教程地址：https://jbengler.github.io/tidyplots/articles/tidyplots.html#remove
删除
除了添加绘图元素之外，您可能还想删除绘图的某些部分。这可以通过remove_*（）函数系列来实现。例如，您可能想要删除颜色图例标题，或者在某些罕见的情况下甚至是整个y轴
# 使用管道操作符 %>% 将study数据集传递给后续函数
study %>%
# 创建基础散点图
# x轴为group(分组)变量
# y轴为score(得分)变量
# 根据dose(剂量)变量设置颜色
tidyplot(x = group, y = score, color = dose) %>%
# 添加原始数据点
# 将每个样本的实际观测值以点的形式展示
add_data_points() %>%
# 添加均值虚线
# 用虚线标记各组的平均表达水平
add_mean_dash() %>%
# 添加标准误误差棒
# 在均值处添加误差棒表示标准误范围
add_sem_errorbar() %>%
# 移除图例标题
# 简化图例显示
remove_legend_title() %>%
# 移除y轴
# 简化图形显示
remove_y_axis()
调整
组装绘图后，您通常希望调整一些关于绘图或其组件如何显示的细节。对于这项任务，tidyplots提供了许多adjust_*（）函数。
初始图片
# 使用管道操作符 %>% 将study数据集传递给后续函数
study %>%
# 创建基础散点图
# x轴为treatment(处理)变量
# y轴为score(得分)变量
# 根据treatment变量设置不同颜色区分不同处理组
tidyplot(x = treatment, y = score, color = treatment) %>%
# 添加原始数据点
# 将每个样本的实际观测值以点的形式展示
add_data_points() %>%
# 添加均值条形
# 用半透明(alpha=0.4)的条形表示各组的平均值
add_mean_bar(alpha = 0.4) %>%
# 添加标准误误差棒
# 在均值处添加误差棒表示标准误范围
add_sem_errorbar()
在为论文准备图形时，您可能需要确保所有图形的大小一致。tidyplots中的默认值是宽度为50毫米，高度为50毫米。请注意，这些值指的是绘图区域的大小，即由x轴和y轴包围的区域。因此，图标、标题和图例不计入绘图区域大小。
这是完美的，以实现一致的外观，这是最容易做到的，通过选择一个一致的高度在不同的图像上，而宽度可以变化-待定的类别数量在x轴
# 使用管道操作符 %>% 将study数据集传递给后续函数
study %>%
# 创建基础散点图
# x轴为treatment(处理)变量
# y轴为score(得分)变量
# 根据treatment变量设置不同颜色区分不同处理组
tidyplot(x = treatment, y = score, color = treatment) %>%
# 添加蜂群图形式的数据点
# shape=1设置点的形状为空心圆形
# 蜂群图可以更好地展示数据分布,避免点的重叠
add_data_points_beeswarm(shape = 1) %>%
# 添加均值条形
# alpha=0.4设置条形的透明度为0.4
# 用半透明的条形表示各组的平均值
add_mean_bar(alpha = 0.4) %>%
# 添加标准误误差棒
# 在均值处添加误差棒表示标准误范围
add_sem_errorbar() %>%
# 调整图形大小
# 将图形宽度和高度都设置为20个单位
adjust_size(width = 20, height = 20)
另一个常见的调整是改变题目、轴或图例的标题。为此，我们将使用函数adjust_title（）和朋友。
# 使用管道操作符 %>% 将study数据集传递给后续函数
study %>%
# 创建基础散点图
# x轴为treatment(处理)变量
# y轴为score(得分)变量
# 根据treatment变量设置不同颜色区分不同处理组
tidyplot(x = treatment, y = score, color = treatment) %>%
# 添加原始数据点
# 将每个样本的实际观测值以点的形式展示
add_data_points() %>%
# 添加均值条形
# 用半透明(alpha=0.4)的条形表示各组的平均值
add_mean_bar(alpha = 0.4) %>%
# 添加标准误误差棒
# 在均值处添加误差棒表示标准误范围
add_sem_errorbar() %>%
# 设置图表标题
adjust_title("This is my fantastic plot title") %>%
# 设置x轴标题为"Treatment group"
adjust_x_axis_title("Treatment group") %>%
# 设置y轴标题为"Disease score"
adjust_y_axis_title("Disease score") %>%
# 移除图例标题
adjust_legend_title("") %>%
