今天分享一个相关分析可视化实战！
之前我们分享了关于相关分析的原理，还有ggcorrplot包的使用。
今天推出相关分析的第三讲，corrplot实战与绘图。
corrplot简介与安装
corrplot是一个绘制相关矩阵和置信区间的包，它也包含了一些矩阵排序的算法。
安装也非常简单，如果在Rstudio中，直接安装：
install.packages("corrplot")本节选学内容，让工作体验更美好！
如果使用rstudio的数据源下载太慢，可以使用国内清华镜像安装，反正我在科技网，或方正宽带下载都会快10倍以上。
install.packages("corrplot",
repos="https://mirrors.tuna.tsinghua.edu.cn/CRAN")此外还可以devtools工具从作者的github源安装，名称为taiyun/corrplot，追求最新版本的朋友自行尝试，这里不再赘述。
简单的相关分析及绘图实例
我们library加载包，使用cor计算内部数据mtcars汽车数据列间相关系数矩阵，再绘图。
library(corrplot)
M = cor(mtcars)
corrplot(M, order = "hclust", addrect = 2)简单三句话，美美哒相关分析结果是出来了。
实例精华讲解
我们现在对原始数据、分析结果和可视化参数进行解释。
我们看一下输入数据格式：使用head查看数据前6行预览：
head(mtcars)
mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1本质上是一个行为样本名，列为属性的数值表格。其实我们大部分的数据都是这种格式的文件，只需要使用read.table读入。
cor函数对mtcars数据按列进行两两相关性计算，默认使用pearson方法，当然理论解读中提前的spearman和kendall方法也都支持。
比如我们选spearman方法计算相关系数矩阵：
cor(mtcars, method = "spearman")
mpg cyl disp hp drat wt qsec vs am gear carb
mpg 1.0000000 -0.9108013 -0.9088824 -0.8946646 0.65145546 -0.8864220 0.46693575 0.7065968 0.56200569 0.5427816 -0.65749764
cyl -0.9108013 1.0000000 0.9276516 0.9017909 -0.67888119 0.8577282 -0.57235095 -0.8137890 -0.52207118 -0.5643105 0.58006798
disp -0.9088824 0.9276516 1.0000000 0.8510426 -0.68359210 0.8977064 -0.45978176 -0.7236643 -0.62406767 -0.5944703 0.53977806
hp -0.8946646 0.9017909 0.8510426 1.0000000 -0.52012499 0.7746767 -0.66660602 -0.7515934 -0.36232756 -0.3314016 0.73337937
drat 0.6514555 -0.6788812 -0.6835921 -0.5201250 1.00000000 -0.7503904 0.09186863 0.4474575 0.68657079 0.7448162 -0.12522294
wt -0.8864220 0.8577282 0.8977064 0.7746767 -0.75039041 1.0000000 -0.22540120 -0.5870162 -0.73771259 -0.6761284 0.49981205
qsec 0.4669358 -0.5723509 -0.4597818 -0.6666060 0.09186863 -0.2254012 1.00000000 0.7915715 -0.20333211 -0.1481997 -0.65871814
vs 0.7065968 -0.8137890 -0.7236643 -0.7515934 0.44745745 -0.5870162 0.79157148 1.0000000 0.16834512 0.2826617 -0.63369482
am 0.5620057 -0.5220712 -0.6240677 -0.3623276 0.68657079 -0.7377126 -0.20333211 0.1683451 1.00000000 0.8076880 -0.06436525
gear 0.5427816 -0.5643105 -0.5944703 -0.3314016 0.74481617 -0.6761284 -0.14819967 0.2826617 0.80768800 1.0000000 0.11488698
carb -0.6574976 0.5800680 0.5397781 0.7333794 -0.12522294 0.4998120 -0.65871814 -0.6336948 -0.06436525 0.1148870 1.00000000相关系数矩阵的特点：
相关系数矩阵数值范围是-1到1，分别 代表完全负相关或正相关；
对角线全为1，因为自身完全相同即100%s相关；
矩阵中上、下三角阵中数值沿对角线是对称。
corrplot命令解释
可视化时，默认的方法为直接corrplot()可视化矩阵即可，如下：
corrplot(M)默认：圆形颜色渐变效果展示相关系数
示例中order按hclust聚类方式排序，addrect是添加分组矩形，可自定义分组类，类似于平时热图的kmean分组方式。用于表现研究对象可分类的特点，方便继续分类讨论或研究
corrplot(M, order = "hclust", addrect = 2)corrplot中参数详解
corrplot(corr, method = c("circle", "square", "ellipse", "number", "shade", "color", "pie"), type = c("full", "lower", "upper"), add = FALSE, col = NULL, bg = "white", title = "", is.corr = TRUE, diag = TRUE, outline = FALSE, mar = c(0, 0, 0, 0), addgrid.col = NULL, addCoef.col = NULL, addCoefasPercent = FALSE, order = c("original", "AOE", "FPC", "hclust", "alphabet"), hclust.method = c("complete", "ward", "ward.D", "ward.D2", "single", "average", "mcquitty", "median", "centroid"), addrect = NULL, rect.col = "black", rect.lwd = 2, tl.pos = NULL, tl.cex = 1, tl.col = "red", tl.offset = 0.4, tl.srt = 90, cl.pos = NULL, cl.lim = NULL, cl.length = NULL, cl.cex = 0.8, cl.ratio = 0.15, cl.align.text = "c", cl.offset = 0.5, number.cex = 1, number.font = 2, number.digits = NULL, addshade = c("negative", "positive", "all"), shade.lwd = 1, shade.col = "white", p.mat = NULL, sig.level = 0.05, insig = c("pch", "p-value", "blank", "n", "label_sig"), pch = 4, pch.col = "black", pch.cex = 3, plotCI = c("n", "square", "circle", "rect"), lowCI.mat = NULL, uppCI.mat = NULL, na.label = "?", na.label.col = "black", win.asp = 1, ...)
