ggplot2 绘制 相关矩阵图

最新推荐文章于 2024-03-24 11:15:37 发布
置顶 最新推荐文章于 2024-03-24 11:15:37 发布
阅读量4k 收藏 28
点赞数 4
分类专栏： # tidyverse R 文章标签： ggplot2
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/nikang3148/article/details/107235061
版权
R 同时被 2 个专栏收录
12 篇文章 5 订阅
订阅专栏
tidyverse
7 篇文章 2 订阅
订阅专栏

文章目录


ggplot2中绘制相关矩阵有很多包可以实现，目前看 ggcorr包的定制性极大。

数据获取

iris[,-5] %>%
  correlate(cor.test = TRUE,method="pearson",p.adjust = T) %>%
  as_cor_tbl()

结果为：

A tibble: 16 x 8
.row.names .col.names r p.value upper.ci lower.ci .row.id
1 Sepal.Length Sepal.Length 1 0 1 1 4
2 Sepal.Width Sepal.Length -0.118 3.04e- 1 0.0435 -0.273 3
3 Petal.Length Sepal.Length 0.872 1.04e-46 0.906 0.827 2
4 Petal.Width Sepal.Length 0.818 1.86e-36 0.865 0.757 1
5 Sepal.Length Sepal.Width -0.118 3.04e- 1 0.0435 -0.273 4
6 Sepal.Width Sepal.Width 1 0 1 1 3
7 Petal.Length Sepal.Width -0.428 2.71e- 7 -0.288 -0.551 2
8 Petal.Width Sepal.Width -0.366 1.63e- 5 -0.219 -0.497 1
9 Sepal.Length Petal.Length 0.872 1.04e-46 0.906 0.827 4
10 Sepal.Width Petal.Length -0.428 2.71e- 7 -0.288 -0.551 3
11 Petal.Length Petal.Length 1 0 1 1 2
12 Petal.Width Petal.Length 0.963 5.61e-85 0.973 0.949 1
13 Sepal.Length Petal.Width 0.818 1.86e-36 0.865 0.757 4
14 Sepal.Width Petal.Width -0.366 1.63e- 5 -0.219 -0.497 3
15 Petal.Length Petal.Width 0.963 5.61e-85 0.973 0.949 2
16 Petal.Width Petal.Width 1 0 1 1 1

iris[,-5] %>% cor(method="spearman") %>%
  fortify_cor(type="upper",cor.test = T,cluster=T)

结果为：

A tibble: 10 x 8
.row.names .col.names r p.value upper.ci lower.ci .row.id .col.id

1 Sepal.Width Sepal.Width 1 0 1 1 4 1
2 Sepal.Width Sepal.Length -0.975 2.51e- 2 -0.219 -0.999 4 2
3 Sepal.Length Sepal.Length 1 2.22e-16 1 1.00 3 2
4 Sepal.Width Petal.Length -0.999 9.41e- 4 -0.954 -1.00 4 3
5 Sepal.Length Petal.Length 0.982 1.79e- 2 1.00 0.374 3 3
6 Petal.Length Petal.Length 1 0 1 1 2 3
7 Sepal.Width Petal.Width -0.998 1.53e- 3 -0.926 -1.00 4 4
8 Sepal.Length Petal.Width 0.971 2.89e- 2 0.999 0.150 3 4
9 Petal.Length Petal.Width 0.996 4.13e- 3 1.00 0.811 2 4
10 Petal.Width Petal.Width 1 0 1 1 1 4

iris[,-5] %>%
  correlate(cor.test = TRUE,method="pearson",p.adjust = T) %>%
  fortify_cor(type="full",cluster=T)

