是对称分布有的组可能大部分样本指数偏低偶尔冒出一两个特别高的这时候用均值加误差线就会失真。箱体图基于中位数和四分位数对极端值不敏感能更稳健地反映数据的真实分布形态。还有一个现实原因在生态和生物信息领域的论文里alpha 指数箱体图几乎是标配。审稿人习惯了看这种图你如果换成别的形式反而需要额外解释。所以学会画它不只是技术问题也是沟通问题。2.3 一张图里能塞进多少分组信息箱体图还有一个好处是可以同时展示多个分组。比如你有一个实验包含对照组、低剂量组、高剂量组三个处理每个处理下又分不同的时间点那你可以在横轴上排列出所有组合每个组合画一个箱子。这样一张图就能看出处理之间、时间点之间的差异以及它们是否存在交互趋势。不过分组一多图就会变得拥挤横轴标签可能重叠颜色也可能不够用。这时候需要考虑分面也就是把图拆成几个子图并排显示。这个后面讲绘图的时候会具体说。3. 动手之前先把数据整理成能画的样子3.1 alpha 指数数据的标准长表结构R 语言里绝大多数绘图函数包括基础绘图和 ggplot2都偏好长表格式。所谓长表就是每一行代表一个观测每一列代表一个变量。对于 alpha 指数箱体图你需要的长表至少要有两列一列是分组变量一列是 alpha 指数值。举个例子假设你有三组样本每组四个重复算出来的 alpha 指数如下表这样整理分组alpha指数对照组3.2对照组3.8对照组4.1对照组4.4处理A4.5处理A5.0处理A5.3处理A5.6处理B2.8处理B3.1处理B3.5处理B6.2这种一行一个样本的格式就是长表。很多新手拿到的是宽表比如第一列是样本名后面每一列是一个分组或者反过来第一行是分组名下面每一列是一个样本。宽表直接丢给绘图函数通常会报错或者画出奇怪的图所以第一步永远是转换格式。在 R 里转换可以用tidyr包的pivot_longer()也可以用基础函数reshape()。如果你数据量不大手动在表格软件里整理也行但要注意分组名称不要有空格和特殊符号否则后面画图时标签会出问题。3.2 分组变量的类型和顺序控制分组变量在 R 里最好设成因子类型因为因子可以控制箱体在横轴上的排列顺序。默认情况下R 会按字母顺序排列分组比如处理A处理B对照组会排成处理A、处理B、对照组但你可能希望对照组排在最前面作为参照。控制顺序的方法是在画图前指定因子的水平。比如df$分组 - factor(df$分组, levels c(对照组, 处理A, 处理B))这样画出来横轴就会按你指定的顺序排列。这个细节看起来小但在实际报告里很重要因为读者习惯从左到右按逻辑顺序阅读对照组放最左边、处理组依次排开是最符合直觉的排法。另外要注意分组名称里不要出现空格比如处理 A中间有空格画图时可能被截断或显示不全。如果非要用空格可以在标签层面单独处理但变量值本身建议用下划线或直接连写。3.3 缺失值和异常样本的处理原则alpha 指数数据里出现缺失值是很常见的可能是某个样本测序失败或者指数计算时因为样本量太小而无法得出结果。缺失值在画箱体图时会被 R 默认忽略但忽略之前你最好确认一下缺失的比例。如果某个分组下缺失太多画出来的箱子可能只基于两三个数据点这时候箱体图的统计意义就很弱了。我的建议是画图前先做一次缺失值统计看看每个分组下有效样本量是多少。如果某个组有效样本少于 5 个箱体图的四分位数会很不稳定这时候要么补充数据要么在报告里注明该组样本量偏少。至于异常样本箱体图本身会把它们标出来但你要判断这些异常值是真实存在的生物学变异还是技术误差导致的。如果是后者考虑是否剔除如果是前者保留并在图注里说明。不要为了图好看就随手删掉异常点这在学术上是站不住脚的。4. 用 R 把第一张 alpha 指数箱体图画出来4.1 基础绘图函数 boxplot 的最简用法R 自带的基础绘图函数boxplot()是最快能出图的方式。假设你的数据框叫df分组列叫group指数列叫alpha一行代码就能画boxplot(alpha ~ group, data df)这行代码的意思是以group为分组画alpha的箱体图。