이 챕터를 마치면 다음을 할 수 있습니다:
학술 논문이나 학회 발표를 위해서는 단순히 “예쁜” 그래프가 아닌, 재현 가능하고 정확하며 전문적인 시각화가 필요합니다. 이 챕터에서는 ggplot2를 출판 수준으로 끌어올리는 고급 기법을 배웁니다.
학습 순서: 1. 텍스트 라벨 최적화 (ggrepel) 2. 다중 플롯 조합 (patchwork) 3. 학술지 스타일 테마 (ggthemes, ggpubr) 4. 고해상도 저장 및 포맷 5. 색상 접근성 (colorblind-friendly) 6. 출판 체크리스트
보건학 연구에서 산점도나 volcano plot에 유전자 이름, 환자 ID, 지역명 등의 라벨을 추가할 때 겹침 문제가 자주 발생합니다.
문제 예시: geom_text()의 한계
library(tidyverse)
# 상위 10개 차량만 라벨링
mtcars_labeled <- mtcars %>%
tibble::rownames_to_column("model") %>%
arrange(desc(mpg)) %>%
slice(1:10)
# 문제: 라벨이 서로 겹침
ggplot(mtcars_labeled, aes(x = wt, y = mpg, label = model)) +
geom_point(color = "steelblue", size = 3) +
geom_text(size = 3, vjust = -0.5) + # 텍스트가 겹침!
labs(
title = "연비 상위 10개 차량 (geom_text - 겹침 발생)",
x = "무게 (1000 lbs)",
y = "연비 (mpg)"
) +
theme_minimal(base_size = 12)
ggrepel은 라벨이 점과 서로 겹치지 않도록 자동으로 위치를 조정합니다.
library(ggrepel)
# 해결: 라벨이 자동으로 위치 조정
ggplot(mtcars_labeled, aes(x = wt, y = mpg, label = model)) +
geom_point(color = "steelblue", size = 3) +
geom_text_repel(
size = 3,
box.padding = 0.5, # 라벨 주변 여백
point.padding = 0.3, # 점 주변 여백
segment.color = "grey50", # 연결선 색상
max.overlaps = 20 # 최대 겹침 허용 수
) +
labs(
title = "연비 상위 10개 차량 (geom_text_repel - 겹침 없음)",
x = "무게 (1000 lbs)",
y = "연비 (mpg)"
) +
theme_minimal(base_size = 12)
역학 및 유전체 연구에서 자주 사용되는 volcano plot에 유의미한 유전자만 라벨링:
# 모의 유전체 데이터 생성
set.seed(42)
gene_data <- tibble(
gene = paste0("Gene", 1:100),
log2FC = rnorm(100, mean = 0, sd = 1.5),
pvalue = runif(100, 0, 0.1)
) %>%
mutate(
neg_log10p = -log10(pvalue),
significant = ifelse(abs(log2FC) > 1 & pvalue < 0.05, "Significant", "NS"),
label = ifelse(abs(log2FC) > 1.5 & pvalue < 0.01, gene, "")
)
# Volcano plot
ggplot(gene_data, aes(x = log2FC, y = neg_log10p)) +
geom_point(aes(color = significant), alpha = 0.6, size = 2) +
geom_hline(yintercept = -log10(0.05), linetype = "dashed", color = "red") +
geom_vline(xintercept = c(-1, 1), linetype = "dashed", color = "blue") +
geom_text_repel(
aes(label = label),
size = 3,
max.overlaps = 15,
box.padding = 0.5
) +
scale_color_manual(values = c("NS" = "gray", "Significant" = "red")) +
labs(
title = "Volcano Plot: 유전자 발현 차이",
x = "Log2 Fold Change",
y = "-Log10(P-value)",
color = "Significance"
) +
theme_classic(base_size = 12) +
theme(legend.position = "top")
| 옵션 | 설명 | 기본값 |
|---|---|---|
box.padding |
라벨 박스 주변 여백 | 0.25 |
point.padding |
점 주변 여백 | 1e-06 |
segment.color |
연결선 색상 | “black” |
segment.size |
연결선 두께 | 0.5 |
max.overlaps |
허용 최대 겹침 수 | 10 |
min.segment.length |
최소 연결선 길이 | 0.5 |
force |
반발력 강도 | 1 |
실전 팁: 라벨이 많을 때는 max.overlaps를 늘리고, force를 조정하여 배치를 최적화하세요.
