发布时间：
《Journal of Informetrics》在2017年11月刊载了一篇文章《bibliometrix: An R-tool for comprehensive science mapping analysis》，该文章介绍了一款用于文献网络分析的R包bibliometrix，相比其他文献计量的R包（如CITAN、hindexcalculator、scholar scientoText）功能方面要齐全很多，而且能够与R中其他的包相互配合使用。下文主要结合作者发表的该篇论文以及bibliometrix的帮助文档 [1] ，对该包的所有函数进行了分类整理 ，目的是与近期学过的vosviewer和citespace进行大致对比，方便以后的学习。 Bibliometrix的函数种类包含了科学知识图谱绘制的主要流程，即数据导入、格式转化、数据清洗与整理、描述性统计、共现矩阵建立、数据标准化、图谱绘制等。 一、数据导入类函数 二、数据格式转换函数 三、数据整理与清洗 四、描述性统计 五、生成矩阵 六、矩阵标准化 七、生成图谱 bibliometrix在前期数据格式转换、数据整理与清洗、矩阵建立与标准化、描述性统计等方面灵活性很大，只要将分析文献集转换为数据框格式，就可以很方便将文献数据过渡到一般性的数据，从而广泛地利用其他R包，但在图谱的展示上存在很大的不足。 【参考】 [1]
R语言帮助的使用 想要学好一门语言，灵活利用帮助也是高效学习的一种方法，R语言的帮助获取有哪些呢？ 8个PDF文档 首先在RGui标签项“帮助”里面有8个文档，可以直接打开，不过是英文的，下面提到的R文档都是英文的哈哈，呵呵！ 输入help.start(),点击回车键，打开网页获取帮助 如果没有反应，就把给出的网址复制下来在浏览器中打开。其实，这与右边区域帮助是一样的，直接看右面的就行了。 使用help(函数名、包名) 这里查看一下求和函数sum()的用法帮助。 对于特殊字符和保留关键字必须用引号（单双都行）括起来。 help('<')或者help('for') 当然了，如果输入错误，会有提示，学习语言时，要养成 学会看错误提示 的好习惯。 >help(package = data.table) 点击包名就会跳转到这个包的详细介绍页面。 使用？函数名，获得关于函数的解释 用？sum与上面一样的效果。对于特殊字符和保留关键字必须用引号（单双都行）括起来 ？'<'或者？'for'，就会有相应的帮助。 使用？？函数名，获得包含该函数名的其它函数 比如??sum就会获得包含该函数名sum()的其它函数。 使用example(函数名）获取函数的案例并且自动运行。 “persp”是R语言三维图像绘制函数，执行 > example("persp") 只需根据向导按“Enter”键，会画出几个漂亮的图像 有没有觉得画的图很漂亮，R语言作为优秀的数据可视化工具，能画的图远不止这些，丰富的第三方包为R语言提供了强大的画图功能，后面会慢慢看到。
基于R语言实现Lasso回归分析主要步骤：将数据存成csv格式，逗号分隔在R中，读取数据，然后将数据转成矩阵形式加载lars包，先安装调用lars函数确定Cp值最小的步数确定筛选出的变量，并计算回归系数具体代码如下： 需要注意的地方： 1、数据读取的方法，这里用的file.choose( )，这样做的好处是，会弹出窗口让你选择你要加载进来的文件，免去了输入路径的苦恼。 2、数据要转为矩阵形式 3、（la） 可以看到R方，这里为0.66，略低 4、图如何看？ summary的结果里，第1步是Cp最小的，在图里，看到第1步与横轴0.0的交界处，只有变量1是非0的。所以筛选出的是nongyangungunPs: R语言只学习了数据输入，及一些简单的处理，图形可视化部分尚未学习，等论文写完了，再把这部分认真学习一下~~在这里立个flag
热图是科研论文中一种常见的可视化手段，而在转录组研究领域，我们常常需要分析一些基因与基因之间的相关性，来判断生物样本中是否存在共表达情况，以及共表达基因模块。除了基因集之间，其他方向，比如免疫细胞群体之间相关性，样本的相关性，也常常用相关性热图的形式进行展示。总而言之，往大了说，任何表征相关性的数值都可以用相关性热图来进行绘制。 常规热图示例 我们先来看看下面这张图，这是一篇发表在 PLoS Medicine (IF = 11.048) 上的文章图，来看 22 种免疫细胞群体之间的相关性，其中红色的颜色代表正相关，蓝色代表负相关。每一格的数字代表相关系数。这是一种经常会用到的图形，不同于常规热图。常规热图中的每行代表一个观察值，每列代表一个样本，而我们在本次教程中，将为大家带来更高级，也更美观的相关性热图。 