R语言绘图包系列：
- R语言绘图包01--优秀的拼图包patchwork
- R语言绘图包02--热图pheatmap
- R语言绘图包03--火山图EnhancedVolcano
- R语言绘图包04--GOplot：富集分析结果可视化
- R语言绘图包05--韦恩图的绘制：ggvenn和VennDiagram
- R语言绘图包06--基因表达相关性绘图corrplot
- R语言绘图包07--多集合可视化UpSetR
- R语言绘图包08--森林图的绘制：forestplot
- R语言绘图包09--序列分析图的绘制ggseqlogo
- R语言绘图包10--Circos图的绘制：circlize包
- R语言绘图包11--森林图的绘制(2)：forestploter包
- R语言绘图包12--向日葵图的绘制
网络图，是一种包含了节点V（即网络参与者，也称顶点）与边E（即节点之间的连接关系）的数学结构，记作G={V,E}。可以使用一个矩阵来存放节点之间的连接关系，这个矩阵称为邻接矩阵。如果网络中两个节点之间的边是有方向的，即从节点u出发指向节点v，这就是一个有向网络（有向图），否则称为无向网络（无向图）。网络的边也可以赋予权重，称为加权网络。
1. igraph绘图
1.1 基础绘图
###安装并载入演示数据集
library(devtools)
install_github("kassambara/navdata")
library("navdata")
###载入数据集
data("phone.call") #示例集来自于navdata包（是一个假想的数据集，里边有一个不存在的国家Slovania）
igraph有特定的网络（图）对象类“igraph”。建立一个图的最简单的方法是用函数graph.formula()手工输入节点的对应关系，考虑到实际上的网络规模都是比较大的，我们几乎不会用到这种方法。更常用的方式有两种：
- 从数据框（节点列表和边列表）建立网络对象
这种方法需要我们先建立两个数据框：
边列表：包含节点标签和节点的其他属性
节点列表：包含节点之间联系（也就是边）和边的属性
此时，可以使用graph_from_data_frame()建立igraph对象。
- 从邻接矩阵建立网络对象
如果数据集是表示节点连接关系的矩阵形式（比如说就像相关系数矩阵那样），可以使用graph_from_adjacency_matrix()建立igraph对象
对于phone.call这个数据集，要创建节点列表，需要将source和destination这两列包含的各个国家的名称提取出来，即提取独特的行观测，这使用dplyr包的distinct函数来实现。然后，我们创建一个新变量location，表示这些节点的地理位置：
library(tidyverse)
name<-data.frame(c(phone.call$source,phone.call$destination))
nodes<-name%>%
distinct()%>%
mutate(location=c("western","western","central","nordic","southeastern",
"southeastern","southeastern","southern","sourthern",
"western","western","central","central","central","central","central"))
colnames(nodes)<-c("label","location")
下面来看边列表。数据集phone.call的前两列分别表示了边出发和终结的节点。所以这个数据集就是边列表的形式，第三列n.call可以作为边的权重。我们把这些列的名称改成更直观的名字：
edges<-phone.call%>%rename(from=source,to=destination,weight=n.call)
现在可以创建一个igraph对象了：
library(igraph)
net_pc<-graph_from_data_frame(
d=edges,vertices=nodes,
directed=TRUE)
net_pc
可以看到输出的igraph对象：
3f802ae是这个对象的名称，DNW- 16 18 --表示这是一个有向（D）、有命名（N）且加权（W）的网络，它有16个节点和18条边。它具有的节点属性是name , location ，具有的边属性是weight。
我们可以通过V()和E()对节点和边的属性进行访问，如：
V(net_pc)
# + 16/16 vertices, named, from 3f802ae:
# [1] France Belgium Germany Danemark
# [5] Croatia Slovenia Hungary Spain
# [9] Italy Netherlands UK Austria
# [13] Poland Switzerland Czech republic Slovania
V(net_pc)$location
# [1] "western" "western" "central" "nordic"
# [5] "southeastern" "southeastern" "southeastern" "southern"
# [9] "sourthern" "western" "western" "central"
# [13] "central" "central" "central" "central"
这种方法也可以用于指定或修正相应的节点和边的属性，这在igraph可视化中是很常用的。
还可以从net_pc这个网络中提取边列表或者邻接矩阵：
###提取边列表
as_edgelist(net_pc, names=T)
[,1] [,2]
# [1,] "France" "Germany"
# [2,] "Belgium" "France"
# [3,] "France" "Spain"
# [4,] "France" "Italy"
# [5,] "France" "Netherlands"
# [6,] "France" "UK"
# [7,] "Germany" "Austria"
# [8,] "Germany" "Poland"
# [9,] "Belgium" "Germany"
# [10,] "Germany" "Switzerland"
# [11,] "Germany" "Czech republic"
# [12,] "Germany" "Netherlands"
# [13,] "Danemark" "Germany"
# [14,] "Croatia" "Germany"
# [15,] "Croatia" "Slovania"
# [16,] "Croatia" "Hungary"
# [17,] "Slovenia" "Germany"
# [18,] "Hungary" "Slovania"
###提取邻接矩阵
as_adjacency_matrix(net_pc, attr="weight")
