带ID与时间分组的多细胞指标DataFrame可视化方案咨询

一、先搞定长格式转换（保留ID） #

你之前用melt时只指定了Time作为标识变量，所以丢了ID。把ID和Time一起加入id.vars就能保留所有关键信息：

方法1：用reshape2包的melt #

library(reshape2)
df_long <- melt(cells, id.vars = c("ID", "Time(min)"), 
                variable.name = "Cell", value.name = "Value")

方法2：用tidyr包的pivot_longer（更推荐，tidyverse风格） #

library(tidyr)
df_long <- cells %>% 
  pivot_longer(cols = starts_with("Cell"),  # 匹配所有Cell开头的列
               names_to = "Cell", 
               values_to = "Value")

转换后的数据会有ID、Time(min)、Cell、Value四个变量，完全满足后续分组可视化的需求。

另外你之前写的inmune %>% group_by(PID, Time)应该是笔误，原数据列名是ID和Time(min)，而且单纯分组不做后续聚合/处理的话，对可视化帮助不大，转长格式才是核心步骤。

二、适合的可视化方案 #

1. 分面折线图（最直观的趋势展示） #

按样本ID分面，每个面里用不同颜色区分细胞类型，清晰展示单个样本各细胞随时间的变化：

library(ggplot2)
ggplot(df_long, aes(x = `Time(min)`, y = Value, color = Cell)) +
  geom_line(linewidth = 1) +  # 线条加粗更清晰
  geom_point(size = 2) +      # 加上数据点突出时间点
  facet_wrap(~ID) +           # 按ID分面
  labs(x = "时间(分钟)", y = "数值", color = "细胞类型") +
  theme_bw() +
  theme(legend.position = "bottom")  # 图例放底部避免遮挡

2. 按细胞类型分面（跨样本对比） #

如果想对比不同样本同一细胞的变化趋势，把分面维度换成Cell：

ggplot(df_long, aes(x = `Time(min)`, y = Value, color = ID)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2) +
  facet_wrap(~Cell) +
  labs(x = "时间(分钟)", y = "数值", color = "样本ID") +
  theme_bw()

3. 热图（全局数值分布一览） #

适合快速查看所有样本、细胞、时间点的数值高低，用颜色映射数值：

ggplot(df_long, aes(x = Cell, y = interaction(ID, `Time(min)`), fill = Value)) +
  geom_tile(color = "white") +  # 白色边框区分单元格
  scale_fill_viridis_c(option = "plasma") +  # 配色更友好
  labs(x = "细胞类型", y = "样本-时间", fill = "数值") +
  theme(axis.text.y = element_text(size = 8),  # 缩小y轴文字避免重叠
        axis.text.x = element_text(angle = 45, hjust = 1))  # x轴文字倾斜

4. 脊线图（分布趋势对比） #

如果想观察不同时间点各细胞的数值分布差异，用脊线图更直观（需要先安装ggridges包）：

library(ggridges)
ggplot(df_long, aes(x = Value, y = Cell, fill = ID)) +
  geom_density_ridges(alpha = 0.6, scale = 0.9) +  # 半透明+调整间距
  facet_wrap(~`Time(min)`) +
  labs(x = "数值", y = "细胞类型", fill = "样本ID") +
  theme_ridges()

内容的提问来源于stack exchange，提问作者WindSur