使用corrplot包绘制相关性图及美化！

于 2025-04-08 16:54:57 发布
阅读量793 收藏 29
点赞数 26
文章标签： r语言
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/weixin_74314838/article/details/147072284
版权

点击这里，gzh回复关键词获取学习资料和示例数据

简介

R语言的corrplot包提供了一种可视化相关矩阵的探索性工具，支持自动变量重排序以帮助发现变量间的隐藏模式。
corrplot非常易于使用，并提供了丰富的绘图选项，包括可视化方法、图形布局、颜色、图例、文本标签等。它还提供了p值和置信区间来帮助用户确定相关性的统计显著性。

尽管corrplot()有约50个参数，但最常用的只有几个。在大多数情况下，只需一行代码就能生成相关矩阵图。

corrplot包中有七种可视化方法（参数method）：

  1. circle和square：圆形或方形的面积表示相应相关系数的绝对值。

  2. ellipse：椭圆的离心率根据相关值参数化缩放（来自D.J. Murdoch和E.D. Chow的工作）。

  3. number：以不同颜色显示的系数数字。

  4. color：具有不同颜色的相同大小的方块。

  5. shade：类似于color，但负相关系数会被阴影化（来自Michael Friendly的工作）。

  6. pie：圆形对于正值顺时针填充，对于负值逆时针填充。

corrplot.mixed() 是一个混合可视化样式的封装函数，它允许您为相关矩阵的下三角和上三角部分分别设置不同的可视化方法。
有三种布局类型（由参数 type 控制）：

  • "full"：显示完整的相关矩阵
  • "upper"：仅显示矩阵的上三角部分
  • "lower"：仅显示矩阵的下三角部分

相关矩阵可以根据相关系数进行重新排序。这种重排序对于识别矩阵中隐藏的结构和模式非常重要。

基本用法

最常用的参数包括method、type、order和diag。

library(corrplot)

M = cor(mtcars)

查看一下数据M

> head(M)
# mpg        cyl       disp         hp       drat         wt        qsec         vs
# mpg   1.0000000 -0.8521620 -0.8475514 -0.7761684  0.6811719 -0.8676594  0.41868403  0.6640389
# cyl  -0.8521620  1.0000000  0.9020329  0.8324475 -0.6999381  0.7824958 -0.59124207 -0.8108118
# disp -0.8475514  0.9020329  1.0000000  0.7909486 -0.7102139  0.8879799 -0.43369788 -0.7104159
# hp   -0.7761684  0.8324475  0.7909486  1.0000000 -0.4487591  0.6587479 -0.70822339 -0.7230967
# drat  0.6811719 -0.6999381 -0.7102139 -0.4487591  1.0000000 -0.7124406  0.09120476  0.4402785
# wt   -0.8676594  0.7824958  0.8879799  0.6587479 -0.7124406  1.0000000 -0.17471588 -0.5549157
# am       gear       carb
# mpg   0.5998324  0.4802848 -0.5509251
# cyl  -0.5226070 -0.4926866  0.5269883
# disp -0.5912270 -0.5555692  0.3949769
# hp   -0.2432043 -0.1257043  0.7498125
# drat  0.7127111  0.6996101 -0.0907898
# wt   -0.6924953 -0.5832870  0.4276059\

corrplot(M, method = 'number') # colorful number


corrplot(M, method = 'color', order = 'alphabet')


corrplot(M) # by default, method = 'circle'


corrplot(M, order = 'AOE') # after 'AOE' reorder


corrplot(M, method = 'shade', order = 'AOE', diag = FALSE)


corrplot(M, method = 'square', order = 'FPC', type = 'lower', diag = FALSE)


corrplot(M, method = 'ellipse', order = 'AOE', type = 'upper')


corrplot.mixed(M, order = 'AOE')


corrplot.mixed(M, lower = 'shade', upper = 'pie', order = 'hclust')

