如何用ggplot2将偏相关系数绘制成分组条形图？

完全可以实现，核心是先把偏相关分析的结果整理为ggplot2要求的长格式数据框，再调用ggplot2绘图。以下是具体实现步骤：

1. 修正分析代码并整理结果为Tidy格式 #

首先注意不要用list作为变量名（避免和R内置函数冲突），然后将嵌套的分析结果转换为长格式：

处理ggm包的偏相关结果 #

library(tidyverse)
library(ggm)

# 准备数据
data_list = list(mtcars, mtcars)
data_list = lapply(data_list, function(x) x %>% mutate(gear = as.factor(gear)))

# 计算偏相关并整理为长格式
ggm_res = lapply(data_list, function(x) {
  sapply(split(x, x$gear), function(sub_x) {
    # 获取4变量的偏相关矩阵
    pcor_mat = pcor(u = c('mpg', 'disp', 'hp', 'vs'), S = var(sub_x))
    # 转换为长格式，过滤重复变量对
    pcor_mat %>% 
      as.data.frame() %>% 
      rownames_to_column("var1") %>% 
      pivot_longer(-var1, names_to = "var2", values_to = "pcor") %>% 
      filter(var1 < var2)
  })
})

# 统一为数据框
ggm_tidy = ggm_res %>% 
  enframe("dataset", "gear_res") %>% 
  unnest(gear_res) %>% 
  unnest() %>% 
  mutate(method = "ggm_pearson")

处理pcor包的偏相关结果 #

修正原代码的嵌套逻辑，同时提取系数和p值：

library(pcor)

pcorr1 = data_list %>% 
  map(function(x) split(x[c('mpg', 'disp', 'hp', 'vs')], x$gear))

coeff = c("pearson", "spearman")

# 计算并整理结果
pcor_res = map(coeff, function(method) {
  map(pcorr1, function(dataset_split) {
    map_dfr(dataset_split, function(sub_data) {
      pcor_obj = pcor(sub_data, method = method)
      # 提取变量对、系数和p值
      expand.grid(var1 = colnames(sub_data), var2 = colnames(sub_data)) %>% 
        filter(var1 < var2) %>% 
        mutate(pcor = pcor_obj$estimate[lower.tri(pcor_obj$estimate)],
               p_value = pcor_obj$p.value[lower.tri(pcor_obj$p.value)])
    }, .id = "gear")
  }, .id = "dataset")
}, .id = "method") %>% 
  bind_rows() %>% 
  mutate(method = case_when(method == "1" ~ "pcor_pearson",
                            method == "2" ~ "pcor_spearman"))

# 合并所有结果
all_tidy = bind_rows(ggm_tidy, pcor_res)

2. 使用ggplot2绘制条形图 #

根据需求选择不同的可视化方式：

方式1：分面展示所有变量对的偏相关 #

library(ggplot2)

ggplot(all_tidy, aes(x = gear, y = pcor, fill = method)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
  # 添加系数标签
  geom_text(aes(label = round(pcor, 2)), position = position_dodge(width = 0.8), vjust = -0.5) +
  # 按变量对分面
  facet_wrap(~paste(var1, "&", var2)) +
  labs(title = "偏相关系数按Gear分组可视化",
       x = "Gear水平",
       y = "偏相关系数",
       fill = "分析方法") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

方式2：仅展示特定变量对（比如mpg与disp） #

# 过滤目标变量对
target_tidy = all_tidy %>% filter(var1 == "mpg" & var2 == "disp")

ggplot(target_tidy, aes(x = gear, y = pcor, fill = method)) +
  geom_bar(stat = "identity", position = position_dodge()) +
  geom_text(aes(label = round(pcor, 2)), position = position_dodge(width = 0.9), vjust = -0.2) +
  labs(title = "mpg与disp的偏相关系数（控制hp、vs）",
       x = "Gear水平",
       y = "偏相关系数",
       fill = "分析方法") +
  theme_minimal()

关键说明 #

• 必须将嵌套的列表/矩阵结果转换为长格式数据框，这是ggplot2的核心要求
• 可以通过pivot_longer、unnest等tidyverse工具快速整理数据
• 可根据需求添加显著性标记（比如基于p值添加星号）、误差线等元素优化可视化效果

内容的提问来源于stack exchange，提问作者12666727b9