（本案例涉及分面，修改图例，统计分析，添加p值，修改X，Y轴标签）
1. 读取数据：
rm(list = ls())
data = read.cdv("data.csv")
结果：出师不利，
使用data.table包试试~
结果：成功，提前将计数资料转变为因子，便于统计分析
library(data.table)
data = fread("4T1_3T3CM.csv")
data$time = as.factor(data$time)
data$group = as.factor(data$group)
2. 分组：
my_comparisons <- list(c('A','B'),c('B','C'))
#本案例有四个分组，在此仅选择A与B和B与C比较。根据个人需要，可以进行调整。
统计分析基于ggpubr包, 需要用到compare_means()或stat_compare_means()函数，两者差别如下：
>本案例作图仅用stat_compare_means()函数，更多细节详见：Add P-values and Significance Levels to ggplots - Articles - STHDA
###3. 重点：作图+统计分析
library(ggplot2)
library(ggpubr)
plot1 = ggplot(data, aes(group,Ptgs2, color = group)) +
geom_boxplot()+
geom_point()+
结果：初步得到一个数据。
但不是我想要的结果。我设定了三个时间段：12h,24h,48h。接下来将数据按照不同时间分页显示。
plot = ggplot(data, aes(group,Ptgs2,color = group)) +
geom_boxplot()+
geom_point()+
facet_wrap(~time)
结果：结果还算满意，有待进步
我想修改X轴，Y轴的标签以及添加图的title。网页支持：GGPlot Axis Labels: Improve Your Graphs in 2 Minutes - Datanovia
plot = ggplot(data, aes(group,Ptgs2,color = group)) +
geom_boxplot()+
geom_point()+
facet_wrap(~time)+
labs(title ="Ptgs2",x="groups", y="gene expression level")
结果：
太棒了，一步到位。
除了labs()函数，还可以用xlab(), ylab()函数单独对X轴，Y轴标签进行修改~
进一步统计分析：
plot = ggplot(data, aes(group,Ptgs2,color = group)) +
geom_boxplot()+
geom_point()+
facet_wrap(~time)+
labs(title ="Ptgs2",x="groups", y="gene expression level")+
stat_compare_means(method = "anova", label.y = 4.5)+
stat_compare_means(comparisons = my_comparisons, method = "t.test")
结果：
常用的单因素统计方法如下，可根据实际需要进行选择：
进一步调整，修改图例的内容，具体化各组，不想用ABCD来表示, 需要用到scale_color_discrete()函数：
plot = ggplot(data, aes(group,Ptgs2,color = group))+
geom_boxplot()+
geom_point()+
facet_wrap(~time)+
labs(title ="Ptgs2",x="groups", y="gene expression level")+
scale_color_discrete(name="groups", labels = c("control1", "control2", "treat1", "treat2"))+
stat_compare_means(method = "anova", label.y = 4.5)+
stat_compare_means(comparisons = my_comparisons, method = "t.test")
结果：
关于图例的修改，需要具体情况具体分析，
如果图示分组是通过color参数进行设定的，图例的修改需要用scale_color_discrete()函数进行修改~
如果图示分组是通过fill参数进行设定的，图例的修改则选用scale_fill_discrete()函数进行修改~
plot = ggplot(data, aes(group,Ptgs2,fill= group))+
geom_boxplot()+
geom_point()+
facet_wrap(~time)+
labs(title ="Ptgs2",x="groups", y="gene expression level")+
scale_fill_discrete(name="groups", labels = c("control1", "control2", "treat1", "treat2"))+
stat_compare_means(method = "anova", label.y = 4.5)+
stat_compare_means(comparisons = my_comparisons, method = "t.test")
结果：
也可以对X轴的分组进行修改，使用scale_x_discrete()函数：
plot = ggplot(data, aes(group,Ptgs2,color= group))+
geom_boxplot()+
geom_point()+
facet_wrap(~time)+
labs(title ="Ptgs2",x="groups", y="gene expression level")+
scale_x_discrete(name="groups", labels = c("control1", "control2", "treat1", "treat2"))+
stat_compare_means(method = "anova", label.y = 4.5)+
stat_compare_means(comparisons = my_comparisons, method = "t.test")
结果：
完整代码：
rm(list = ls())
library(data.table)
data = fread("4T1_3T3CM.csv")
data$time = as.factor(data$time)
data$group = as.factor(data$group)
my_comparisons <- list(c('A','B'),c('B','C'))
library(ggplot2)
library(ggpubr)
plot = ggplot(data, aes(group,Ptgs2,color = group))+
geom_boxplot()+
geom_point()+
facet_wrap(~time)+
labs(title ="Ptgs2",x="groups", y="gene expression level")+
scale_color_discrete(name="groups", labels = c("control1", "control2", "treat1", "treat2"))+
stat_compare_means(method = "anova", label.y = 4.5)+
stat_compare_means(comparisons = my_comparisons, method = "t.test")
首次在简书上分享学习经历~作为生信小白~之前也没有过多地接触R。本文可能存在错误，希望有大佬可以及时点出 ~
另外此前接受过生信技能树的课程培训，为我的生信基础和R语言基础提供了奠基，在此特别感谢生信技能树。在生信学习的路上，我特别感谢lina zhu 对我的帮助，本人朋友+堂妹，她毕业于香港城市大学生物信息学专业。在她的指点下，我的生信技能有了极大的提升~
时间：20210602