重排序相关矩阵

可以使用四种算法对相关矩阵进行重排序，分别命名为 'AOE'、'FPC'、'hclust' 和 'alphabet'，详细说明如下：

  • AOE：特征向量的角度顺序。它根据角度 a_i 的顺序计算，

    a_i = { arctan(e_i2/e_i1), 如果 e_i1 > 0; arctan(e_i2/e_i1) + π, 否则。 }

    其中 e_1 和 e_2 是相关矩阵的最大两个特征值。详情请参见 Michael Friendly (2002)。

  • FPC：第一主成分顺序。

  • hclust：层次聚类顺序，以及要使用的聚合方法 hclust.method。hclust.method 应该是以下之一：ward、ward.D、ward.D2、single、complete、average、mcquitty、median 或 centroid。

  • alphabet：字母顺序。

您也可以通过函数 corrMatOrder() 来"手动"重排序矩阵。

如果使用 hclust，corrplot() 可以根据层次聚类的结果在相关矩阵的图形周围绘制矩形。

使用hclust时，corrplot()可以根据层次聚类结果在图的周围绘制矩形：

corrplot(M, order = 'hclust', addrect = 2)


corrplot(M, method = 'square', diag = FALSE, order = 'hclust',
         addrect = 3, rect.col = 'blue', rect.lwd = 3, tl.pos = 'd')

使用seriation包

R 包seriation为对象排序提供了基础设施，实现了几种序列化 / 排序 / 排序技术来重新排序矩阵、不同矩阵和树形图。有关详细信息，请参阅参考部分。我们可以通过序列化包重新排序矩阵，然后对其进行排序。这里有一些例子。

library(seriation)
list_seriation_methods('matrix')
list_seriation_methods('dist')

我们可以通过seriation包重排序矩阵，然后使用corrplot：

data(Zoo)
Z = cor(Zoo[, -c(15, 17)])

dist2order = function(corr, method, ...) {
  d_corr = as.dist(1 - corr)
  s = seriate(d_corr, method = method, ...)
  i = get_order(s)
  return(i)
}

seriation中的’PCA_angle’和’HC’方法与corrplot()和corrMatOrder()中的’AOE’和’hclust’相同。

排序后的图表示例：

# Fast Optimal Leaf Ordering for Hierarchical Clustering
i = dist2order(Z, 'OLO')
corrplot(Z[i, i], cl.pos = 'n')

# Quadratic Assignment Problem
i = dist2order(Z, 'QAP_2SUM')
corrplot(Z[i, i], cl.pos = 'n')

# Multidimensional Scaling
i = dist2order(Z, 'MDS_nonmetric')
corrplot(Z[i, i], cl.pos = 'n')

# Simulated annealing
i = dist2order(Z, 'ARSA')
corrplot(Z[i, i], cl.pos = 'n')

# TSP solver
i = dist2order(Z, 'TSP')
corrplot(Z[i, i], cl.pos = 'n')

# Spectral seriation
i = dist2order(Z, 'Spectral')
corrplot(Z[i, i], cl.pos = 'n')

corrRect()可以通过三种方式（参数index、name和namesMat）向图中添加矩形。我们可以使用管道操作符（magrittr中的%>%或R 4.1.0+中的|>）以提高便利性：

library(magrittr)

# Rank-two ellipse seriation, use index parameter
i = dist2order(Z, 'R2E')
corrplot(Z[i, i], cl.pos = 'n') %>% corrRect(c(1, 9, 15))

# Use name parameter
# Since R 4.1.0, this one-line code works:
# corrplot(M, order = 'AOE') |> corrRect(name = c('gear', 'wt', 'carb'))
corrplot(Z, order = 'AOE') %>%
  corrRect(name = c('tail', 'airborne', 'venomous', 'predator'))

# Use namesMat parameter
r = rbind(c('eggs', 'catsize', 'airborne', 'milk'),
          c('catsize', 'eggs', 'milk', 'airborne'))
corrplot(Z, order = 'hclust') %>% corrRect(namesMat = r)

更改颜色谱、颜色图例和文本图例

我们可以从 COL1() 和 COL2() 获取序列色和发散色。这些颜色调色板借鉴自 RColorBrewer 包。

注意：从 COL2() 获取的中间颜色固定为 ‘#FFFFFF’（白色），因此我们可以用白色来可视化值为 0 的元素。

  • COL1()：获取序列色，适用于可视化非负或非正矩阵（例如范围在 [0, 20]、[-100, -10] 或 [100, 500] 的矩阵）。
  • COL2()：获取发散色，适用于可视化元素部分为正部分为负的矩阵（例如范围在 [-1, 1] 或 [-20, 100] 的相关矩阵）。