相关性热图 Step 1： R 包安装和数据输入 首先是安装必须 R 包，在这里我们需要用到 ggcorplot 和 ggthemes 这两个R包。 然后我们读入R表达谱数据。 数据一共有 10 个样本和 20 个基因，每一行为一个基因，每一列为一个样本，我们需要看这 20 个基因在这 10 个样本中的共表达情况，也就是基因和基因之间的相关性。 Step 2： 相关性计算 为了表示基因与基因相关性，我们除了要计算它们的相关性系数，还需要计算体现其显著性的 P 值。 计算相关性系数并显示前 6 个基因之间的相关性。相关性系数大于 0 为正相关，小于 0 为负相关。 计算基因与基因之间的相关性 P 值，其中 P 小于 0.05 认为这两个基因之间相关性是显著的。 Step 3： 相关性热图绘制 使用 ggcorplot 绘制基因与基因之间相关性热图。 Step 4： 初级美化 Circle 美化第一步，我们将矩形热图改成圆形 是不是大家瞬间觉得眼前一亮？ Step 5： 中级美化 Clustering 虽然有所美观，但是，这样上面一张相关性热图还是存在问题的，大家是否发现热图中的点非常乱，让人没办法捕捉到其中的规律，不容易让人一眼抓住重点。所以，我们要对基因进行聚类。 这张热图，已经是非常漂亮了，放在文章中绝对让人眼睛一亮，正相关负相关基因清清楚楚。 Step 6： 高级美化 Triangle 当然，我们还可以进一步改善。因为相关性之间其实是有对称在的，左上角和右下角的图其实是一样的，这样绘制比较占版面。只绘制左上角的热图，可以让我们的图看起来没有那么臃肿。 Step 7： 终级美化 Label 那么如何显示相关性强弱呢，虽然颜色和点的大小可以看出来，但是毕竟没有那么直观。所以我们将相关性系数加上，并更改热图颜色。 这样基因相关性热图就相当完美了，可以直接放在文章图中，而且比 PLoS Medicine 那篇文章看起来更漂亮呢。 Step 8： 究级美化 Omit 不过，如果我们想知道哪些基因显著性是小于 0.05 的呢，虽然颜色和点的大小以及相关性系数可以看出来，但是如果被老板们问起，模棱两可的回答，可是相当危险的哦。所以，我们把显著性p值加上，并且直接隐藏 P 小于 0.05 的基因。
还有其他的要求吗？
关于论文怎么写。标准步骤如下 1、论文格式的论文题目：（下附署名）要求准确、简练、醒目、新颖。 2、论文格式的目录 目录是论文中主要段落的简表。（短篇论文不必列目录） 3、论文格式的内容提要： 是文章主要内容的摘录，要求短、精、完整。...
在r中看函数源代码：在R中，代码可以分为如下几个级别：首先，是你输入了函数对象名称，你可以直接看到代码的，如要获得函数对象fivenum的代码，就只需要在Console中键入函数对象名称fivenum就可以得到如下结果：function (x, na.rm = TRUE){xna <- is.na(x)if (na.rm)x <- x[!xna]else if (any(xna))return(rep.int(NA, 5))x <- sort(x)n <- length(x)if (n == 0)rep.int(NA, 5)else {n4 <- floor((n + 3)/2)/2d <- c(1, n4, (n + 1)/2, n + 1 - n4, n)0.5 * (x[floor(d)] + x[ceiling(d)])}}
一篇论文需要有自己的亮点。《拉丁美洲研究》编辑委员Fiona Macaulay曾经说过：“ 不要把你的亮点藏得像大海捞针一样 ”。 Nomogram就是这样一种可以清晰简洁地展示你的亮点方式。 近年来，Nomogram崭露头角，越来越多地在高质量临床论文中出现。 一张好的nomogram图能给你的论文添加一抹亮色。 Nomogram：中文称为诺莫图或者列线图，是由Henderson于1926年创制的一种预测模型，可以用多个指标诊断疾病、预测疾病预后、预测疾病复发等。 其核心在于对不同的指标分配不同的评分，联合所有评分计算总分，以此进行诊断或者预测。 接下来以一篇食管癌的nomogram为例给大家讲解下nomogram怎么解读。 Nomogram主要有三个部分：评分部分、指标部分和结局部分。 根据病人情况，选择对应指标的评分。 比如我的病人是一个65岁的女性食管鳞癌患者，其病理分级为高级别（G3）期，未进行放疗和化疗，TNM分期为T2 N0，检验淋巴结＞13个。 我想要预测下该病人的3年生存率和五年生存率。 针对每个指标，比如年龄、性别、病理类型、放化疗情况等，对应评分部分，如下图。年龄65岁，对应的评分为12分；女性，对应的评分为0分；鳞癌，对应的评分为20分。 每个指标评分完毕后，将各个子分数相加，得到总分。 比如上述患者，相加后总分为150分。 在结局部分，根据150分的总分，分析对应的3年生存率和5年生存率，分别为54%和42% nomogram可用于预测个体患病的可能性；或者用于预测患者3年生存率、5年生存率等；或者用于预测患者复发或者转移的可能性等等。 在肿瘤领域应用最广泛，其他疾病的临床研究也可应用。 最常用的绘制工具是R语言。 最简便的绘制工具是“易侕软件”。 其他软件有SAS等。 在SEER研究中，Nomogram也是常规的一种套路。使用Nomogram发表SEER文章非常常见，也是一种比较快速的发文方法。
