UpSet 图
集合超过三四个之后,韦恩图就没法画了,UpSet 图是可扩展的替代。它由三部分组成:
| 部件 | 表达什么 |
|---|---|
| 交集柱(上方) | 每个精确集合组合里有多少元素 |
| 点矩阵(中间) | 每个交集涉及哪几个集合 —— 实心点之间连一条竖线 |
| 集合大小条(左侧) | 每个集合的总量 |
WITH d AS (SELECT * FROM read_csv_auto('{{DFK_BASE_URL}}data/upset.tsv')),
m AS (
SELECT (GWAS_hit + eQTL * 2 + Splicing_QTL * 4
+ Methylation_QTL * 8 + Conservation * 16 + ClinVar * 32) AS mask
FROM d
)
SELECT kuva_render(to_json({
'title': 'Genomic annotation overlap',
'series': [{
'type': 'upset',
'set_names': ['GWAS_hit', 'eQTL', 'Splicing_QTL', 'Methylation_QTL', 'Conservation', 'ClinVar'],
'set_sizes': [
(SELECT sum(GWAS_hit) FROM d),
(SELECT sum(eQTL) FROM d),
(SELECT sum(Splicing_QTL) FROM d),
(SELECT sum(Methylation_QTL) FROM d),
(SELECT sum(Conservation) FROM d),
(SELECT sum(ClinVar) FROM d)
],
'intersections': (SELECT list({'mask': mask, 'count': n})
FROM (SELECT mask, count(*) AS n FROM m WHERE mask > 0 GROUP BY mask)),
'counts': true,
'max_visible': 20
}]
})) AS chart;
掩码
全部关键就在一个数上。mask 是一个位掩码,第 i 位表示「第 i 个集合参与」,于是上面六个集合里:
| 组合 | mask |
|---|---|
只有 GWAS_hit | 1 |
只有 eQTL | 2 |
GWAS_hit ∩ eQTL | 3 |
| 六个都参与 | 63 |
上面的例子把每个 0/1 列乘上它的位权再求和 —— 这就是位掩码的定义,只不过摊开写了一遍。
交集是精确的:mask 3 数的是「在 GWAS_hit 和 eQTL 里、且不在其它任何集合里」的元素。这与韦恩图里那种
「含子交集」的约定正好相反,也正是各列能加得起来的原因。
排序
sort | 顺序 |
|---|---|
"by_frequency" | 交集大的在前(默认) |
"by_degree" | 涉及的集合多的在前,同数量按计数排 |
"natural" | 就按你给的顺序 |
有意思的是那些复杂列(罕见的六路交叠)而不是最大的那几列时,用 "by_degree"。
WITH d AS (SELECT * FROM read_csv_auto('{{DFK_BASE_URL}}data/upset.tsv')),
m AS (
SELECT (GWAS_hit + eQTL * 2 + Splicing_QTL * 4
+ Methylation_QTL * 8 + Conservation * 16 + ClinVar * 32) AS mask
FROM d
)
SELECT kuva_render(to_json({
'title': 'Sorted by degree',
'series': [{
'type': 'upset',
'set_names': ['GWAS_hit', 'eQTL', 'Splicing_QTL', 'Methylation_QTL', 'Conservation', 'ClinVar'],
'set_sizes': [
(SELECT sum(GWAS_hit) FROM d),
(SELECT sum(eQTL) FROM d),
(SELECT sum(Splicing_QTL) FROM d),
(SELECT sum(Methylation_QTL) FROM d),
(SELECT sum(Conservation) FROM d),
(SELECT sum(ClinVar) FROM d)
],
'intersections': (SELECT list({'mask': mask, 'count': n})
FROM (SELECT mask, count(*) AS n FROM m WHERE mask > 0 GROUP BY mask)),
'sort': 'by_degree',
'counts': true,
'bar_color': '#1d4ed8',
'dot_color': '#1e3a8a',
'max_visible': 15
}]
})) AS chart;
限量与裁剪
max_visible 只保留排序之后的前 n 个交集,所以被丢掉的永远是最小(或涉及集合最少)的那些。六个集合最多
有 63 个非空组合 —— 没人会去读 63 列。
show_set_sizes: false 藏掉左侧面板:总量从上下文已经知道时,版面会紧凑不少。
WITH d AS (SELECT * FROM read_csv_auto('{{DFK_BASE_URL}}data/upset.tsv')),
m AS (
SELECT (GWAS_hit + eQTL * 2 + Splicing_QTL * 4
+ Methylation_QTL * 8 + Conservation * 16 + ClinVar * 32) AS mask
FROM d
)
SELECT kuva_render(to_json({
'title': 'Top 8, no set-size panel',
'series': [{
'type': 'upset',
'set_names': ['GWAS_hit', 'eQTL', 'Splicing_QTL', 'Methylation_QTL', 'Conservation', 'ClinVar'],
'set_sizes': [
(SELECT sum(GWAS_hit) FROM d),
(SELECT sum(eQTL) FROM d),
(SELECT sum(Splicing_QTL) FROM d),
(SELECT sum(Methylation_QTL) FROM d),
(SELECT sum(Conservation) FROM d),
(SELECT sum(ClinVar) FROM d)
],
'intersections': (SELECT list({'mask': mask, 'count': n})
FROM (SELECT mask, count(*) AS n FROM m WHERE mask > 0 GROUP BY mask)),
'max_visible': 8,
'show_set_sizes': false,
'counts': true
}]
})) AS chart;
字段
| 字段 | 类型 | 设置什么 |
|---|---|---|
set_names | string[] | 必填。 每个集合一个名字;第 i 位对应 set_names[i]。 |
set_sizes | integer[] | 每个集合的总量,用于左侧条;长度须与 set_names 一致。 |
intersections | intersection[] | 必填。 每个非空组合 {mask, count}。 |
sort | string | "by_frequency"(默认)· "by_degree" · "natural"。 |
max_visible | integer | 排序后只保留前 n 个交集。 |
counts | boolean | 在柱子上写计数。 |
show_set_sizes | boolean | 画左侧的集合大小面板(默认开)。 |
bar_color | string | 交集柱与集合大小条的颜色(默认 #333333)。 |
dot_color | string | 实心点的颜色(默认 #333333)。 |
dot_empty_color | string | 「不在这个交集里」的那些点的颜色。 |
说明
- 掩码是精确组合,不是含子交集的计数 —— mask
3是「在集合 0 与 1 里、且不在其它任何集合里」。mask 为0(哪个集合都不在)不是一个交集,不会画。 set_sizes必须与set_names对齐;集合总量只有这一个来源,所以它不必等于掩码计数之和。max_visible是在排序之后生效的,所以调大它不会改变图的顺序。- 不在某交集里的集合,点仍然会画(浅灰)—— 正是它们让每一列的「组合」读得出来。
另见
- kuva — UpSet 图 —— 绘图库自己的图型参考。
- 韦恩图 —— 两到四个集合时用它。
- 马赛克图 —— 换成两向分类占比,而不是集合交叠。