结果为：

A tibble: 16 x 8
.row.names .col.names r p.value upper.ci lower.ci .row.id .col.id
1 Sepal.Width Sepal.Width 1 0 1 1 4 1
2 Sepal.Length Sepal.Width -0.118 3.04e- 1 0.0435 -0.273 3 1
3 Petal.Length Sepal.Width -0.428 2.71e- 7 -0.288 -0.551 2 1
4 Petal.Width Sepal.Width -0.366 1.63e- 5 -0.219 -0.497 1 1
5 Sepal.Width Sepal.Length -0.118 3.04e- 1 0.0435 -0.273 4 2
6 Sepal.Length Sepal.Length 1 0 1 1 3 2
7 Petal.Length Sepal.Length 0.872 1.04e-46 0.906 0.827 2 2
8 Petal.Width Sepal.Length 0.818 1.86e-36 0.865 0.757 1 2
9 Sepal.Width Petal.Length -0.428 2.71e- 7 -0.288 -0.551 4 3
10 Sepal.Length Petal.Length 0.872 1.04e-46 0.906 0.827 3 3
11 Petal.Length Petal.Length 1 0 1 1 2 3
12 Petal.Width Petal.Length 0.963 5.61e-85 0.973 0.949 1 3
13 Sepal.Width Petal.Width -0.366 1.63e- 5 -0.219 -0.497 4 4
14 Sepal.Length Petal.Width 0.818 1.86e-36 0.865 0.757 3 4
15 Petal.Length Petal.Width 0.963 5.61e-85 0.973 0.949 2 4
16 Petal.Width Petal.Width 1 0 1 1 1 4

可视化

#可视化
dat1=iris[,-5] %>%
  correlate(cor.test = TRUE,method="pearson",p.adjust = T) %>%
  fortify_cor(type="full",cluster=T)
  
dat1 %>%
  ggcor()+
  geom_color(aes(fill=r))+
  geom_number(aes(num=r))

在这里插入图片描述

快速绘制

几何形状
#geoms
p1=quickcor(iris[,-5]) + geom_square()+
  labs(title="geom_square")
p2=quickcor(iris[,-5]) + geom_color()+
  labs(title="geom_color")
p3=quickcor(iris[,-5]) + geom_pie2()+
  labs(title="geom_pie2")
p4=quickcor(iris[,-5]) + geom_ellipse2()+
  labs(title="geom_ellipse2")
p5=quickcor(iris[,-5]) + geom_circle2()+
  labs(title="geom_circle2")
p7=quickcor(iris[,-5]) +geom_ring()+
  labs(title="geom_ring")
p8=quickcor(iris[,-5]) +geom_star()+
  labs(title="geom_star")
p9=quickcor(iris[,-5]) +geom_color()+geom_shade()+
  labs(title="geom_shade")

在这里插入图片描述

带统计检验
p1=quickcor(iris[,-5],cor.test=T) +
  geom_number(aes(num=p.value))+
  labs(title="geom_number (p.value)")

p2=quickcor(iris[,-5],cor.test=T) +
  geom_mark(aes(p.value=p.value))+
  labs(title="geom_mark (r)")

p3=quickcor(iris[,-5],cor.test=T) + geom_cross(sig.level=0.01)+
  labs(title="geom_cross, insignificant with x")

p4=quickcor(iris[,-5],cor.test=T) + geom_confbox()+
  labs(title="geom_confbox, CI of r")

在这里插入图片描述

自定义绘图

ggcor()+geom_???()
#上下不一致
#自定义
dat1 %>% ggcor()+
  geom_square(data = get_upper_data(dat1,show.diag = FALSE),aes(fill=r),r0=1)+
  geom_number(data = get_upper_data(dat1,show.diag = FALSE),aes(num=r))+
  geom_mark(data = get_lower_data(dat1,show.diag = FALSE), aes(p.value=p.value),size = 4.5) +
  geom_abline(slope = -1, intercept = 5)+
  expand_limits(x=c(0.5,4.5),y=c(0.5,4.5))+
  scale_fill_distiller(palette = "Spectral")

在这里插入图片描述

quickcor()+geom_???()
#快速
quickcor(iris[,-5], cor.test = TRUE) +
  geom_square(data = get_data(type = "lower", show.diag = FALSE)) +
  geom_mark(data = get_data(type = "upper", show.diag = FALSE), size = 2.5) +
  geom_abline(slope = -1, intercept = 5)