相关图的颜色可以通过 corrplot() 中的 col 进行自定义。它们在 col.lim 区间内均匀分布。

  • col：向量，图形符号的颜色。它们在 col.lim 区间内均匀分布。默认情况下，
    • 如果 is.corr 为 TRUE，col 将为 COL2('RdBu', 200)
    • 如果 is.corr 为 FALSE，
      • 且 corr 是非负或非正矩阵，col 将为 COL1('YlOrBr', 200)；
      • 否则（元素部分为正部分为负），col 将为 COL2('RdBu', 200)
  • col.lim：通过 col 分配颜色的限制区间 (x1, x2)。默认情况下，
    • 当 is.corr 为 TRUE 时，col.lim 将为 c(-1, 1)
    • 当 is.corr 为 FALSE 时，col.lim 将为 c(min(corr), max(corr))
    • 注意：如果在 is.corr 为 TRUE 时设置 col.lim，分配的颜色仍然在 [-1, 1] 内均匀分布，它只影响颜色图例上的显示。
  • is.corr：逻辑值，输入矩阵是否为相关矩阵。默认值为 TRUE。我们可以通过设置 is.corr = FALSE 来可视化非相关矩阵。

下面显示了来自 COL2() 的所有发散色和来自 COL1() 的序列色。


COL1() 和 COL2() 的用法：

COL1(sequential = c("Oranges", "Purples", "Reds", "Blues", "Greens", 
                    "Greys", "OrRd", "YlOrRd", "YlOrBr", "YlGn"), n = 200)

COL2(diverging = c("RdBu", "BrBG", "PiYG", "PRGn", "PuOr", "RdYlBu"), n = 200)

此外，colorRampPalette() 函数对于生成颜色谱非常方便。

cl.* 参数组用于颜色图例。常用的有：

  • cl.pos 用于颜色标签的位置。它是字符或逻辑值。如果是字符，它必须是以下之一：‘r’（表示右侧，当 type='upper' 或 'full' 时为默认值），‘b’（表示底部，当 type='lower' 时为默认值）或 ‘n’（表示不绘制颜色标签）。
  • cl.ratio 用于调整颜色图例的宽度，建议使用 0.1~0.2。

tl.* 参数组用于文本图例。常用的有：

  • tl.pos 用于文本标签的位置。它是字符或逻辑值。如果是字符，它必须是以下之一：‘lt’、‘ld’、‘td’、‘d’、‘l’ 或 ‘n’。‘lt’（当 type='full' 时为默认值）表示左侧和顶部，‘ld’（当 type='lower' 时为默认值）表示左侧和对角线，‘td’（当 type='upper' 时为默认值）表示顶部和对角线（接近），‘d’ 表示对角线，‘l’ 表示左侧，‘n’ 表示不添加文本标签。
  • tl.cex 用于文本标签（变量名）的大小。
  • tl.srt 用于文本标签字符串的旋转角度（以度为单位）。
corrplot(M, order = 'AOE', col = COL2('RdBu', 10))


corrplot(M, order = 'AOE', addCoef.col = 'black', tl.pos = 'd',
         cl.pos = 'n', col = COL2('PiYG'))


corrplot(M, method = 'square', order = 'AOE', addCoef.col = 'black', tl.pos = 'd',
         cl.pos = 'n', col = COL2('BrBG'))



## bottom color legend, diagonal text legend, rotate text label
corrplot(M, order = 'AOE', cl.pos = 'b', tl.pos = 'd',
         col = COL2('PRGn'), diag = FALSE)


## text labels rotated 45 degrees and  wider color legend with numbers right aligned
corrplot(M, type = 'lower', order = 'hclust', tl.col = 'black',
         cl.ratio = 0.2, tl.srt = 45, col = COL2('PuOr', 10))


## remove color legend, text legend and principal diagonal glyph
corrplot(M, order = 'AOE', cl.pos = 'n', tl.pos = 'n',
         col = c('white', 'black'), bg = 'gold2')