是不是有点多，功能实在太强大了，我们挑几个常用的说明。
corr: 用于绘图的矩阵，必须是正方形矩阵，如果是普通的矩阵，需要设置is.corr=FALSE
method: 可视化的方法，默认是圆circle，还有正方形square、椭圆ellipse、数字number、阴影shade、颜色color和饼pie可选。文章开篇处的示例即为饼形，类似月亮周期的大小变化。
type：展示类型，默认全显full，还有下三角lower，或上三角upper可选。
col：颜色设置，可设置颜色起、中、终点颜色。
is.corr：逻辑值，若为TRUE，不强制要求矩阵是正方形的相关系数矩阵，图例范围也会随数据变化
diag：是否显示对角线值。因为对角线全为1，显示只是美观，实际意义不大
tl.cex：名称标签字体大小
tl.col：名称标签字体颜色
cl.lim：值域范围
addrect：设置分组数量，添加矩形
官方教程
公众号只是信息传播和推荐的作用，让你知道什么东西可以干什么事。具体更深入的学习，作者的官方教程一般都是比较不错的教材，很少有人比作者更了解它的软件使用。
作者在CRAN上包主页的vignettes中提供了非常详细的图片教程，有几十种画法展示，简直像自选超市，大家需要哪种选哪种。
下面我只举几个粟子：
1. 画上三角矩阵
corrplot(M, type = "upper")2. 图形和数值混合矩阵
corrplot.mixed(M)文字看不清，可以设置文字为黑色和大小
corrplot.mixed(M, lower.col = "black", number.cex = .7)3. 修改颜色
col3 <- colorRampPalette(c("red", "white", "blue"))
corrplot(M, order = "hclust", addrect = 2, col = col3(20))4. 图例标签控制
关闭图例和标签
corrplot(M, order = "AOE", cl.pos = "n", tl.pos = "n")还可以控制对角标签旋转45度
corrplot(M, type = "lower", order = "hclust", tl.col = "black", tl.srt = 45)修改图例范围
corrplot(abs(M),order = "AOE", col = col3(200), cl.lim = c(0, 1))5. 显著性标记
设置没通过统计的相关性结果打X
res1 <- cor.mtest(mtcars, conf.level = .95)
corrplot(M, p.mat = res1$p, sig.level = .01)还可设置不显著的空白，或显示p值；更可以利用此方法显示所有p值，或用*数量代表显示性
## leave blank on no significant coefficient
corrplot(M, p.mat = res1$p, insig = "blank")
## add p-values on no significant coefficient
corrplot(M, p.mat = res1$p, insig = "p-value")
## add all p-values
corrplot(M, p.mat = res1$p, insig = "p-value", sig.level = -1)
## star level
corrplot(M, p.mat = res1$p, insig = "label_sig",
sig.level = c(.001, .01, .05), pch.cex = .9, pch.col = "white")6. 画蓝色亮30天的变化
文章开篇的蓝月亮是如何画的呢？
原理：生成一个1-15和15-1的30个数且每行10个的矩阵，利用corrplot可视，方法为饼形，矩阵为非对称，去除标签和图例，设置图例范围
dat = matrix(c(1:15,15:1), nrow = 10)
corrplot(t(dat), "pie", is.corr = F, cl.pos = "n", tl.pos = "n", cl.lim = c(1,15)今天就到这里，更多教程，请阅读引文链接。
Reference
如何引用
citation("corrplot")Taiyun Wei and Viliam Simko (2017). R package “corrplot”:
Visualization of a Correlation Matrix (Version 0.84).
Available from https://github.com/taiyun/corrplot
官方教程 https://cran.r-project.org/web/packages/corrplot/vignettes/corrplot-intro.html
孙老师相关性矩阵可视化工具corrplot https://baijiahao.baidu.com/s?id=1576699211067823610&wfr=spider&for=pc
猜你喜欢
10000+：菌群分析 宝宝与猫狗 梅毒狂想曲 提DNA发Nature Cell专刊 肠道指挥大脑
文献阅读 热心肠 SemanticScholar Geenmedical
16S功能预测 PICRUSt FAPROTAX Bugbase Tax4Fun
生物科普: 肠道细菌 人体上的生命 生命大跃进 细胞暗战 人体奥秘
写在后面
为鼓励读者交流、快速解决科研困难，我们建立了“宏基因组”专业讨论群，目前己有国内外5000+ 一线科研人员加入。参与讨论，获得专业解答，欢迎分享此文至朋友圈，并扫码加主编好友带你入群，务必备注“姓名-单位-研究方向-职称/年级”。PI请明示身份，另有海内外微生物相关PI群供大佬合作交流。技术问题寻求帮助，首先阅读《如何优雅的提问》学习解决问题思路，仍末解决群内讨论，问题不私聊，帮助同行。
学习16S扩增子、宏基因组科研思路和分析实战，关注“宏基因组”
点击阅读原文，跳转最新文章目录阅读
9346
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