~左边是要画的数值变量右边是分组变量。跑完这行R 的绘图窗口就会显示一张最朴素的箱体图。基础函数的好处是快、依赖少不用装任何额外的包。缺点是样式比较简陋想调颜色、加标签、改字体都要额外写参数而且多个图拼在一起比较麻烦。如果你只是自己看看数据分布基础函数完全够用但如果要出报告或论文图建议直接用 ggplot2。4.2 ggplot2 的图层逻辑与 geom_boxplotggplot2 的核心思想是图层叠加。你先用ggplot()声明数据来源和坐标轴映射然后用各种geom_开头的函数往上加图层。画箱体图用的是geom_boxplot()。一个最基本的 alpha 指数箱体图代码长这样library(ggplot2) ggplot(df, aes(x group, y alpha)) geom_boxplot()aes()里指定 x 轴是分组变量y 轴是指数值。geom_boxplot()会自动计算四分位数并画出盒子、须和异常点。这行代码跑出来的图比基础函数好看一些默认带灰色背景和白色网格线。ggplot2 的图层逻辑值得多花点时间理解因为后面所有样式调整都建立在这个逻辑上。你可以把ggplot()想象成一张空白画布aes()是告诉画布哪个变量对应哪个视觉通道然后每个geom_是一层颜料。你可以叠加多个图层比如在箱体图上再加一层散点显示每个样本的实际位置。4.3 把散点叠上去让每个样本都看得见箱体图只展示了统计量看不到原始数据点的分布。当每组样本量不大时光看箱子容易产生误解因为同样的四分位数可能对应完全不同的数据形态。这时候叠加散点是个好习惯。在 ggplot2 里叠加散点有两种常用方式。一种是用geom_jitter()它会给每个点加上随机抖动避免点重叠在一起ggplot(df, aes(x group, y alpha)) geom_boxplot() geom_jitter(width 0.2, alpha 0.6)width 0.2控制水平方向的抖动幅度alpha 0.6让点半透明这样重叠的点也能看出密度。另一种是用geom_point()配合position_jitter()效果类似。还有一种更规整的做法是用geom_dotplot()它把点堆叠成小柱状能更清楚地看出每个值上有几个样本。不过 dotplot 在分组多的时候会显得拥挤需要根据实际情况选择。我个人的习惯是如果每组样本少于 10 个一定叠散点如果样本很多散点会糊成一片这时候可以只画箱体图或者用小提琴图替代。5. 让图能直接放进报告样式调整与显著性标记5.1 配色、主题和坐标轴标签的实用设置默认的 ggplot2 图是灰色背景放在报告里通常需要改成白底。用theme_bw()或theme_classic()可以快速切换成简洁风格ggplot(df, aes(x group, y alpha, fill group)) geom_boxplot() theme_bw() labs(x 分组, y Alpha指数, title 各组Alpha指数分布)fill group让每个箱子填充不同颜色。如果不想用默认配色可以用scale_fill_manual()指定颜色scale_fill_manual(values c(#4E79A7, #F28E2B, #E15759))这三个颜色来自常用的配色方案对比度够打印成黑白也能区分。坐标轴标签用labs()设置标题不要写太长图注里再补充细节。还有一个细节是去掉图例。如果横轴已经标了分组名图例就是多余的用theme(legend.position none)去掉图会更干净。5.2 添加显著性标记的两种思路alpha 指数箱体图经常需要标注组间差异是否显著。最常用的方法是在图上加横线和星号比如两组之间画一条横线上面标*表示 p 小于 0.05**表示 p 小于 0.01。手动加的话可以用geom_segment()画横线用annotate()加星号。但手动调坐标很麻烦尤其是分组多的时候。