在R中仅用汇总统计量（无原始数据）绘制多个密度图

嘿，我完全懂你遇到的麻烦——大型4D NIfTI文件根本没法直接转成CSV在R里处理，不过靠手头的汇总统计量（均值、标准差这些）来生成叠加密度图完全可行，尤其是针对正态分布的变量，咱们一步步来解决：

正态分布的形状完全由均值和标准差决定，所以咱们可以直接用R的dnorm()函数生成对应密度曲线，再用ggplot2叠加展示。

步骤1：准备汇总统计数据 #

假设你已经提取了每个受试者的均值和标准差，整理成如下格式的数据框：

# 示例：模拟5个受试者的汇总统计
summary_stats <- data.frame(
  subject = paste0("Subj_", 1:5),  # 受试者ID
  mean_val = c(2.1, 2.3, 2.0, 2.2, 2.4),  # 每个受试者的变量均值
  sd_val = c(0.3, 0.25, 0.32, 0.28, 0.27)  # 每个受试者的变量标准差
)

步骤2：绘制叠加密度图 #

用ggplot2的stat_function()来生成每条受试者的密度曲线，同时设置合理的x轴范围确保覆盖所有曲线的核心区域：

library(ggplot2)

# 计算x轴范围：覆盖所有受试者均值±3倍标准差的区间
x_range <- seq(
  min(summary_stats$mean_val - 3*summary_stats$sd_val),
  max(summary_stats$mean_val + 3*summary_stats$sd_val),
  length.out = 1000  # 生成足够多的点让曲线平滑
)

# 绘制叠加密度图
ggplot() +
  # 循环为每个受试者添加一条密度曲线
  lapply(1:nrow(summary_stats), function(i) {
    stat_function(
      fun = dnorm,  # 正态分布密度函数
      args = list(mean = summary_stats$mean_val[i], sd = summary_stats$sd_val[i]),
      aes(color = summary_stats$subject[i]),  # 用颜色区分受试者
      linewidth = 1  # 设置线条粗细
    )
  }) +
  # 添加标签和美化主题
  labs(
    x = "MRI变量值",
    y = "密度",
    color = "受试者",
    title = "基于汇总统计量的叠加密度图（正态分布）"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5))  # 标题居中

这样就能得到你想要的叠加密度图，清晰对比每个受试者的分布差异。

如果你的变量不是正态分布，仅靠均值和标准差不够，这时可以用**分位数（中位数、Q1、Q3等）**生成模拟数据，再基于模拟数据绘制密度图：

步骤1：准备非正态汇总统计 #

假设你有每个受试者的中位数、下四分位数（Q1）和上四分位数（Q3）：

non_normal_stats <- data.frame(
  subject = paste0("Subj_", 1:5),
  median_val = c(2.0, 2.2, 1.9, 2.1, 2.3),
  q1_val = c(1.7, 1.8, 1.6, 1.7, 1.9),
  q3_val = c(2.3, 2.5, 2.2, 2.4, 2.6)
)

步骤2：生成模拟数据 #

写一个函数，基于分位数生成匹配分布的模拟样本（这里用Beta分布近似，你可以根据数据特性调整）：

library(MASS)

# 生成匹配分位数的模拟数据
generate_sim_data <- function(median, q1, q3, n = 10000) {
  # 用分位数匹配法拟合Beta分布参数
  target_quantiles <- c(q1, median, q3)
  fit_params <- fitdistr(target_quantiles, "beta", start = list(shape1 = 2, shape2 = 2))$estimate
  # 生成Beta分布样本并缩放至目标分位数范围
  sim_data <- qbeta(runif(n), fit_params[1], fit_params[2])
  sim_data <- (sim_data - min(sim_data)) / (max(sim_data) - min(sim_data)) * (q3 - q1) + q1
  return(sim_data)
}

# 为所有受试者生成模拟数据
sim_list <- lapply(1:nrow(non_normal_stats), function(i) {
  data.frame(
    subject = non_normal_stats$subject[i],
    value = generate_sim_data(
      non_normal_stats$median_val[i],
      non_normal_stats$q1_val[i],
      non_normal_stats$q3_val[i]
    )
  )
})
sim_data <- do.call(rbind, sim_list)

步骤3：绘制叠加密度图 #

基于模拟数据用geom_density()绘制曲线：

ggplot(sim_data, aes(x = value, color = subject)) +
  geom_density(linewidth = 1) +
  labs(
    x = "MRI变量值",
    y = "密度",
    color = "受试者",
    title = "基于分位数统计的叠加密度图（非正态分布）"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5))

这种方法能更贴近真实数据的分布形态，适合非正态变量的可视化。

内容的提问来源于stack exchange，提问作者user1442363