학술 논문에서는 여러 그래프를 하나의 Figure로 조합해야 합니다 (e.g., Figure 1A, 1B, 1C). patchwork 패키지는 직관적인 연산자로 이를 가능하게 합니다:
+: 나란히 또는 순서대로 배치|: 옆으로 나란히/: 위아래로 쌓기(): 그룹화기존 방법 (gridExtra, cowplot)의 문제점: - 복잡한 문법 - 축 정렬 어려움 - 라벨링 불편
patchwork의 장점: - 간결한 문법 (|, / 연산자) - 자동 축 정렬 - 자동 Figure 라벨 (A, B, C)
library(patchwork)
# 3개의 독립적인 플롯 생성
p1 <- ggplot(mtcars, aes(x = mpg, y = disp)) +
geom_point(color = "steelblue") +
geom_smooth(method = "lm", se = FALSE, color = "red") +
labs(title = "연비 vs. 배기량", x = "MPG", y = "Displacement") +
theme_bw()
p2 <- ggplot(mtcars, aes(x = factor(cyl), y = mpg, fill = factor(cyl))) +
geom_boxplot(show.legend = FALSE) +
labs(title = "실린더별 연비", x = "Cylinders", y = "MPG") +
theme_bw()
p3 <- ggplot(mtcars, aes(x = hp)) +
geom_histogram(bins = 15, fill = "coral", color = "black") +
labs(title = "마력 분포", x = "Horsepower", y = "Count") +
theme_bw()
# 조합: p1과 p2를 나란히, 그 아래 p3
(p1 | p2) / p3 +
plot_annotation(
title = "자동차 성능 분석 종합",
tag_levels = "A", # A, B, C 자동 라벨
theme = theme(plot.title = element_text(size = 14, face = "bold"))
)
예제 1: 복잡한 레이아웃
# 보건학 데이터 시뮬레이션
set.seed(123)
health_sim <- tibble(
age = rnorm(200, mean = 45, sd = 15),
bmi = rnorm(200, mean = 25, sd = 4),
sbp = rnorm(200, mean = 130, sd = 20),
gender = sample(c("M", "F"), 200, replace = TRUE)
)
# 4개 플롯 생성
p_age_bmi <- ggplot(health_sim, aes(x = age, y = bmi, color = gender)) +
geom_point(alpha = 0.6) +
labs(title = "나이와 BMI", x = "Age", y = "BMI") +
theme_minimal()
p_age_sbp <- ggplot(health_sim, aes(x = age, y = sbp, color = gender)) +
geom_point(alpha = 0.6) +
labs(title = "나이와 혈압", x = "Age", y = "SBP (mmHg)") +
theme_minimal()
p_bmi_dist <- ggplot(health_sim, aes(x = bmi, fill = gender)) +
geom_density(alpha = 0.5) +
labs(title = "BMI 분포", x = "BMI", y = "Density") +
theme_minimal()
p_sbp_box <- ggplot(health_sim, aes(x = gender, y = sbp, fill = gender)) +
geom_boxplot(show.legend = FALSE) +
labs(title = "성별 혈압", x = "Gender", y = "SBP (mmHg)") +
theme_minimal()
# 레이아웃: 2x2 그리드
(p_age_bmi | p_age_sbp) / (p_bmi_dist | p_sbp_box) +
plot_annotation(
title = "건강검진 데이터 종합 분석",
tag_levels = "A",
tag_suffix = ")",
theme = theme(plot.title = element_text(size = 16, face = "bold", hjust = 0.5))
)
예제 2: 불균등 배치 (한 플롯이 2열 차지)
# 플롯 생성
p_main <- ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = Species)) +
geom_point(size = 2) +
labs(title = "붓꽃 꽃받침 크기", x = "Sepal Length", y = "Sepal Width") +
theme_bw()
p_hist_x <- ggplot(iris, aes(x = Sepal.Length, fill = Species)) +
geom_histogram(bins = 20, alpha = 0.7) +
labs(title = "Sepal Length 분포") +
theme_bw() +
theme(legend.position = "none")
p_hist_y <- ggplot(iris, aes(x = Sepal.Width, fill = Species)) +
geom_histogram(bins = 20, alpha = 0.7) +