更省事的办法是用ggpubr包的stat_compare_means()它能自动做检验并标注library(ggpubr) ggplot(df, aes(x group, y alpha, fill group)) geom_boxplot() stat_compare_means(method wilcox.test)method参数指定检验方法常见的有t.test和wilcox.test。具体用哪个取决于你的数据是否满足正态性和方差齐性这个属于统计问题画图工具只是帮你把结果标上去。需要提醒的是自动标注的检验是两两比较如果你有多个分组多重检验校正的问题需要自己考虑。画图工具不会帮你做校正它只是把原始 p 值标出来。5.3 分面展示分组太多时的排版方案当分组超过五六个横轴会变得很挤标签可能重叠。这时候可以用分面把图拆成多个子图。ggplot2 用facet_wrap()或facet_grid()实现ggplot(df, aes(x group, y alpha, fill group)) geom_boxplot() facet_wrap(~ timepoint, scales free_x)这行代码假设你还有一个timepoint变量图会按时间点拆成几个子图每个子图里显示该时间点下的各分组箱体图。scales free_x让每个子图的横轴只显示出现过的分组避免空白。分面的好处是结构清晰缺点是子图之间比较时y 轴范围如果不一致会误导读者。默认情况下 ggplot2 会让所有子图共用 y 轴范围这是比较安全的做法不要轻易改成free_y除非你确定各组数值范围差异极大且需要在图注里说明。6. 那些年我踩过的坑和排查思路6.1 分组顺序乱掉、中文乱码和颜色对不上新手最常遇到的三个问题我几乎每次带人入门都会见到。第一个是分组顺序乱掉。前面说过R 默认按字母或拼音顺序排列分组如果你的分组名是对照组处理A处理B它可能排成处理A、处理B、对照组。解决办法就是前面提到的画图前用factor()指定levels。第二个是中文乱码。在 Windows 系统上基础绘图函数画中文标签经常显示成方框或问号。这是因为默认字体不支持中文。解决办法是在画图前设置字体比如par(family SimHei)或者改用 ggplot2 并设置theme(text element_text(family SimHei))。Mac 系统上一般用STHeiti或PingFang SC。如果还是不行检查一下系统里有没有装对应的字体。第三个是颜色对不上。你明明指定了三个颜色图里却出现了四种或者颜色顺序和分组顺序不一致。这通常是因为fill映射的因子水平和你想象的不一样。排查方法是先跑levels(df$group)看看实际水平顺序再对照scale_fill_manual()里的颜色顺序。颜色是按因子水平顺序分配的不是按你数据里出现的顺序。6.2 异常值太多导致图糊成一团怎么办有时候数据里异常值特别多箱体图上密密麻麻全是点盒子本身反而看不清了。这种情况通常说明数据分布非常偏斜或者存在系统性的技术误差。第一步是判断异常值的来源。如果集中在某个分组可能是该组样本质量有问题如果均匀分布在所有组可能是整体数据尺度的问题。第二步是考虑数据变换比如对 alpha 指数取对数能把偏斜的分布拉得更对称异常值也会减少。第三步是调整箱体图的异常值显示方式比如用geom_boxplot(outlier.shape NA)把异常点隐藏然后单独用散点图层控制点的样式。不过隐藏异常点只是视觉上的处理不代表数据里没有异常。如果要在报告里隐藏必须在图注或正文里说明否则就是误导读者。6.3 样本量极少时箱体图的失真问题前面提过样本量少于 5 个时箱体图的四分位数很不稳定。我见过有人每组只有 3 个样本还硬画箱体图结果盒子高度几乎为零须也短得看不见图看起来像一条线。这种图放出去懂行的人一眼就知道样本量不够。如果样本量确实很少有几个替代方案。一是画散点图加均值线直接展示每个点二是画带误差线的柱状图但要在图注里说明用的是标准误还是标准差三是用箱体图但叠加所有散点让读者自己判断。