# 添加图表说明文字
adjust_caption("Here goes the caption")
请注意，我通过将图例标题设置为空字符串adjust_legend_title（""）来删除它。这是remove_legend_title（）的替代方法，但是结果并不完全相同。我相信你会找到区别的。
另一个常见的任务是调整绘图中的颜色。您可以使用adjust_colors（）函数来做到这一点。
# 使用管道操作符 %>% 将study数据集传递给后续函数
study %>%
# 创建基础散点图
# x轴为treatment(处理)变量
# y轴为score(得分)变量
# 根据treatment变量设置不同颜色区分不同处理组
tidyplot(x = treatment, y = score, color = treatment) %>%
# 添加原始数据点
# 将每个样本的实际观测值以点的形式展示
add_data_points() %>%
# 添加均值条形
# 用半透明(alpha=0.4)的条形表示各组的平均值
add_mean_bar(alpha = 0.4) %>%
# 添加标准误误差棒
# 在均值处添加误差棒表示标准误范围
add_sem_errorbar() %>%
# 调整图形颜色
# 为不同处理组设置自定义的颜色:
# - 紫色(#644296)
# - 橙色(#F08533)
# - 蓝色(#3B78B0)
# - 红色(#D1352C)
adjust_colors(new_colors = c("#644296","#F08533","#3B78B0", "#D1352C"))
您还可以使用tidyplots中内置的配色方案。要了解有关这些配色方案的更多信息，请查看文章配色方案。
https://jbengler.github.io/tidyplots/articles/Color-schemes.html
# 使用管道操作符 %>% 将study数据集传递给后续函数
study %>%
# 创建基础散点图
# x轴为treatment(处理)变量
# y轴为score(得分)变量
# 根据treatment变量设置不同颜色区分不同处理组
tidyplot(x = treatment, y = score, color = treatment) %>%
# 添加原始数据点
# 将每个样本的实际观测值以点的形式展示
add_data_points() %>%
# 添加均值条形
# 用半透明(alpha=0.4)的条形表示各组的平均值
add_mean_bar(alpha = 0.4) %>%
# 添加标准误误差棒
# 在均值处添加误差棒表示标准误范围
add_sem_errorbar() %>%
# 使用海边主题配色方案设置不同处理组的颜色
adjust_colors(new_colors = colors_discrete_seaside)
科研合作及科研服务项目介绍-v0.2
方法学实现语言：R语言，Python，SPSS，PASS(样本量计算)
服务形式：科研方案设计及方法学指导，数据分析及图表制作，可开发票，具体情况可联系助教程老师
合作方式：商业合作或科研合作均可，具体请联系助教
推荐的方法学
真实世界方法学
1.组间基线表制作（包括SMD对比） 2.单因素及多因素批量实现 3.2组及3组的倾向性评分及逆概率加权实现 4.有向无环图的绘制及解释（DAG） 5.常规生存分析及生存曲线绘制，生存率及中位生存时间分析 6.亚组分析及亚组交互作用P值计算并汇报图表 7.基于界标法的区段生存分析（landmark survival analysis） 8.基于联合法或界标法的动态预测模型构建及验证 9.传统预测模型的（二分类及生存）的构建与验证 10.限制性立方样条确定非线性效应截断值并进行区段回归分析（piecewise regression ） 12.潜类别分析 13.规则关联分析 14.面板数据分析 16.纵向数据分析（广义线性混合模型，广义估计方程，多变量重复测量方差分析）
文献计量学分析及图表解释
1.协助制定检索策略并进行相关文献检索下载元数据 2.文献分布情况整体分析，包括引用情况分析 3.基于关键词的动态分析及可视化 4.核心作者及核心国家分析，包括合作关系网络分析 5.核心杂志鉴定及动态变化分析 6.全局及局部核心文献鉴定 7.关键词动态变化分析及主题凸现分析
人工智能类研究
1.结构化数据机器学习的批量建模及最优模型选择 2.结构化数据生存数据的批量建模及最优模型的选择 3.传统影像组学特征提取及后续基于机器学习的分析全流程分析 4.机器学习及深度学习模型可解释方法学实现（shap/lime/迭代法等） 5.各种变量筛选方法的实现（RLE/重要性/过滤法/包装法等） 6.基于CNN的医学影像数据的深度学习方法学实现 7.CT/MRI/超声等医学影像学数据的传统影像组学分析 8.CT/MRI/超声等医学影像学数据的深度学习
生物信息学分析
1.传统转录组差异-富集分析 2.反卷积及细胞比例鉴定分析 3.SNP相关分析 4.CNV相关分析 5.甲基化数据相关分析 3.单细胞降维、聚类及细胞鉴定 4.单细胞轨迹分析及细胞速率分析