《Journal of Informetrics》在2017年11月刊载了一篇文章《bibliometrix: An R-tool for comprehensive science mapping analysis》，该文章介绍了一款用于文献网络分析的R包bibliometrix，相比其他文献计量的R包（如CITAN、hindexcalculator、scholar scientoText）功能方面要齐全很多，而且能够与R中其他的包相互配合使用。下文主要结合作者发表的该篇论文以及bibliometrix的帮助文档 [1] ，对该包的所有函数进行了分类整理 ，目的是与近期学过的vosviewer和citespace进行大致对比，方便以后的学习。 Bibliometrix的函数种类包含了科学知识图谱绘制的主要流程，即数据导入、格式转化、数据清洗与整理、描述性统计、共现矩阵建立、数据标准化、图谱绘制等。 一、数据导入类函数 二、数据格式转换函数 三、数据整理与清洗 四、描述性统计 五、生成矩阵 六、矩阵标准化 七、生成图谱 bibliometrix在前期数据格式转换、数据整理与清洗、矩阵建立与标准化、描述性统计等方面灵活性很大，只要将分析文献集转换为数据框格式，就可以很方便将文献数据过渡到一般性的数据，从而广泛地利用其他R包，但在图谱的展示上存在很大的不足。 【参考】 [1]
作者:(美)菲尔·斯佩克特 译者:朱钰、柴文义、张颖菲尔·斯佩克特1983年在美国德州农工大学获得统计学博士学位，1987年至今在美国加州大学伯克利分校从事教研工作。现任该校统计系的应用程序管理员，为统计系副教授，主讲统计计算课程。迄今已发表多篇关于统计计算和统计软件的论文，并著有三本书，其中data Manipulation with R已翻译成日文出版。
一篇论文需要有自己的亮点。《拉丁美洲研究》编辑委员Fiona Macaulay曾经说过：“ 不要把你的亮点藏得像大海捞针一样 ”。 Nomogram就是这样一种可以清晰简洁地展示你的亮点方式。 近年来，Nomogram崭露头角，越来越多地在高质量临床论文中出现。 一张好的nomogram图能给你的论文添加一抹亮色。 Nomogram：中文称为诺莫图或者列线图，是由Henderson于1926年创制的一种预测模型，可以用多个指标诊断疾病、预测疾病预后、预测疾病复发等。 其核心在于对不同的指标分配不同的评分，联合所有评分计算总分，以此进行诊断或者预测。 接下来以一篇食管癌的nomogram为例给大家讲解下nomogram怎么解读。 Nomogram主要有三个部分：评分部分、指标部分和结局部分。 根据病人情况，选择对应指标的评分。 比如我的病人是一个65岁的女性食管鳞癌患者，其病理分级为高级别（G3）期，未进行放疗和化疗，TNM分期为T2 N0，检验淋巴结＞13个。 我想要预测下该病人的3年生存率和五年生存率。 针对每个指标，比如年龄、性别、病理类型、放化疗情况等，对应评分部分，如下图。年龄65岁，对应的评分为12分；女性，对应的评分为0分；鳞癌，对应的评分为20分。 每个指标评分完毕后，将各个子分数相加，得到总分。 比如上述患者，相加后总分为150分。 在结局部分，根据150分的总分，分析对应的3年生存率和5年生存率，分别为54%和42% nomogram可用于预测个体患病的可能性；或者用于预测患者3年生存率、5年生存率等；或者用于预测患者复发或者转移的可能性等等。 在肿瘤领域应用最广泛，其他疾病的临床研究也可应用。 最常用的绘制工具是R语言。 最简便的绘制工具是“易侕软件”。 其他软件有SAS等。 在SEER研究中，Nomogram也是常规的一种套路。使用Nomogram发表SEER文章非常常见，也是一种比较快速的发文方法。
还有其他的要求吗？
作者:(美)菲尔·斯佩克特 译者:朱钰、柴文义、张颖菲尔·斯佩克特1983年在美国德州农工大学获得统计学博士学位，1987年至今在美国加州大学伯克利分校从事教研工作。现任该校统计系的应用程序管理员，为统计系副教授，主讲统计计算课程。迄今已发表多篇关于统计计算和统计软件的论文，并著有三本书，其中data Manipulation with R已翻译成日文出版。