在这里插入图片描述

复杂矩阵图

矩阵相关Mantel
data("varechem", package = "vegan") #样地属性矩阵
data("varespec", package = "vegan") #物种覆盖度矩阵

mantel <- mantel_test(varespec, varechem,
                      spec.select = list(Spec01 = 1:7,
                                         Spec02 = 8:18,
                                         Spec03 = 19:37,
                                         Spec04 = 38:44)) %>% #Mantel检验
  mutate(rd = cut(r, breaks = c(-Inf, 0.2, 0.4, Inf),
                  labels = c("< 0.2", "0.2 - 0.4", ">= 0.4")),
         pd = cut(p.value, breaks = c(-Inf, 0.01, 0.05, Inf),
                  labels = c("< 0.01", "0.01 - 0.05", ">= 0.05"))) #对连续变量分组

quickcor(varechem, type = "upper") +
  geom_square() + #相关矩阵图
  scale_fill_gradient2(midpoint = 0, low = "#56B4E9", mid = "white",high = "#E69F00", space = "Lab")+
  anno_link(aes(colour = pd, size = rd), data = mantel) + #mantel连接
  geom_diag_label(remove.axis = T)+
  remove_axis("x")+
  scale_size_manual(values = c(0.5, 1, 2)) + #粗细， r系数
 # scale_colour_manual(values = c( "#56B4E9", "#E69F00", "#999999")) + #颜色 p value
  guides(size = guide_legend(title = "Mantel's r", override.aes = list(colour = "grey35"),order = 1),
         colour = guide_legend(title = "Mantel's p",override.aes = list(size = 3),order = 2),
         fill = guide_colorbar(title = "Pearson's r", order = 3))

在这里插入图片描述

聚类热图
mtcars %>%
  quickcor(cluster = T) +
  geom_colour(colour = "white", size = 1) +
  scale_fill_distiller(palette = "Spectral")+
  anno_row_tree(pos="left") +
  anno_col_tree()

在这里插入图片描述

极坐标聚类热图
quickcor(varespec,varechem,
         cluster=T)+
  geom_colour(colour = "white", size = 1) +
  scale_fill_distiller(palette = "Spectral")+
  anno_row_tree(pos="left") +
  anno_col_tree()

在这里插入图片描述

quickcor(varespec,varechem,
         cluster=T,
         circular=T,open=125)+ #极坐标
  geom_colour(colour = "white", size = 1) +
  scale_fill_distiller(palette = "Spectral")+
  anno_row_tree(pos="left") +
  anno_col_tree()+
  set_p_xaxis()+
  set_p_yaxis()

在这里插入图片描述

多组分热图
## 复杂热图
d1 <- cor(varespec,varechem) %>% as.data.frame() %>%
  gcor_tbl(cluster = TRUE)

p <- matrix(sample(LETTERS[1:5], 132, replace = TRUE), nrow = 44,
            dimnames = list(names(varespec), paste0("Type", 1:3))) %>%
  gcor_tbl(name = "Type",row.order=d1) %>%
  qheatmap(aes(fill = Type)) +  remove_y_axis()

d2=data.frame(x = sample(names(varechem), 200, replace = TRUE))

#使用ggcor()代替quickcor()
# d1 %>% ggcor()+
#   geom_tile(aes(fill=value),color="white")+
#   scale_fill_distiller(palette="Spectral")+
#   theme_cor()+
#   anno_hc_bar(k=3,width=0.3,fill=ggsci::pal_aaas()(3))+
#   anno_row_custom(p,width=0.2)+
#   anno_row_tree(width=0.2)+
#   anno_hc_bar(k=3,pos="top",height = 0.3)+
#   anno_bar(data=d2,aes(x=x),height=0.2)+
#   anno_col_tree()

