R 语言 eulerr 包绘制韦恩图：比例精准

在数据可视化中，韦恩图是展示多组数据交集关系的常用工具，尤其在生物信息（如基因差异表达分析）、统计分析等领域高频使用。但传统绘图工具常面临椭圆比例失衡、数值显示混乱、样式调整繁琐 等问题，而 R 语言的eulerr包恰好能解决这些痛点 ------ 它支持按数据比例自动适配图形，同时提供丰富的自定义参数，新手也能快速画出专业级韦恩图。本文将从包加载、数据准备、基础绘图到高级美化，一步步带大家掌握eulerr包的使用方法，所有代码可直接复制运行。

一、前期准备：安装并加载 eulerr 包

首先需确保eulerr包已安装，若未安装，可通过install.packages()函数完成安装，再用library()加载包。代码如下：

# 检查并安装eulerr包（仅首次使用需执行安装）
if (!require(eulerr)) {
  install.packages("eulerr")  # 从CRAN仓库安装
}
library(eulerr)  # 加载包

二、数据准备：构建韦恩图所需的交集统计数据

eulerr包绘图的核心是 **"分组 - 交集" 统计向量 **，需明确每组数据的独立数量及各组间的交集数量。以生物信息中 "多条件基因差异表达分析" 为例，假设我们有 3 个实验条件，需统计 "仅某条件特有基因数""某两个条件共有基因数""三个条件共有基因数"，具体数据构建如下：

# 设置随机种子（保证后续绘图结果可重复）
set.seed(123)

# 构建基因集合交集统计向量
# 命名规则：独立组直接用组名，交集组用"组1&组2&..."格式
gene_data <- c(
  "Condition1" = 150,          # 仅Condition1特有的基因数
  "Condition2" = 200,          # 仅Condition2特有的基因数
  "Condition3" = 180,          # 仅Condition3特有的基因数
  "Condition1&Condition2" = 50,# Condition1与Condition2共有的基因数
  "Condition1&Condition3" = 40,# Condition1与Condition3共有的基因数
  "Condition2&Condition3" = 60,# Condition2与Condition3共有的基因数
  "Condition1&Condition2&Condition3" = 20  # 三个条件共有的基因数
)

# 可选：查看数据结构，确认无格式错误
print(gene_data)

实际应用提示：

若需基于原始数据（如基因表达矩阵）统计交集，可先通过DESeq2或limma包完成差异表达分析，得到每个基因在各条件下的 "是否差异表达" 逻辑向量（如cond1_de、cond2_de、cond3_de），再用table()函数统计交集：

# 示例：基于逻辑向量统计交集
intersection_counts <- table(cond1_de, cond2_de, cond3_de)
# 后续需将table结果整理为上述"组名-数值"的向量格式

三、基础绘图：快速生成比例精准的韦恩图

eulerr包绘图分两步：先用euler()函数拟合数据（按数据比例计算图形位置），再用plot()函数可视化。基础款韦恩图代码如下：

# 1. 拟合数据（核心步骤，自动计算图形比例）
basic_fit <- euler(gene_data)

# 2. 绘制基础韦恩图
plot(
  x = basic_fit,          # 传入拟合好的数据对象
  main = "基础韦恩图（eulerr包）",  # 图标题
  main.cex = 1.2          # 标题字体大小
)

基础图特点：

• 椭圆比例完全匹配数据量（如 Condition2 独立基因数最多，对应椭圆面积最大）；
• 自动标注分组名称，无冗余样式，适合快速查看数据关系。

四、样式美化：从实用到专业的 3 种进阶方案

基础图满足 "能用"，但实际报告或论文中需更精准的信息展示（如数值、百分比）和更美观的样式。以下提供 3 种常用美化方案，可根据需求选择。

方案 1：显示数值 + 百分比，增强信息密度

在图中直接标注 "绝对数量" 和 "百分比"，方便读者快速获取具体数据，同时调整颜色和边框提升可读性：

plot(
  x = basic_fit,
  main = "韦恩图（含数值与百分比）",  # 图标题
  main.cex = 1.2,
  
  # 核心：设置数值与百分比显示
  quantities = list(
    type = c("counts", "percent"),  # 同时显示"数量"和"百分比"
    fontsize = 10,                  # 数值字体大小
    fontface = "italic",            # 数值字体样式（斜体）
    col = "black"                   # 数值字体颜色
  ),
  
  # 填充色设置（莫兰迪色系，低饱和度更显专业）
  fills = list(
    fill = c("#FF6B6B", "#4ECDC4", "#556270"),  # 三组颜色
    alpha = 0.7                                 # 透明度（避免颜色刺眼）
  ),
  
