很多时候你就是不知道如何提问

最近分享的两个祖传的单细胞转录组数据分析代码，是标准流程：

其中有一个环节是需要比较seurat分群以及singleR的分群，这样就可以合理的命名啦。

但我给出的代码出图丑爆了，如果大家有体验过，估计也会是类似的吐槽，不过本来就是随便写的代码，重点是告诉大家分析流程，并不是个性化数据分析指南哈！

但是最近看CNS图表复现，就是：你要的rmarkdown文献图表复现全套代码来了（单细胞）,发现一个超级好的函数，就是gplots包的balloonplot函数，可以非常方便的比较seurat分群以及singleR的分群，代码如下：

rm(list=ls()) 
library(Seurat) 
library(SingleR)
pro='only_immune'
load(file= paste0(pro,'_sce_output_of_seurat_singleR.Rdata'))
require(gplots)
tab.1 <- table(sce@meta.data$seurat_clusters,cellpred$labels)
tab.1
balloonplot(tab.1, main ="seurat VS singleR for all cells", xlab ="", ylab="",
            label = T, show.margins = F)

出图如下:

seurat分群以及singleR的分群的比较

根据上图，我们可以很确定第10群是macytoid dendritic cells，而第11群就是myeloid dendritic cells，其它就需要慢慢探索。

美化的事情就交给搜索啦，很久以前我就提到过，比如bing搜索就可以发现ggpubr的代码：

https://rpkgs.datanovia.com/ggpubr/reference/ggballoonplot.html

具体代码如下:

data=as.data.frame(tab.1)
ggballoonplot(data, fill = "Freq", color = "lightgray",
              size = "Freq", show.label = TRUE)+
  gradient_fill(c("blue", "white", "red"))

出图如下:

当然了，也有很多时候即使有好的可视化方法，也不能给你肯定的结论，比如下面的分群，就很尴尬，基本上命名和分群完全不一致。

而且gplots包的balloonplot函数并不是唯一的可视化方法，也可以是热图可视化：

    tab.1 <- tab.1[,names(which(colSums(tab.1) !=0))]
    # Zeros to NAs
    tab.1[tab.1 == 0] <- NA
    colfunc <- colorRampPalette(c("white", "red"))
    heatmap.2(tab.1, Rowv = F, Colv = F, col = colfunc(10), trace="n", key = T,
              colsep = 1:ncol(tab.1), sepcolor = "grey90", margins = c(5,10), rowsep = 1:nrow(tab.1), 
              cellnote=tab.1,
              notecex=1.0,
              notecol="black",
              na.color=par("bg"))

当然了，细节调整都会很头疼。

不过，重点是，如果你没有看到教程之前，我们该如何去搜索呢，目的是可视化R语言里面的table函数的结果（针对2个分类变量）.

这些代码大家都可以测试一下，