R语言特征值相关性分析

转载：http://www.sohu.com/a/200219694_278730

也可以看一下这篇文章。

接触这么多组学数据，大家肯定做过各种相关性分析。大到几个转录组样本的整体相关性分析，小到挑选了一些候选基因看它们在不同样本中的表达模式相关性。当我们做完了相关性分析的时候，常常会用下面这种图形来展示：

那么问题来了，有没有别的方法，可以让我的相关性分析展现方式更高大上呢？

请出今天的主角，corrplot程序包！

1

老规矩，第一步是安装并调用corrplot：

install.packages("corrplot")

library("corrplot")

2

第二步，整理数据。今天就拿一些女明星的身高、体重、年龄、微博粉丝与女神指数的数据来分析一下（纯属杜撰）。

3

第三步，我们读取数据，并做相关性分析。

a<-read.table(file=file.choose(),row.names=1,header=T,sep="t")

b<-cor(a)

4

第四步，非常简单，可以直接作图了。

corrplot(b) #这里默认是圆形显示

还可以用饼图（pie），颜色（color）等等来显示。

corrplot(b,method="pie")

corrplot(b,method="color",addCoef.col="grey") #用颜色显示，同时显示相关系数，是不是跟开头绿绿的图一样啦。

5

第五步，是时候展示高端操作了！我们把颜色对调一下，正相关为红色，负相关为海军蓝色，同时把右上角用圆形展示。

col=colorRampPalette(c("navy", "white", "firebrick3")) #设置颜色

corrplot(b,type="upper",col=col(10),tl.pos="d") #tl.pos="d"即不显示周边各列名字

6

第六步，填补下半部分图形，我们希望既可以图形化展示，也能显示数字，增强图形可读性。

corrplot(b,add=TRUE, type="lower", method="number",diag=FALSE,tl.pos="n", cl.pos="n",col=col(10))

相关性分析结论：

1. 女神指数与身高成正相关，与体重呈负相关（嗯，符合大众审美）；

2. 女神指数与年龄相关性不明显（嗯，志玲姐姐立功了）；

3. 微博粉丝数与女神指数还是有一定正相关性；

4. 大家也发现了，相关性其实都不是很显著，那是因为我们选的数据都是准女神以上级别的，她们之间的差距本来就很小，所以数据还是很反映规律的。

7

最后，我们添加一组贾玲和凤姐的数据，看看结果会不会有显著变化......

此图来源：https://blog.csdn.net/Blackrosetian/article/details/78426166