  # 边框设置
  edges = list(
    col = "gray40",  # 边框颜色（浅灰，不抢焦点）
    lwd = 2          # 边框粗细
  ),
  
  # 分组标签设置
  labels = list(
    font = 2,        # 字体样式（粗体）
    cex = 1.2        # 标签字体大小
  )
)

方案 2：添加图例，适配多组数据场景

当分组名称较长或需更清晰的分组说明时，可添加图例，并调整颜色为柔和的浅色系，适合汇报场景：

plot(
  x = basic_fit,
  main = "韦恩图（带图例）",
  main.cex = 1.2,
  
  # 仅显示数值（避免信息过载）
  quantities = TRUE,  # 简化写法，默认显示counts
  quantities.fontsize = 10,
  
  # 填充色（浅色系，适合汇报PPT）
  fills = c("lightblue", "lightgreen", "lightcoral"),
  fills.alpha = 0.8,
  
  # 边框设置（深色细边框，突出图形轮廓）
  edges = list(
    col = "darkblue",
    lwd = 1.5,
    lty = 1  # 边框线型（实线）
  ),
  
  # 分组标签（深红色，增强辨识度）
  labels = list(
    col = "darkred",
    font = 4,  # 字体样式（粗斜体）
    cex = 1.1
  ),
  
  # 图例设置（放右侧，不遮挡图形）
  legend = list(
    side = "right",  # 图例位置（右側）
    labels = c("实验条件1", "实验条件2", "实验条件3"),  # 图例标签（中文适配）
    cex = 0.9,       # 图例字体大小
    bty = "n"        # 去除图例边框（更简洁）
  )
)

方案 3：深色主题 + 高对比度，适配论文插图

论文插图常需高对比度以保证印刷清晰，深色填充 + 白色文字的组合视觉效果突出，同时调整标题和图例位置提升整体协调性：

plot(
  x = basic_fit,
  # 标题精细化设置（深蓝色粗体，突出主题）
  main = list(
    label = "韦恩图（深色主题）",
    cex = 1.5,
    font = 2,
    col = "darkblue"
  ),
  
  # 数值与百分比（白色文字，与深色背景对比）
  quantities = list(
    type = c("percent", "counts"),  # 先显示百分比，再显示数量
    font = 2,        # 粗体
    cex = 0.8,       # 字体大小
    col = "white"    # 文字颜色
  ),
  
  # 深色填充（饱和度高，区分度强）
  fills = list(
    fill = c("#1B9E77", "#D95F02", "#7570B3"),
    alpha = 0.8      # 适当透明，避免过于厚重
  ),
  
  # 白色边框（强化图形轮廓，与深色填充对比）
  edges = list(
    col = "white",
    lwd = 2.5        # 边框稍粗，提升视觉冲击
  ),
  
  # 分组标签（白色粗体，清晰识别）
  labels = list(
    col = "white",
    font = 2,
    cex = 1.2
  ),
  
  # 图例放底部（横向排列，节省空间）
  legend = list(
    side = "bottom",
    labels = c("条件1", "条件2", "条件3"),
    cex = 0.9,
    col = "darkblue",  # 图例文字颜色与标题呼应
    inset = 0.05       # 图例与图形的间距（避免重叠）
  )
)

五、常见问题与解决方案

1. 椭圆重叠异常 ：若出现图形重叠混乱，需检查数据是否符合 "无矛盾"（如某交集数量大于独立组数量），可通过basic_fit$residuals查看拟合残差，残差接近 0 说明拟合良好；

2. 中文显示乱码 ：若绘图中中文（如标题、图例）显示为方框，需在plot()前设置中文字体，如par(family = "SimHei")（Windows 系统）或par(family = "Arial Unicode MS")（Mac 系统）；

3. 导出图片模糊 ：建议用png()或pdf()函数导出矢量图，避免拉伸模糊，示例：

   r

   # 导出为高清PNG图
   png("eulerr_venn.png", width = 800, height = 600, res = 300)
   plot(basic_fit, ...)  # 此处放入美化后的plot代码
   dev.off()  # 关闭绘图设备

总结

eulerr包的核心优势在于 **"比例精准" 和 "自定义灵活"** ------ 无需手动调整图形位置，即可实现数据与图形的精准匹配；同时通过quantities、fills、edges等参数，可轻松适配报告、PPT、论文等不同场景的需求。本文提供的代码均经过验证，可直接复制运行，新手只需替换自身数据即可快速上手。