R语言相关性矩阵绘图

  1. 利用PerformanceAnalytics包
  2. 矩阵散点图很常规
  3. 利用corrplot包
  4. 利用corrgram包

不废话,直接放图和代码啦!

  1. 一个图能展示分布、散点、相关系数三个信息,很好用啦!
    在这里插入图片描述
install.packages('PerformanceAnalytics')
chart.Correlation(X, histogram=TRUE, pch=19)
  1. 比较基础的矩阵散点图
    在这里插入图片描述
cor(Data[,2:9])       
plot(Data[,2:9])

  1. 用corrplot包绘制的一些图,一些参数说明如下:
corrplot(tcor,method="shade",
         type = "lower", #选择画上三角或下三角【lower/upper】,若没这个指标则包含上下三角
         shade.col=NA,
         tl.col = "black",#文本标签颜色
         tl.srt = 45,#文本标签倾斜角度
         addCoef.col = "white", #相关系数的颜色
         cl.pos = "n", 
         order="AOE")#有三种排序方式,矩阵重排序,使用特征值角排序、第一主成分或层次聚类"AOE"|"FPC"|"hclust"

在这里插入图片描述
来看一下不同类型的一些图

corrplot(tcor,method="shade")
corrplot(tcor,method="color")
corrplot(tcor,method="ellipse")
corrplot(tcor,method="pie")

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
还可以将一些图形进行组合搭配

4.可以用corrgram包进行一些组合搭配

library("fpc")
library("corrgram")

#可以把多种类型的图结合在一起。
corrgram(Data[,3:9],
         lower.panel=panel.shade,
         upper.panel=panel.pie,
         text.panel=panel.txt,
         main="相关系数图")

下面板通过阴影颜色的深浅表示相关性的强弱,阴影中的斜线若呈左下至右上则表示正相关,若呈左上至右下则表示负相关上面板以饼图的填充比例展示相关系数的大小
在这里插入图片描述

corrgram(Data[,3:9],
         lower.panel=panel.ellipse,
         upper.panel=panel.pts,
         diag.panel=panel.minmax,
         main="相关系数图")

下面板通过椭圆大致描绘散点图的外围轮廓,中间的红色曲线是采用局部加权散点平滑拟合的回归线,上面板是散点图,对角面板不仅显示变量名,同时显示变量取值的最小值和最大值。
在这里插入图片描述

  • 9
    点赞
  • 129
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在R中,我们可以使用corrplot包来绘制相关性矩阵。首先需要安装和加载corrplot包: ```R install.packages("corrplot") library(corrplot) ``` 接下来,我们需要准备数据进行分析和绘图。假设我们有一个数据框df,其中包含多个数值型变量。我们可以使用cor函数计算这些变量之间的相关系数矩阵,并使用corrplot函数绘制相关性矩阵: ```R # 计算相关系数矩阵 cor_mat <- cor(df) # 绘制相关性矩阵 corrplot(cor_mat, type = "upper", order = "hclust", tl.col = "black", tl.srt = 45) ``` 解释一下这段代码: - cor函数:计算相关系数矩阵; - corrplot函数:绘制相关性矩阵; - type参数:指定绘图类型,"upper"表示只绘制上半部分的相关性矩阵; - order参数:指定行和列的排序方式,"hclust"表示使用层次聚类方法进行排序; - tl.col参数:指定文本标签的颜色; - tl.srt参数:指定文本标签的旋转角度。 绘制出来的相关性矩阵通常是一个正方形,每个格子的颜色和大小代表了相关系数的大小和方向。我们可以根据颜色来判断相关性的强度,深色表示正相关,浅色表示负相关。同时,我们还可以根据格子的大小来判断相关系数的大小。 根据相关性矩阵,我们可以进行以下分析: - 在中,如果某些变量之间的格子呈现出深色或浅色,说明它们之间的相关性比较强,我们需要进一步研究它们之间的关系; - 如果某些变量之间的格子呈现出灰色,说明它们之间的相关性比较弱,我们可以不必过于关注它们之间的关系; - 如果某些变量之间的格子呈现出对角线上的深色或浅色,说明它们自身之间的相关性比较强,我们需要关注这些变量的特征和影响因素。 总之,相关性矩阵是一种简单而有效的分析工具,可以帮助我们理解变量之间的关系,指导我们进行进一步的数据探索和建模。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值