可视化非相关矩阵、NA 值和数学标签

我们可以通过设置 is.corr=FALSE 来可视化非相关矩阵，并通过 col.lim 分配颜色。如果矩阵既有正值又有负值，矩阵转换会保持每个值的正负性。

如果您的矩阵是矩形的，您可以通过 win.asp 参数调整纵横比，使矩阵呈现为正方形。

## matrix in [20, 26], grid.col
N1 = matrix(runif(80, 20, 26), 8)
corrplot(N1, is.corr = FALSE, col.lim = c(20, 30), method = 'color', tl.pos = 'n',
         col = COL1('YlGn'), cl.pos = 'b', addgrid.col = 'white', addCoef.col = 'grey50')


## matrix in [-15, 10]
N2 = matrix(runif(80, -15, 10), 8)

## using sequential colors, transKeepSign = FALSE
corrplot(N2, is.corr = FALSE, transKeepSign = FALSE, method = 'color', col.lim = c(-15, 10), 
         tl.pos = 'n', col = COL1('YlGn'), cl.pos = 'b', addCoef.col = 'grey50')


## using diverging colors, transKeepSign = TRUE (default)
corrplot(N2, is.corr = FALSE, col.lim = c(-15, 10), 
         tl.pos = 'n', col = COL2('PiYG'), cl.pos = 'b', addCoef.col = 'grey50')



## using diverging colors
corrplot(N2, is.corr = FALSE, method = 'color', col.lim = c(-15, 10), tl.pos = 'n',
         col = COL2('PiYG'), cl.pos = 'b', addCoef.col = 'grey50')

注意：当 is.corr 为 TRUE 时，col.lim 只影响颜色图例。如果您更改它，相关矩阵图上的颜色仍然是根据 c(-1, 1) 分配的。

# when is.corr=TRUE, col.lim only affect the color legend display
corrplot(M/2)


corrplot(M/2, col.lim=c(-0.5, 0.5))

默认情况下，corrplot 将 NA 值渲染为字符 ‘?’。使用 na.label 参数，可以使用不同的值（最多支持两个字符）。

从 0.78 版本开始，可以在变量名中使用 plotmath 表达式。要激活 plotmath 渲染，请在标签前加上 ‘$’。

M2 = M
diag(M2) = NA
colnames(M2) = rep(c('$alpha+beta', '$alpha[0]', '$alpha[beta]'),
                   c(4, 4, 3))
rownames(M2) = rep(c('$Sigma[i]^n', '$sigma',  '$alpha[0]^100', '$alpha[beta]'),
                   c(2, 4, 2, 3))
corrplot(10*abs(M2), is.corr = FALSE, col.lim = c(0, 10), tl.cex = 1.5)

可视化 p 值和置信区间

corrplot() 也可以在相关矩阵图上可视化 p 值和置信区间。以下是一些重要参数。

关于 p 值：

  • p.mat 是 p 值矩阵，如果为 NULL，则参数 sig.level、insig、pch、pch.col、pch.cex 无效。
  • sig.level 是显著性水平，默认值为 0.05。如果 p-mat 中的 p 值大于 sig.level，则相应的相关系数被视为不显著。如果 insig 是 ‘label_sig’，sig.level 可以是一个递增的显著性水平向量，在这种情况下，pch 将用于最高 p 值区间，并多次使用（例如 ‘‘、’‘、’’）用于每个较低的 p 值区间。
  • insig 字符，指定不显著的相关系数，‘pch’（默认），‘p-value’，‘blank’，‘n’ 或 ‘label_sig’。如果为 ‘blank’，擦除相应的图形符号；如果为 ‘p-value’，添加 p 值到相应的图形符号；如果为 ‘pch’，在相应的图形符号上添加字符（详见 pch）；如果为 ‘n’，不采取任何措施；如果为 ‘label_sig’，用 pch 标记显著的相关性（参见 sig.level）。
  • pch 用于在不显著相关系数的图形符号上添加字符（仅当 insig 为 ‘pch’ 时有效）。参见 ?par。

关于置信区间：

  • plotCI 是用于绘制置信区间的方法的字符。如果为 ‘n’，不绘制置信区间。如果为 ‘rect’，绘制矩形，其上边表示上界，下边表示下界。
  • lowCI.mat 是置信区间下界的矩阵。
  • uppCI.mat 是置信区间上界的矩阵。