在这里插入图片描述

osummer3148
关注
  • 4
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
R语言ggplot包算相关性矩阵
06-25
用于序列间的相关性矩阵计算，其中用到的其他语言包需自行下载，主题可自行调整
ggcor包的安装与绘图示例
weifanbio的博客
06-23 4362
​最近有小伙伴问到带mantel test检验的相关性矩阵怎么画，于是小编就在网上找到了相关的绘图示例，整理了网上各位大神关于ggcor包的下载以及该包自带的示例代码供各位小伙伴参考使用~ 首先是要安装ggcor这个包。由于该包的作者已经下架了这个包，所以只能自己下载压缩包本地安装，小编主要参考的是这篇文章： https://www.zhihu.com/question/409189621/answer/1842210647 示例代码 ggcor包自带的几个绘图示例 Correlation plot lib
ggcor | 相关分析和可视化的扩展工具
weixin_45822007的博客
07-07 5751
昨天在明哥的公众号【小明的数据分析笔记本】上看到了他正在探讨一幅相关性矩阵图。“这幅图其实就是通过Mantel test检验统计，可视化环境变量矩阵（如pH，有机碳，总氮，盐度等）与物种/...
R语言绘制相关性热图全总结
最新发布
wlh2067的博客
03-24 2847
通过上述的结果，我们能实现顶刊1和2的效果，但是如果对于更复杂的图绘3，需要借助最新的corrplot包。相关性热图是科研论文中一种常见的可视化手段，而在地学领域，我们常常需要分析一些环境因素之间的相关性，来判断环境生物因素中是否存在相关性情况。接下来介绍ggcorrplot包，进行一个简单的绘制，ggcorrplot包是2017年开发的，比较早，所以功能也比较简单。ggcor包是2021年最新开发的包，最新，实现了更多美观地绘制，当然corrplot已经足够使用了，这里做一个简单的介绍。
ggcor |相关系数矩阵可视化
刘永鑫的博客——宏基因组公众号
11-06 1万+
厚缊 业余的R语言可视化重度患者 个人博客:houyun.xyz 邮箱：[email protected] 转载本文（包括长期转载账号）必须联系厚缊授权相关系数矩阵可视化已经至少有两...
proc corr data 图_生物信息|用R包轻松绘制一篇Science的组合图。
weixin_39737947的博客
11-23 600
几个月前，一篇Science文章的一个高颜值高难度组合图表（如下图）引起了众多大佬的兴趣，很多大佬尝试绘制并提供了多种画法，甚至还开发出了专门的R包。Science, 2015今天为大家介绍厚缊大神开发的一个R包：ggcor，可以轻松绘制出这种图表。首先，从github安装ggcor包。建议大家使用原生R软件安装，我自己开始用Rstudio 安装，反复报错，用原生R没问题，很神奇的样子。# ins...
【无标题】R语言相关性分析
weixin_62337484的博客
07-07 982
简单的R语言相关性分析
R语言数据处理学习记录--用自己的数据完成mental test（使用ggcor包）
qq_22658373的博客
03-26 3356
ggcor的目标是提供一组可以用来快速可视化相关矩阵的函数，大家可以在GitHub上很方便的获取关于这个包的全部信息，它可以实现图形的绘制。这里给出的是一个备用源，国内的gitee上也有很多转的，如果有小伙伴无法访问GitHub可以使用gitee：；GitHub上也有给出，除了这样的安装方式以外还可以本地安装，因为有时GitHub连接不上，本地安装可以避免这个问题。
R语言使用cor函数计算dataframe中多个数值数据列之间的相关性系数、计算spearman非参数的等级相关性系数
statistics+insight+vista+power
04-16 1694
R语言使用cor函数计算dataframe中多个数值数据列之间的相关性系数、计算spearman非参数的等级相关性系数
Qt Quick里的图形效果——颜色（Color）
安晓辉生涯——聚焦程序员的职业规划与成长
01-19 1万+
Qt Quick提供了通过改变一个 Item 的颜色来产生各种各样效果的元素……
数据可视化——R语言ggplot2包绘制相关矩阵为热图
热门推荐
zhouhucheng00的博客
01-09 3万+