labs(title = "Sepal Width 분포") +
theme_bw() +
theme(legend.position = "none")
# 레이아웃: p_main이 더 큰 공간 차지
p_main / (p_hist_x | p_hist_y) +
plot_layout(heights = c(2, 1)) + # 높이 비율 2:1
plot_annotation(tag_levels = "A")
| 함수 | 기능 | 예시 |
|---|---|---|
plot_annotation() |
전체 제목, 라벨 추가 | tag_levels = "A" |
plot_layout() |
배치 설정 | ncol = 2, heights = c(2, 1) |
& |
모든 플롯에 테마 일괄 적용 | (p1 | p2) & theme_bw() |
* |
중첩 배치 | p1 + inset_element(p2, ...) |
tag_levels 옵션: - "A": A, B, C (대문자) - "a": a, b, c (소문자) - "1": 1, 2, 3 (숫자) - "I": I, II, III (로마 숫자)
ggplot2는 기본적으로 8가지 테마를 제공합니다:
library(patchwork)
# 기본 플롯
base_plot <- ggplot(mtcars, aes(x = wt, y = mpg)) +
geom_point(color = "steelblue", size = 2) +
labs(title = "테마별 비교", x = "Weight", y = "MPG")
# 8가지 테마 적용
p_gray <- base_plot + theme_gray() + labs(subtitle = "theme_gray() [기본값]")
p_bw <- base_plot + theme_bw() + labs(subtitle = "theme_bw()")
p_minimal <- base_plot + theme_minimal() + labs(subtitle = "theme_minimal()")
p_classic <- base_plot + theme_classic() + labs(subtitle = "theme_classic()")
p_light <- base_plot + theme_light() + labs(subtitle = "theme_light()")
p_dark <- base_plot + theme_dark() + labs(subtitle = "theme_dark()")
p_void <- base_plot + theme_void() + labs(subtitle = "theme_void()")
p_linedraw <- base_plot + theme_linedraw() + labs(subtitle = "theme_linedraw()")
# 조합
(p_gray | p_bw | p_minimal | p_classic) /
(p_light | p_dark | p_void | p_linedraw) +
plot_annotation(
title = "ggplot2 내장 테마 8종",
theme = theme(plot.title = element_text(size = 16, face = "bold"))
)
학술지별 추천 테마:
| 학술지 | 추천 테마 | 특징 |
|---|---|---|
| Nature, Science | theme_classic() |
축만 표시, 격자 없음 |
| NEJM, Lancet | theme_bw() |
흰색 배경, 검은 테두리 |
| PLOS ONE | theme_minimal() |
최소한의 요소 |
| 프레젠테이션 | theme_minimal() |
깔끔하고 가독성 높음 |
ggthemes는 Economist, Wall Street Journal 등 유명 출판물의 스타일을 제공합니다.
library(ggthemes)
base_plot <- ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl))) +
geom_point(size = 3) +
labs(x = "Weight (1000 lbs)", y = "MPG", color = "Cylinders")
p_economist <- base_plot +
theme_economist() +
scale_color_economist() +
labs(title = "The Economist Style")
p_wsj <- base_plot +
theme_wsj() +
scale_color_wsj() +
labs(title = "Wall Street Journal Style") +
theme(axis.title = element_text()) # WSJ은 기본적으로 축 제목 없음
p_fivethirtyeight <- base_plot +
theme_fivethirtyeight() +
scale_color_fivethirtyeight() +
labs(title = "FiveThirtyEight Style")
p_colorblind <- base_plot +
theme_minimal() +
scale_color_colorblind() +
labs(title = "Color-blind Safe Palette")
(p_economist | p_wsj) / (p_fivethirtyeight | p_colorblind) +
plot_annotation(
title = "ggthemes 스타일 예제",
theme = theme(plot.title = element_text(size = 16, face = "bold"))
)
ggpubr는 p-value와 유의성 표시를 자동화합니다.