我们可以通过 cor.mtest() 获取 p 值矩阵和置信区间矩阵，它返回一个包含以下内容的列表：

  • p 是 p 值矩阵。
  • lowCI 是置信区间下界矩阵。
  • uppCI 是置信区间上界矩阵。
testRes = cor.mtest(mtcars, conf.level = 0.95)

## specialized the insignificant value according to the significant level
corrplot(M, p.mat = testRes$p, sig.level = 0.10, order = 'hclust', addrect = 2)



## leave blank on non-significant coefficient
## add significant correlation coefficients
corrplot(M, p.mat = testRes$p, method = 'circle', type = 'lower', insig='blank',
         addCoef.col ='black', number.cex = 0.8, order = 'AOE', diag=FALSE)



## leave blank on non-significant coefficient
## add all correlation coefficients
corrplot(M, p.mat = testRes$p, method = 'circle', type = 'lower', insig='blank',
         order = 'AOE', diag = FALSE)$corrPos -> p1
text(p1$x, p1$y, round(p1$corr, 2))


## add p-values on no significant coefficients
corrplot(M, p.mat = testRes$p, insig = 'p-value')


## add all p-values
corrplot(M, p.mat = testRes$p, insig = 'p-value', sig.level = -1)


## add significant level stars
corrplot(M, p.mat = testRes$p, method = 'color', diag = FALSE, type = 'upper',
         sig.level = c(0.001, 0.01, 0.05), pch.cex = 0.9,
         insig = 'label_sig', pch.col = 'grey20', order = 'AOE')


## add significant level stars and cluster rectangles
corrplot(M, p.mat = testRes$p, tl.pos = 'd', order = 'hclust', addrect = 2,
         insig = 'label_sig', sig.level = c(0.001, 0.01, 0.05),
         pch.cex = 0.9, pch.col = 'grey20')

可视化置信区间。

# Visualize confidence interval
corrplot(M, lowCI = testRes$lowCI, uppCI = testRes$uppCI, order = 'hclust',
         tl.pos = 'd', rect.col = 'navy', plotC = 'rect', cl.pos = 'n')


# Visualize confidence interval and cross the significant coefficients
corrplot(M, p.mat = testRes$p, lowCI = testRes$lowCI, uppCI = testRes$uppCI,
         addrect = 3, rect.col = 'navy', plotC = 'rect', cl.pos = 'n')

参考文献

  1. Michael Friendly (2002). Corrgrams: Exploratory displays for correlation matrices. The American Statistician, 56, 316–324.

  2. D.J. Murdoch, E.D. Chow (1996). A graphical display of large correlation matrices. The American Statistician, 50, 178–180.

  3. Michael Hahsler, Christian Buchta and Kurt Hornik (2020). seriation: Infrastructure for Ordering Objects Using Seriation. R package version 1.2-9. https://CRAN.R-project.org/package=seriation

  4. Hahsler M, Hornik K, Buchta C (2008). “Getting things in order: An introduction to the R package seriation.” Journal of Statistical Software, 25(3), 1-34. ISSN 1548-7660, doi: 10.18637/jss.v025.i03IF:

