第17讲：相关性热图绘制与美化——相关系数 + P 值标注的科学表达

目录

🧪 一、什么是“相关性热图”？

🔧 二、基础准备工作

📈 三、绘制基础相关性热图

✅ Step 1：计算相关性矩阵

🎯 四、添加显著性信息（P值）

✅ Step 2：计算相关系数与 P 值矩阵

💅 五、ggcorrplot 高级美化

🌐 六、可选主题样式美化

🔍 七、相关性热图科研应用场景

✍️ 八、Tips：如何写入论文

📦 附加工具推荐（进阶篇）

✨ 小结一览

🚀 下一讲预告

---

在科研数据分析中，变量间的相关性探索是最常见、最基础、也最关键的一步。
比如，你可能关心：

• 🌱 土壤养分与作物生长之间有多强的相关性？

• 💧 不同氮素形态与土壤水分、pH 是否显著相关？

• 🧬 多组理化指标之间是否存在共线性？

此时，相关性热图就能快速帮你把几十个变量的相关关系“一图读懂”！

---

🧪 一、什么是“相关性热图”？

相关性热图（Correlation Heatmap）= 将变量两两之间的相关系数以颜色形式进行矩阵可视化。

• 颜色深浅 → 表示相关系数（通常用 Pearson 或 Spearman）大小

• 颜色正负 → 表示正相关 or 负相关

• 显著性星号（P值） → 标注是否达到统计显著性

---

🔧 二、基础准备工作

我们以内置数据集 mtcars 为例，演示变量间相关性矩阵绘制。

# 加载必要的包
install.packages(c("ggplot2", "ggcorrplot", "psych", "Hmisc"))
library(ggcorrplot)
library(psych)
library(Hmisc)

---

📈 三、绘制基础相关性热图

✅ Step 1：计算相关性矩阵

data <- mtcars
cor_matrix <- cor(data, method = "pearson")
ggcorrplot(cor_matrix)

这就是最基础的相关性热图啦，颜色表示强度。

---