library(ggpubr)
# ToothGrowth 데이터: 비타민 C 투여량에 따른 치아 성장
ggboxplot(
ToothGrowth,
x = "dose",
y = "len",
fill = "dose",
palette = "jco", # Journal of Clinical Oncology 색상
add = "jitter", # 개별 점 추가
add.params = list(size = 0.5, alpha = 0.5)
) +
stat_compare_means(
comparisons = list(c("0.5", "1"), c("1", "2"), c("0.5", "2")),
label = "p.signif", # *, **, *** 표시
method = "t.test"
) +
stat_compare_means(label.y = 35, method = "anova") + # 전체 ANOVA
labs(
title = "비타민 C 투여량에 따른 치아 성장",
subtitle = "Guinea Pigs (N=60)",
x = "Dose (mg/day)",
y = "Tooth Length",
caption = "데이터: ToothGrowth (R 내장)"
) +
theme_pubr()
ggpubr의 주요 함수:
# 그룹 간 비교
stat_compare_means(
comparisons = list(c("group1", "group2"), c("group2", "group3")),
method = "t.test", # 또는 "wilcox.test", "anova"
label = "p.signif" # 또는 "p.format" (숫자)
)
# 상관관계 표시
stat_cor(
aes(label = paste(after_stat(rr.label), after_stat(p.label), sep = "~`,`~")),
method = "pearson"
)전 세계 남성의 약 8%, 여성의 0.5%가 색맹입니다. 학술 출판에서는 색맹 친화적 색상을 사용해야 합니다.
Viridis는 색맹 친화적이며, 흑백 인쇄에서도 구별 가능합니다.
library(viridis)
# 기본 플롯
base_plot <- ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = Petal.Length)) +
geom_point(size = 3) +
labs(x = "Sepal Length", y = "Sepal Width", color = "Petal Length")
# 5가지 Viridis 옵션
p_viridis <- base_plot + scale_color_viridis_c(option = "viridis") + labs(title = "viridis (default)")
p_magma <- base_plot + scale_color_viridis_c(option = "magma") + labs(title = "magma")
p_plasma <- base_plot + scale_color_viridis_c(option = "plasma") + labs(title = "plasma")
p_inferno <- base_plot + scale_color_viridis_c(option = "inferno") + labs(title = "inferno")
p_cividis <- base_plot + scale_color_viridis_c(option = "cividis") + labs(title = "cividis (최대 접근성)")
p_rocket <- base_plot + scale_color_viridis_c(option = "rocket") + labs(title = "rocket")
(p_viridis | p_magma | p_plasma) / (p_inferno | p_cividis | p_rocket) +
plot_annotation(
title = "Viridis 색상 팔레트 옵션",
subtitle = "모든 옵션이 색맹 친화적이며 흑백 인쇄 가능",
theme = theme(plot.title = element_text(size = 14, face = "bold"))
)
ColorBrewer는 지도학에서 개발된 색상 팔레트로, 색맹 친화성이 검증되었습니다.
