r语言相关性分析_R语言 | 相关性分析与酷炫图（代码+讲解）

大家好，我是菜鸟君。最近在B站后台和QQ群被小伙伴们催到崩溃。感谢各位的鞭笞，不是，充满爱意的提醒。今天就来说说R语言怎么进行相关性分析。

首先，安装两个R包，其中“corrplot”包就能画出好多酷炫的相关性矩阵图。“pheatmap”包是用来画热力图的。

install.packages("corrplot")install.packages("pheatmap")library("pheatmap")library("corrplot")

我们调用R里自带的数据集，今天调用的这个是关于汽车道路测试的各项指标数据，名叫mtcars。这个数据集比较规整，数据均为数值型，有兴趣的小伙伴可以用它来做各种统计分析的练习。

x = mtcars  #将数据集命名为xsummary(x) #查看数据分布情况dim(x) #查看行列数

dim的结果里，第一个数是行数，第二个数是列数，也就是这数据里有32种车，11个道路测试指标。

我们先算一下cov，这个函数计算的是列与列的协方差，值越大，说明变化趋势越一致。

cov(x)pheatmap::pheatmap(cov(x)) #热力图

这个图由于有一个变量的协方差过大(超过15000)，因此，衬托的其他部分数值过小，大部分都是蓝色了。这不是个合理的热力图。

接下来，我们求一下列之间的相关性系数，这个系数越接近0，表示列与列之间越不相关。用pheatmap来展示热力图，颜色越接近红色，相关系数越大。

cor(x)pheatmap::pheatmap(cor(x))  #热力图

这个热力图就看起来比较“五彩斑斓”，其中方格的颜色越红，说明两列正相关系数越大。颜色越蓝，说明负相关系数越大。颜色较浅的部分就是相关系数较小，接近于0。

此外，pheatmap图还有个优势，那就是可以同时做层次聚类的树图。这使得它在生物信息领域大放异彩，可以直观的展示基因组数据之间的关系。从顶部与左侧的聚类树图中，我们还可以看出这11个指标大致可聚为2大类。这是一般的相关分析图办不到的。

接下来，我们用corrplot来展示一下相关性矩阵图。

corrplot(cor(x)) #暂不设置method，默认是圆圈

这个图大家可能在很多文献、公众号里都见过，千万别觉着它有多复杂！其实用corrplot一行命令就搞定了。

如果不想要圆圈，咱们还有很多种选择，比如饼图。

corrplot(cor(x),method="pie") #饼图

这个图看起来比圆圈图的信息更直观，用饼图面积大小+颜色深浅来表示相关系数大小。

想不想更直观一点？我们可以直接在图中加上相关性系数的数值。

corrplot(cor(x),method="color",addCoef.col="grey") #用颜色显示，显示相关系数

这样的一张相关性分析图包含了颜色深浅+相关性系数大小，放到论文里那肯定是亮点啊。

也许有小伙伴对颜色搭配有进一步的要求，运用colorRampPalette这个功能就能轻松设置啦！

#设置颜色，我选的海军蓝+白色+砖红col=colorRampPalette(c("navy", "white", "firebrick3")) 

至于具体咋选颜色、R里哪些配色方案好看，咱们改天专门说说。

然后咱们再用这个设置后的颜色，来个挑战一点的，画相关性矩阵三角矩阵图。上三角是圆圈大小，下三角显示相关性系数，同时颜色上一一对应。

其中，颜色col(10)的意思是在设置的三种颜色范围内，取深浅不同的10个颜色，对应相关系数大小。

#上面画个三角矩阵corrplot(cor(x),type="upper",col=col(10),tl.pos="d") #tl.pos="d"不显示各列名字#下面补充系数corrplot(cor(x),add=TRUE, type="lower", method="number",diag=FALSE,tl.pos="n", cl.pos="n",col=col(10))

这样的相关性矩阵图，谁看了不点赞？基本上汇集了我们想要展示的各项特征。是不是比SPSS出图美多了？(实话实说，SPSS大牛别喷我)

这期关于R语言相关性酷炫图的绘制就介绍到这啦~各位还想看啥内容的数据分析，欢迎给我们留言，有啥问题欢迎到QQ群互动交流，一起进步！

下期再见，嗷。

记得点一下“在看”

QQ群：83837564

B站UP主：谁说菜鸟不会数据分析