无论哪种方案都要在图注里写明每组样本量这是基本的透明度要求。还有一个折中办法是用geom_crossbar()画均值加置信区间它比箱体图更适合小样本但前提是数据近似正态。如果数据明显偏斜还是老老实实展示原始点更诚实。7. 从能画到画好几个提升图质量的细节7.1 图注、坐标轴单位和字体大小的规范一张能放进报告的图不只是图形本身还包括图注、坐标轴标签和整体排版。图注要说明每组样本量、用的什么统计检验、显著性标记的含义。坐标轴标签要带单位比如Alpha指数Shannon比光写Alpha指数更清楚。字体大小方面如果图要缩放到论文的单栏宽度字号不能太小否则印出来看不清。一般建议坐标轴标签和刻度字号在 10 到 12 磅之间标题可以稍大。ggplot2 里用theme(axis.text element_text(size 10), axis.title element_text(size 12))来设置。还有一点是图的宽高比。箱体图通常横轴分组多所以图要偏宽一些。导出时用ggsave()指定宽高比如ggsave(boxplot.pdf, width 8, height 5)这样能保证图的比例合适。7.2 导出高清图的参数选择导出图的时候格式和分辨率很关键。如果图要放进论文优先用 PDF 或 SVG 这种矢量格式放大不会模糊。如果是放进 PPT 或网页用 PNG 并设置足够高的分辨率一般 300 dpi 起步。用ggsave()导出时可以指定dpi参数ggsave(boxplot.png, width 8, height 5, dpi 300)如果图里有大量散点矢量格式的文件会很大这时候 PNG 更合适。反过来如果图很简洁矢量格式文件小且清晰是更好的选择。还有一个容易忽略的点是字体嵌入。PDF 导出时如果字体没有嵌入别人打开可能显示异常。R 里可以用extrafont包管理字体嵌入或者直接用系统默认字体避免这个问题。7.3 把绘图代码整理成可复用的脚本最后说一个习惯问题。很多人画图是打开 R 控制台一行一行敲画完就关掉下次要改又得重新来。这样效率很低而且容易出错。我的做法是把绘图代码写成一个独立的 R 脚本数据读取、格式转换、绘图、导出分成几个清晰的段落每段加注释说明在做什么。这样下次换一批数据只需要改数据读取的路径和几个参数图就能重新生成。如果分组变了改一下因子水平的设置就行。更进一步可以把常用的样式设置写成一个函数比如my_boxplot_theme()里面封装好主题、配色、字体大小。这样每个图调用一次函数就能统一风格不用每次都重复写一堆theme()参数。这个习惯在需要画很多张图的时候特别省事也能保证所有图的风格一致。脚本里还要注意设置随机种子。如果你用了geom_jitter()抖动位置是随机的每次跑图点的位置会变。虽然不影响统计含义但如果你在调整图的过程中反复跑点的位置一直变会让人眼花。在脚本开头加set.seed(123)就能固定抖动位置方便对比调整效果。8. 关于 alpha 指数箱体图我个人的几点体会画了这么多年的 alpha 指数箱体图我最大的体会是图是给读者看的不是给自己看的。你自己知道数据怎么来的、每组代表什么但读者不知道。所以图上的每一个元素都要能自解释——分组标签要清楚坐标轴要带单位显著性标记要有说明样本量要标出来。另一个体会是不要迷信默认设置。R 和 ggplot2 的默认样式是为了通用性设计的不一定适合你的具体场景。花点时间调配色、调字体、调间距图的专业度会明显提升。这些调整不涉及复杂的统计知识纯粹是审美和规范问题但往往是区分能看和能发表的关键。最后一个建议是画完图之后隔一天再看一遍。刚画完的时候你脑子里全是代码和参数看不出问题。隔一天再看你会更容易发现标签不清楚、颜色不协调、重点不突出这些问题。这个习惯帮我避免了好几次把有问题的图交出去的情况。如果你刚开始学不要一上来就追求画出完美的图。先用最简代码把图画出来确认数据没问题再一步步加样式。每加一个元素就重新看一遍图确认它确实让图更清楚而不是更乱。这样练下来用不了多久你就能凭直觉知道该怎么调了。