      5.4 Q1 (URL: ), <URL: https://www.jstatsoft.org/v25/i03/>.
生信医道
关注
使用R包Corrplot绘制相关性图
沉香best的博客
01-09 573
使用corrplot包，用户可以创建不同类型的相关性图，包括颜色映射、点图、数字矩阵等。这可以帮助用户更好地理解数据集中的变量之间的相关性。R包Corrplot是一个用于可视化相关性矩阵的R语言包。它提供了各种方法来显示相关性矩阵，并允许用户根据需要进行自定义调整。该包还提供了各种选项和参数，以便用户根据需要自定义图形。这包括调整相关性矩阵的颜色、标签、标题、字体等。
R统计绘图-多变量相关性散点矩阵图(GGally::ggpairs())
qq_39859424的博客
04-27 3170
进行相关性分析之后，就要选择分析结果的展示形式。前面介绍过是用corrplot包绘制相关性热图展示结果(R统计绘图-corrplot绘制热图及颜色、字体等细节修改)，这里介绍另一种展示形式，使用ggplot2绘图扩展包-GGally包的ggpairs()展示相关性分析结果，图中同时展示数据散点图和相关性结果。这在R统计绘图-One-Way MANOVA一文中有展示过。 一、 数据准备 # 1.1 设置工作路径 setwd("D:\\EnvStat\\corrplot") # 1.2 加载R包
R画月亮阴晴圆缺：corrplot绘图相关系数矩阵
刘永鑫的博客——宏基因组公众号
03-01 2万+
今天是十五元宵节，即是和家人团聚的机会，也是赏月的好日子。 但作为科研汪的我，在狗年应更加努力，争取在狗年旺旺，从加班狗中脱颖而出。 分享一个相关分析可视化实战，祝大家元宵节快乐！ 先给大家送一个我画的假蓝月亮，不管你看着像不像，反正我觉得像。 之前我们分享了关于相关分析的原理，还有ggcorrplot包的使用。 相关性分析方法基础：Spearman、Kendall和Pear...
R -- corrplot包
jiangshandaiyou的博客
06-17 3922
corrplot包常用参数介绍：corr: 必需参数，表示相关性矩阵，可以是数据框或者矩阵。method: 表示绘制相关性矩阵的方法，有以下几种取值：“circle”：绘制圆形相关性矩阵图。“square”：绘制方形相关性矩阵图，不同相关性之间颜色深浅不同。“color”：绘制方形相关性矩阵图，不同相关性之间颜色的深浅和颜色的具体种类都不相同。“pie”：绘制饼图形式的相关性矩阵图。“shade”：绘制灰度相关性矩阵图，颜色越深表示相关性越大。“ellipse”：绘制椭圆形相关性矩阵图。
corrplot包绘制相关性图（R语言）
qq_35294674的博客
05-30 4999
corrplot包可以简单快速的绘制出好看的相关性图，图案类型多种多样，而且可以上下部分分别绘制。本篇文章介绍了corrplot包的使用，总结了corrplot函数的参数说明。
绘图杂记【4】R语言corrplot绘制相关图
积一时之步，臻千里之遥程
12-01 1万+
R语言corrplot绘制相关图 参数解释： R语言corrplot 示例1 # install.packages("corrplot") library(corrplot) library(ggplot2) library(ggcorrplot) data("mtcars") corr <- round(cor(mtcars), 1) head(corr[, 1:6]) corrplot(corr) 示例2 library(corrplot) library(ggplot2) librar
使用R语言绘制相关性图.R
01-27
使用ggplot2和corrplot包绘制相关性图的方法，包括选择合适的视觉表示形式； 如何定制和美化相关性图表，包括颜色选择、标签添加和布局调整； 相关性图表在数据分析和结果解释中的应用。 阅读建议：为了充分掌握绘制...
使用R语言复现图表 03 画一幅赏心悦目的相关性图.R
01-27
使用R语言的不同包绘制相关性图，并掌握各种定制化选项，如颜色方案、标签和图例等；解读相关性图中的信息，包括相关性的强度、方向和潜在的数据模式；提高在数据可视化方面的技能，特别是在设计和实现具有高度信息...
使用R语言导入自己的数据，绘制带有P值的相关性热图
最新发布
04-03
要在 R 中生成包含 P 值的相关性热图，可以利用 `corrplot` 或者 `ggplot2` 这两个强大的包来完成。以下是详细的说明和代码示例。 #### 数据导入 首先需要将自定义的数据导入到 R 环境中。假设数据存储在一个 CSV ...
使用R Studio的ggplot进行多变量相关性分析与可视化
7. **绘制相关性热力图**：使用`corrplot.mixed`函数绘制热力图，显示了相关系数的大小和颜色，并标注了p值。`tl.cex=.55`调整了图例文本的大小，`tl.col="black"`设置为黑色，`insig="blank"`表示在显著性水平以下...
corrplot:包Corrplot用于可视化相关矩阵
04-29