# 16 x 16 sparse Matrix of class "dgCMatrix"
# [[ suppressing 16 column names ‘France’, ‘Belgium’, ‘Germany’ ... ]]
# France . . 9 . . . . 3 4 2 3 . . . . .
# Belgium 4 . 3 . . . . . . . . . . . . .
# Germany . . . . . . . . . 2 . 2 2 2 2 .
# Danemark . . 2 . . . . . . . . . . . . .
# Croatia . . 2 . . . 2 . . . . . . . . 2.0
# Slovenia . . 2 . . . . . . . . . . . . .
# Hungary . . . . . . . . . . . . . . . 2.5
# Spain . . . . . . . . . . . . . . . .
# Italy . . . . . . . . . . . . . . . .
# Netherlands . . . . . . . . . . . . . . . .
# UK . . . . . . . . . . . . . . . .
# Austria . . . . . . . . . . . . . . . .
# Poland . . . . . . . . . . . . . . . .
# Switzerland . . . . . . . . . . . . . . . .
# Czech republic . . . . . . . . . . . . . . . .
# Slovania . . . . . . . . . . . . . . . .
现在可以看一下这个网络了（图3）：
plot(net_pc)
1.2 可视化基础
igraph的plot函数中提供了大量的参数用于展示节点、边以及图形的各种属性，其中涉及节点的参数是以vertex.开头的，涉及边的参数是以edge.开头的。
除了在plot()中指定节点和边的参数之外，还可以使用前面提到的V()和E()，直接在igraph对象中添加相应的属性。这两种方法的区别在于，在plot()中指定的参数并不会改变图的属性。比如，我们先按照位置指定节点的颜色，按照权重指定边的宽度（这两个属性会保存在net_pc对象中），然后在plot()的参数中指定节点的大小（与节点的度成比例，节点度是与这个节点相连的边的个数）、节点标记的大小和位置、边的颜色、箭头的大小和边的弯曲程度
###计算节点的度
deg<-degree(net_pc,mode="all")
###设置颜色
vcolor<-c("orange","red","lightblue","tomato","yellow")
###指定节点的颜色
V(net_pc)$color<-vcolor[factor(V(net_pc)$location)]
###指定边的颜色
E(net_pc)$width<-E(net_pc)$weight/2
plot(net_pc,vertex.size=3*deg,
vertex.label.cex=.7,vertex.label.dist=1,
edge.color="gray50",edge.arrow.size=.4, edge.curved=.1)
###添加图例
legend(x=1.5,y=1.5,levels(factor(V(net_pc)$location)),pch=21,col="#777777",pt.bg=vcolor)
1.3 网络布局
网络布局指的是确定网络中每个节点坐标的方法。
igraph中提供了多种布局算法，其中最有用的是几种力导向（Force-directed）布局算法。力导向布局试图得到一个美观的图形，其中的边在长度上相似，并且尽可能少地交叉。它们把图形模拟成一个物理系统。节点是带电粒子，当它们靠得太近时会互相排斥。这些边充当弹簧，将连接的节点吸引在一起。结果，节点在图示区域中均匀分布，并且布局直观，因为共享更多连接的节点彼此更接近。这些算法的缺点是速度很慢，因此在大于1000个顶点的图中使用的频率较低。
使用力导向布局时，可以使用niter参数控制要执行的迭代次数。默认设置为500次迭代。对于大型的图，可以降低该数字以更快地获得结果，并检查它们是否合理。
Fruchterman-Reingold是最常用的力导向布局算法：
l <- layout_with_fr(net_pc)
plot(net_pc, layout=l)
Fruchterman Reingold布局具有随机性，不同的运行将导致略有不同的布局配置。将布局保存在对象l当中，可以使我们多次获得完全相同的结果（也可以实现指定随机数种子seed()）。
我们通过一张图来展示所有的（用于单模图的）布局方式：
layouts <- grep("^layout_", ls("package:igraph"), value=TRUE)[-1]
# Remove layouts that do not apply to our graph.
layouts <- layouts[!grepl("bipartite|merge|norm|sugiyama|tree", layouts)]
par(mfrow=c(5,3), mar=c(1,1,1,1))
for (layout in layouts) {
print(layout)
l <- do.call(layout, list(net_pc))
plot(net_pc, vertex.label="",edge.arrow.mode=0, layout=l, main=layout) }