library(RColorBrewer)
base_plot <- ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = Species)) +
geom_point(size = 3) +
labs(x = "Sepal Length", y = "Sepal Width")
p_set1 <- base_plot + scale_color_brewer(palette = "Set1") + labs(title = "Set1")
p_set2 <- base_plot + scale_color_brewer(palette = "Set2") + labs(title = "Set2")
p_dark2 <- base_plot + scale_color_brewer(palette = "Dark2") + labs(title = "Dark2")
p_paired <- base_plot + scale_color_brewer(palette = "Paired") + labs(title = "Paired")
(p_set1 | p_set2) / (p_dark2 | p_paired) +
plot_annotation(
title = "ColorBrewer 팔레트 (범주형 데이터용)",
theme = theme(plot.title = element_text(size = 14, face = "bold"))
)
빨강-초록 조합: 가장 흔한 색맹 유형(적록색맹)에서 구별 불가
# ❌ 피하세요
scale_color_manual(values = c("red", "green"))
# ✅ 대신 사용하세요
scale_color_viridis_d()
scale_color_brewer(palette = "Set2")
scale_color_colorblind() # ggthemes온라인 도구: - Color Oracle: 색맹 시뮬레이터 - ColorBrewer: 팔레트 선택 도구
# 플롯 생성
p <- ggplot(mtcars, aes(x = wt, y = mpg)) +
geom_point() +
theme_classic()
# 저장
ggsave(
filename = "figure1.png",
plot = p,
width = 8, # 너비 (inch)
height = 6, # 높이 (inch)
dpi = 300, # 해상도 (dots per inch)
units = "in" # 단위: "in", "cm", "mm"
)| 학술지 | 해상도 (DPI) | 파일 형식 | 최소 글꼴 크기 | 권장 너비 |
|---|---|---|---|---|
| Nature | 300-600 | PDF, EPS, TIFF | 5-7 pt | Single column: 89 mm Double column: 183 mm |
| Science | 300+ | PDF, EPS, TIFF | 6-8 pt | Single: 5.5 cm Double: 12 cm |
| NEJM | 300-600 | EPS, TIFF | 7-9 pt | Single: 3.25 in Double: 6.75 in |
| PLOS ONE | 300+ | TIFF, EPS | 8-12 pt | Max width: 17.35 cm |
| BMJ | 300+ | TIFF, EPS, PDF | 7-9 pt | Single: 8 cm Double: 17 cm |
실전 예제:
# Nature 스타일 (single column)
ggsave(
filename = "nature_figure1.pdf",
plot = p,
width = 89,
height = 89,
units = "mm",
dpi = 600,
device = cairo_pdf # 벡터 형식, 고품질
)
# NEJM 스타일 (double column)
ggsave(
filename = "nejm_figure1.tiff",
plot = p,
width = 6.75,
height = 5,
units = "in",
dpi = 300,
compression = "lzw" # TIFF 압축
)
# 프레젠테이션용 (고해상도 PNG)
ggsave(
filename = "presentation_figure1.png",
plot = p,
width = 10,
height = 6,
units = "in",
dpi = 300,
bg = "white" # 배경 흰색
)벡터 형식 (확대해도 선명): - PDF: 범용, 편집 가능 - EPS: PostScript, 전통적 출판 - SVG: 웹용, 인터랙티브
래스터 형식 (픽셀 기반): - PNG: 웹, 프레젠테이션 (투명 배경 지원) - TIFF: 고품질 인쇄 (압축 옵션) - JPEG: 사진용 (손실 압축)
학술 논문 제출용: 1. 1순위: PDF (벡터) - 편집 가능, 확대 시 선명 2. 2순위: TIFF (300+ DPI) - 고품질 래스터 3. 3순위: EPS (벡터) - 레거시 시스템
프레젠테이션용: - PNG (300 DPI) - 투명 배경 지원, 파워포인트 호환
웹 게시용: - PNG (150 DPI) - 빠른 로딩 - SVG - 인터랙티브 요소
ggplot(mtcars, aes(x = wt, y = mpg)) +
geom_point(size = 3, color = "steelblue") +
labs(
title = "자동차 무게와 연비의 관계",
subtitle = "미국 자동차 32종 (1973-74 모델)",
x = "무게 (1000 lbs)",
y = "연비 (miles per gallon)",
caption = "데이터: mtcars | 분석: 연세대 산업보건 연구소"
