如何在ggplot2嵌套分面下堆叠热图与折线图

核心逻辑 #

不需要合并两个数据集，而是基于物种-区域-项目编号-年份的共同分组，为每个分组单独生成「折线图+热图」的垂直组合，再按嵌套分面的层级批量排列所有组合图。这种方式完全自动化，适配大规模数据集。

步骤1：匹配数据结构的模拟示例 #

假设你的数据集结构如下（可替换为实际数据）：

library(tidyverse)
library(ggplot2)
library(ggh4x) # 用于嵌套分面
library(cowplot)

# 模拟阳性样本百分比热图数据
heat_data <- expand_grid(
  species = c("A", "B"),
  region = c("North", "South"),
  project = c("P1", "P2"),
  year = 2020:2021,
  month = 1:12,
  sample_type = c("Type1", "Type2")
) %>%
  mutate(positive_pct = runif(n(), 0, 100))

# 模拟月度样本采集数量折线图数据
line_data <- expand_grid(
  species = c("A", "B"),
  region = c("North", "South"),
  project = c("P1", "P2"),
  year = 2020:2021,
  month = 1:12
) %>%
  mutate(sample_count = sample(10:100, n(), replace = TRUE))

步骤2：编写子图生成函数 #

写一个批量处理函数，输入一组分组参数，生成精简的折线图（置于上方）和热图，再垂直拼接：

make_combined_plot <- function(spp, reg, proj, yr) {
  # 筛选当前分组的折线数据并绘图
  line_sub <- line_data %>%
    filter(species == spp, region == reg, project == proj, year == yr)
  
  line_plot <- ggplot(line_sub, aes(x = month, y = sample_count)) +
    geom_line(color = "#2c3e50", size = 1) +
    scale_x_continuous(breaks = 1:12) +
    theme_minimal() +
    theme(
      axis.title = element_blank(),
      axis.text.y = element_text(size = 8),
      axis.text.x = element_blank(),
      plot.margin = margin(t = 5, r = 5, b = 0, l = 5)
    )
  
  # 筛选当前分组的热图数据并绘图
  heat_sub <- heat_data %>%
    filter(species == spp, region == reg, project == proj, year == yr)
  
  heat_plot <- ggplot(heat_sub, aes(x = month, y = sample_type, fill = positive_pct)) +
    geom_tile(color = "white") +
    scale_fill_viridis_c(option = "magma") +
    scale_x_continuous(breaks = 1:12) +
    labs(x = "Month", y = "Sample Type", fill = "Positive %") +
    theme_minimal() +
    theme(
      plot.margin = margin(t = 0, r = 5, b = 5, l = 5),
      axis.text = element_text(size = 8)
    )
  
  # 垂直拼接并添加分组标题
  plot_grid(line_plot, heat_plot, ncol = 1, rel_heights = c(1, 3), align = "v") +
    draw_label(paste0(spp, " | ", reg, " | ", proj, " | ", yr), 
               x = 0.5, y = 1, vjust = 1, size = 10)
}

步骤3：批量生成所有组合图 #

提取所有唯一分组，用purrr自动遍历生成所有子图：

# 获取所有唯一分组键
group_keys <- heat_data %>%
  distinct(species, region, project, year) %>%
  mutate(id = row_number())

# 批量生成组合图
combined_plots <- pmap(group_keys, make_combined_plot)

步骤4：按嵌套逻辑排列所有图 #

按物种>区域>项目>年份的层级排序后，排列成网格布局：

# 按嵌套层级排序分组
group_keys_sorted <- group_keys %>%
  arrange(species, region, project, year)

# 同步排序组合图
combined_plots_sorted <- combined_plots[group_keys_sorted$id]

# 排列成指定行列的网格（示例为每行2个图）
plot_grid(plotlist = combined_plots_sorted, ncol = 2, align = "hv")

关键说明 #

• 无需合并数据集：两个数据集变量属性（百分比vs计数）、维度（热图多sample_type字段）差异大，合并会引入大量NA，分开生成子图更高效。
• 全自动化适配：无论数据集规模多大，只要分组键一致，pmap会自动遍历所有分组，无需手动处理单个子图。
• 样式统一调整：所有子图的主题、颜色、比例可在make_combined_plot函数中统一修改，保证整体风格一致。

内容的提问来源于stack exchange，提问作者mkmor