数据可视化——R语言ggplot2包绘制相关矩阵为热图 概述：R语言软件和数据可视化——ggplot2快速绘制相关矩阵为热图。本文翻译了一篇英文博客，博客原文链接：http://www.sthda.com/english/wiki/ggplot2-quick-correlation-matrix-heatmap-r-software-and-data-visualization. 内容包括使用gg...
40.ggplot2绘制数据分布crossbar图教程
03-31
40.ggplot2绘制数据分布crossbar图教程
R软件ggplot2漏斗图代码.docx
09-03
包含数据导入，绘图，添加阈值线，调整x轴刻度；修改x y轴的名字，添加标题和修改图例等的详细代码
30.R语言使用ggplot2绘制坡度图的方法.pdf
12-16
30.R语言使用ggplot2绘制坡度图的方法.pdf
ggdendroplot:为ggplot2绘制高度可修改的树状图
03-05
一个包，可在中绘制高度可修改的树状图。 可以很容易地修改树状图并将其添加到现有的ggplot对象中。 ggdendroplot将data.frame或矩阵作为输入，其中要对列进行聚类（按行）。 然后，ggdendroplot使用R 的dist和...
ggord:使用 ggplot2 绘制排序图
05-30
ggord：使用 ggplot2 绘制排序图。 R 包版本 1.0.0。 贡献和问题 要对此包做出贡献，请参阅页面上的说明。 对于错误或功能请求，请按照的说明进行操作。 用法 下面显示了使用 ggord 提供的方法创建双标图的一些...
热图、环形图
zhengxj_的博客
09-19 219
hhh
r中gglot怎么组合多张图_最终版本Science级组合图表绘制
weixin_39765697的博客
12-19 461
简介ggcor 是 厚哥最近的作品，功能完全代替了前两次的你终于可以做这张图和重大升级的两个science组合图表绘制。这里我也为大家带肋实战教程，总体来说厚哥这个ggcor包用起来还是挺方便的，将许多功能简化，为我们提供了一个很好的入门机会。所以大家也别再私信我要这下面这两篇推送的原始数据了，这次推送头条完全替代。重要事情说三遍！这是sicence组合图表最终版本别用之前的了！这是si...
一篇SCIENCE文章的相关分析基于最新ggcor绘制方法与示例数据
zlabx的博客
07-15 6419
顶楼膜拜houyunhuang大佬，基于ggcor最新包 #zlab #zhoujian-2020 #linux转biom到TXT #biom convert -i otu_table.biom -o otu.txt --to-tsv #准备好环境因子表格 #devtools安装ggcor,建议通过原生R安装，R-studio安装会报错。 if(!require(devtools)) install.packages("devtools") if(!require(ggcor)) devtool.
r语言绘制相关系数矩阵图
05-11
在 R 语言中，可以使用 ggcorrplot 包绘制相关系数矩阵图。下面是一个简单的例子： 首先，需要安装和加载 ggcorrplot 包： ```R install.packages("ggcorrplot") library(ggcorrplot) ``` 然后，生成一个随机的相关系数矩阵： ```R set.seed(123) mat <- matrix(rnorm(25), nrow = 5, ncol = 5) colnames(mat) <- c("A", "B", "C", "D", "E") rownames(mat) <- c("A", "B", "C", "D", "E") mat <- cor(mat) mat ``` 接下来，使用 `ggcorrplot()` 函数绘制相关系数矩阵图，并使用 `lab = TRUE` 参数添加标签： ```R ggcorrplot(mat, lab = TRUE) ``` 这将生成一个相关系数矩阵图，其中每个单元格的颜色和大小表示相关系数的大小和方向。标签显示每个变量的名称。 注意：在使用 ggcorrplot 包之前，需要先安装和加载 ggplot2 包。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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