) +
theme_classic(base_size = 14) + # 기본 글꼴 크기
theme(
plot.title = element_text(size = 16, face = "bold", hjust = 0),
plot.subtitle = element_text(size = 12, color = "gray40", hjust = 0),
axis.title = element_text(size = 12, face = "bold"),
axis.text = element_text(size = 10),
plot.caption = element_text(size = 9, color = "gray50", hjust = 1)
)
글꼴 크기 권장사항:
| 요소 | 권장 크기 | 비고 |
|---|---|---|
| 제목 | 14-18 pt | 굵게 (bold) |
| 부제목 | 12-14 pt | 보통 (plain) |
| 축 제목 | 11-13 pt | 굵게 또는 보통 |
| 축 눈금 | 9-11 pt | 보통 |
| 범례 | 10-12 pt | 보통 |
| 캡션 | 8-10 pt | 회색 |
Windows에서 한글이 깨질 때 showtext 패키지 사용:
library(showtext)
# Google Fonts에서 Noto Sans KR 다운로드
font_add_google("Noto Sans KR", "notosanskr")
showtext_auto()
# 한글 폰트 적용
ggplot(mtcars, aes(x = wt, y = mpg)) +
geom_point() +
labs(title = "자동차 무게와 연비", x = "무게", y = "연비") +
theme_minimal(base_family = "notosanskr", base_size = 14)1. 데이터 정확성 - [ ] 모든 수치가 올바른가? - [ ] 통계 검정이 정확하게 수행되었는가? - [ ] 에러바가 SE인지 CI인지 명시했는가? - [ ] N 수를 명시했는가?
2. 시각적 요소 - [ ] 모든 축에 명확한 레이블과 단위 표시 - [ ] 글꼴 크기 적절 (최소 7pt 이상) - [ ] 색상이 색맹 친화적인가? (Viridis, ColorBrewer) - [ ] 범례가 명확하고 위치가 적절한가? - [ ] 그리드라인이 너무 많지 않은가?
3. 해상도 및 포맷 - [ ] 해상도 ≥ 300 DPI (학술지 요구사항 확인) - [ ] 파일 형식: PDF (벡터) 또는 TIFF (래스터) - [ ] 파일 크기 < 10 MB (학술지 제한 확인) - [ ] 그림 크기가 학술지 규정 준수 (single/double column)
4. 텍스트 및 라벨 - [ ] 모든 텍스트가 읽기 쉬운가? - [ ] 라벨이 겹치지 않는가? (ggrepel 사용) - [ ] Figure 캡션이 완전하고 자세한가? - [ ] 통계 정보 명시 (p-value, CI, SE)
5. 일관성 - [ ] 같은 논문 내 모든 그래프가 동일한 테마 사용 - [ ] 색상 팔레트가 일관적인가? - [ ] 글꼴과 크기가 일관적인가?
6. 접근성 - [ ] 색맹 친화적 색상 사용 - [ ] 흑백 인쇄 시에도 구별 가능한가? - [ ] 점선, 모양 등으로 추가 구별 제공
7. 윤리 및 투명성 - [ ] 데이터 출처 명시 - [ ] 통계 방법 명시 - [ ] 데이터 조작 없음 (y축 범위 조작 등)
Before (기본 ggplot2):
# 간단한 산점도 (개선 전)
ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl))) +
geom_point() +
geom_smooth(method = "lm")
After (출판 품질):
library(tidyverse)
library(ggrepel)
# 상위 5개 차량만 라벨링
mtcars_top <- mtcars %>%
tibble::rownames_to_column("model") %>%
arrange(desc(mpg)) %>%
slice(1:5)
ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl), shape = factor(cyl))) +
geom_point(size = 3, alpha = 0.7) +
geom_smooth(method = "lm", se = TRUE, linewidth = 0.8) +
geom_text_repel(
data = mtcars_top,
aes(label = model),
size = 3,
max.overlaps = 10,
box.padding = 0.5
) +
scale_color_viridis_d(
option = "plasma",
name = "Cylinders",
labels = c("4 cyl", "6 cyl", "8 cyl")
) +
scale_shape_manual(
values = c(16, 17, 15),
name = "Cylinders",
labels = c("4 cyl", "6 cyl", "8 cyl")
) +
labs(
title = "Relationship Between Vehicle Weight and Fuel Efficiency",
subtitle = "US automobiles (1973-74 models, n=32)",
x = "Weight (1000 lbs)",
y = "Fuel Efficiency (miles per gallon)",
caption = "Data: Henderson and Velleman (1981) | Linear regression lines with 95% CI"