概括 R package corrplot用于可视化相关矩阵和置信区间。 它还包含一些进行矩阵重新排序的算法。 有关示例，请参见其。 该软件包已根据GPL许可，可在CRAN上找到： : 。 如何引用 R核心开发团队和非常活跃的软件包编写者社区已经投入了大量时间和精力来创建R。 请在到期信用处注明信用，并在将R和R软件包用于数据分析时引用它们。 要正确引用corrplot ，请按如下所示调用R内置命令citation("corrplot") ： library( corrplot ) citation( " corrplot " ) 基本例子 library( corrplot ) M <- cor( mtcars ) corrplot( M , order = " hclust " , addrect = 2 ) 下载并安装 要下载该软件包的开发版本，请在R命令行中键入以下内容：
【手把手陪你学R】用corrplot画相关系数图
Yif18的博客
06-16 6435
相关系数图是什么？ 对于数据集进行描述性统计分析后，通常需要对变量间的相关关系进行考察 相关系数图可用于可视化变量间相关关系的方向、大小和密切程度，在相关系数图中，相关系数（correlation coefficients） 根据不同的系数值赋予了不同的颜色或形状，相关系数矩阵（correlation matrix） 则根据不同的颜色或形状将变量间的相关关系直观的展示出来 第一步 安装并载入corrplot包 install.packages("corrplot") #安装corrplot包 lib
R语言中的函数11：corrplot::corrplot()和corrplot.mixed()
辉的博客
03-15 1万+
corrplot() 介绍 该函数实现了对correlation矩阵和置信区间的图示化。并且它也可以对一般的矩阵实现可视化只需要设置is.corr = FALSE. 用法 corrplot( corr, method = c("circle", "square", "ellipse", "number", "shade", "color", "pie"), type = c("full", "lower", "upper"), add = FALSE, col = NULL, col
corrplot包绘制相关系数图
weixin_52338842的博客
07-06 270
R包corrplot提供了一个关于相关矩阵的可视化探索工具，支持自动变量重新排序，以帮助检测变量之间的隐藏模式。corrplot 非常易于使用，并在可视化方法、图形布局、颜色、图例、文本标签等方面提供了丰富的绘图选项。它还提供 p 值和置信区间，以帮助用户确定相关性的统计显着性。有大约 50 个参数，但最常见的参数只有几个。在大多数场景中，我们只需要一行代码就可以得到一个相关矩阵图。最常用的参数有, , , 等。methodcorrplot 包中有七种可视化方法（参数）， 分别是 circle, squar
R Corrplot软件包简介,绘制相关热图
热门推荐
gavin_cdc的博客
10-17 3万+
Corrplot软件包简介 介绍 所述corrplot包是相关矩阵，置信区间的图形显示。它还包含一些进行矩阵重新排序的算法。另外，corrplot擅长细节，包括选择颜色，文本标签，颜色标签，布局等。 可视化方法 有七个可视化方法（参数method中）corrplot包，命名"circle"，"square"，"ellipse"，"number"，"shade"，"color"，"pie"。...
R-corrplot包-相关性可视化
小孔乘象的天地
07-01 2711
简介： 相关图是基于相关系数矩阵绘制的图。 通常是将1个变量映射到多个视觉元素，所以看起来很花哨。 如果是椭圆： 则椭圆的色相对应相关性的正负， 颜色深浅对应相关性绝对值大小，越深则绝对值越大。 椭圆的形状对应相关性绝对值大小，默认越扁，则相关性绝对值越大。 如果是圆，则圆的面积对应相关性大小， 如果是扇形，则扇形的弧度对应相关性大小。 相关系数： 自变量X和因变量Y的协方差/标准差的乘积。也可以反映两个变量变化时是同向还是反向， 如果同向变化就为正，反向变化就为负。 它消除了两个变量变化幅度的影
corrplot包画相关性图详解
医学和生信笔记的博客
08-07 1万+
专注R语言在临床医学中的使用，R语言数据分析和可视化。主要分享R语言做医学统计学、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。
corrplot作图
weixin_43364556的博客
07-02 2895
相关性作图与其他常见的柱状图等不太一样，两个类别型的变量加上数值以及正负变量等需要展示在图形中，因此相关性的作图有一个专用的R包，corrplot，这里只是记录一下学习过程中的一些列子，便于下次回顾。 文章目录常用参数methodtypeaddcolbgtitleis.corrdiagoutline 常用参数 method method参数用来控制图形的显示方式，比如用数字或者图形及其对应的属性来表示相关性，使用图形的话又可以使用什么样的形状等，可选的参数有： circle corrplot(cor.
评论
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