) +
theme_classic(base_size = 12) +
theme(
plot.title = element_text(size = 14, face = "bold", hjust = 0),
plot.subtitle = element_text(size = 11, color = "gray40", hjust = 0),
axis.title = element_text(size = 11, face = "bold"),
axis.text = element_text(size = 10),
legend.position = c(0.85, 0.8),
legend.background = element_rect(fill = "white", color = "black", linewidth = 0.3),
legend.title = element_text(size = 10, face = "bold"),
legend.text = element_text(size = 9),
plot.caption = element_text(size = 8, color = "gray50", hjust = 0),
panel.grid.major = element_line(color = "gray90", linewidth = 0.3)
)
library(tidyverse)
library(patchwork)
library(ggrepel)
library(viridis)
library(ggpubr)
# 데이터 준비
set.seed(42)
clinical_data <- tibble(
patient_id = 1:100,
age = rnorm(100, mean = 55, sd = 15),
treatment = sample(c("Control", "Drug A", "Drug B"), 100, replace = TRUE),
response = rnorm(100, mean = 50, sd = 20) + ifelse(treatment == "Drug A", 15, ifelse(treatment == "Drug B", 10, 0)),
adverse_event = sample(c("None", "Mild", "Moderate"), 100, replace = TRUE, prob = c(0.6, 0.3, 0.1))
)
# Panel A: 치료군별 반응
p_a <- ggplot(clinical_data, aes(x = treatment, y = response, fill = treatment)) +
geom_boxplot(alpha = 0.7, outlier.shape = NA) +
geom_jitter(width = 0.2, alpha = 0.3, size = 1) +
stat_compare_means(
comparisons = list(c("Control", "Drug A"), c("Control", "Drug B"), c("Drug A", "Drug B")),
label = "p.signif",
method = "t.test"
) +
scale_fill_viridis_d(option = "plasma", begin = 0.3, end = 0.9) +
labs(
title = "Treatment Response by Group",
x = "Treatment Group",
y = "Response Score (0-100)"
) +
theme_classic(base_size = 11) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", size = 12)
)
# Panel B: 나이와 반응의 관계
p_b <- ggplot(clinical_data, aes(x = age, y = response, color = treatment, shape = treatment)) +
geom_point(size = 2.5, alpha = 0.7) +
geom_smooth(method = "lm", se = TRUE, linewidth = 0.8) +
scale_color_viridis_d(option = "plasma", begin = 0.3, end = 0.9) +
scale_shape_manual(values = c(16, 17, 15)) +
labs(
title = "Age vs. Response",
x = "Patient Age (years)",
y = "Response Score",
color = "Treatment",
shape = "Treatment"
) +
theme_classic(base_size = 11) +
theme(
legend.position = c(0.15, 0.85),
legend.background = element_rect(fill = "white", color = "black", linewidth = 0.3),
legend.title = element_text(face = "bold", size = 10),
plot.title = element_text(face = "bold", size = 12)
)
# Panel C: 부작용 발생률
adverse_summary <- clinical_data %>%
count(treatment, adverse_event) %>%
group_by(treatment) %>%
mutate(prop = n / sum(n) * 100)
p_c <- ggplot(adverse_summary, aes(x = treatment, y = prop, fill = adverse_event)) +
geom_col(position = "dodge", alpha = 0.8) +
geom_text(
aes(label = sprintf("%.0f%%", prop)),
position = position_dodge(width = 0.9),
vjust = -0.5,
size = 3
) +
scale_fill_brewer(palette = "Set2") +
labs(
title = "Adverse Event Incidence",
x = "Treatment Group",
y = "Percentage of Patients (%)",
fill = "Severity"
) +
theme_classic(base_size = 11) +
theme(
legend.position = "top",
legend.title = element_text(face = "bold", size = 10),
plot.title = element_text(face = "bold", size = 12)
)
# Panel D: 나이 분포
p_d <- ggplot(clinical_data, aes(x = age, fill = treatment)) +
geom_density(alpha = 0.6) +
scale_fill_viridis_d(option = "plasma", begin = 0.3, end = 0.9) +
labs(
title = "Patient Age Distribution",
x = "Age (years)",
y = "Density",
fill = "Treatment"
) +
theme_classic(base_size = 11) +
theme(
legend.position = c(0.85, 0.8),
legend.background = element_rect(fill = "white", color = "black", linewidth = 0.3),
legend.title = element_text(face = "bold", size = 10),
plot.title = element_text(face = "bold", size = 12)
)
# 조합
(p_a | p_b) / (p_c | p_d) +
plot_annotation(
title = "Phase II Clinical Trial Results: Novel Drug A vs. Drug B vs. Control",
subtitle = "Multicenter, randomized controlled trial (N=100 patients)",
caption = "Error bars: 95% CI | Statistical test: Two-sample t-test | *p<0.05, **p<0.01, ***p<0.001",
tag_levels = "A",
tag_suffix = ")",
theme = theme(
plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
plot.subtitle = element_text(size = 12, hjust = 0.5, color = "gray40"),
plot.caption = element_text(size = 9, hjust = 0, color = "gray50")
)
) &
theme(
plot.tag = element_text(size = 14, face = "bold"),
plot.tag.position = c(0.02, 0.98)
)
1단계: 데이터 준비 및 탐색
2단계: 기본 플롯 생성
p <- ggplot(data, aes(x = var1, y = var2)) +
geom_point()3단계: 시각적 개선
p <- p +
geom_smooth(method = "lm", se = TRUE) +
scale_color_viridis_d() + # 색맹 친화적
theme_classic(base_size = 12)4단계: 텍스트 및 라벨
p <- p +
geom_text_repel(aes(label = label)) + # 겹침 방지
labs(
title = "명확한 제목",
x = "X축 레이블 (단위)",
y = "Y축 레이블 (단위)",
caption = "데이터 출처 및 통계 정보"
)5단계: 다중 플롯 조합 (필요 시)
library(patchwork)
(p1 | p2) / p3 +
plot_annotation(tag_levels = "A")6단계: 고해상도 저장
ggsave(
"figure1.pdf",
width = 8, height = 6,
dpi = 300, device = cairo_pdf
)7단계: 체크리스트 확인 - [ ] 모든 항목 검토 - [ ] 동료 피드백 받기 - [ ] 학술지 규정 재확인
| 패키지 | 기능 | 필수도 |
|---|---|---|
| ggplot2 | 기본 시각화 | ⭐⭐⭐⭐⭐ |
| ggrepel | 라벨 겹침 방지 | ⭐⭐⭐⭐⭐ |
| patchwork | 다중 플롯 조합 | ⭐⭐⭐⭐⭐ |
| ggpubr | 통계 비교 자동화 | ⭐⭐⭐⭐ |
| viridis | 색맹 친화적 색상 | ⭐⭐⭐⭐ |
| ggthemes | 학술지 스타일 | ⭐⭐⭐ |
| showtext | 한글 폰트 지원 | ⭐⭐⭐ |
| scales | 축 포맷팅 | ⭐⭐⭐ |
출판된 논문을 넘어서, 웹 기반 대시보드와 인터랙티브 시각화를 배웁니다:
ggplotly())웹에서 클릭하고 확대하고 필터링할 수 있는 차세대 시각화를 경험해보세요!
축하합니다! Chapter 6를 완료했습니다. 이제 출판 수준의 전문적인 시각화를 만들 수 있습니다! 🎉