R语言学习笔记-Corrplot相关性分析

示例图像

首先安装需要的包

install.packages("Corrplot") #安装Corrplot
install.packages("RColorBrewer ") #安装RColorBrewer
install.packages("showtext")#安装showtext
install.packages("sysfonts")#安装sysfonts
install.packages("showtextdb")#安装showtextdb
install.packages("showtext")#安装RColorBrewer

加载需要的包

lapply(c("corrplot","showtex","RColorBrewer","showtextdb","sysfonts"))

如果需要更换字体，就加载系统内字体

font.families()                                  #查看添加的字体
showtext.begin()                                 #加载字体
**showtext.end()                                 #停止加载字体

导入数据[示例]

mydataframe<-read.csv(file,header=logical_value,sep="delimiter",row.names="name")

mydataframe：自定义数据名称，此处将集合名称定义为mydataframe
table：指读取文件格式为表格
file:      csv文件的名称或路径夹名称
header:其后面逻辑值，可填写TRUE或FALSE，表示文件是否读取横列标题
sep:指文件分隔符，如csv用英文逗号分隔 ","
row.names:指定表示行标识符的变量（作为行名的表头）

本次利用自带的mtcars作为示例

data(mtcars)#加载数据集
mydata <- mtcars[, c(1:7)]#使用前7行数据

　查看数据

head(mydata)#查看数据

　绘制图像

pic01<-cor(mydata)
corrplot(pic01)

　

corrplot(mydata)   
可以在括号内加入如下定义，改变图像。

                  method = c("circle"/"square"/"ellipse"/"number"/ "shade"/"color"/"pie"),

method：指定可视化的方法，可以是圆形、方形、椭圆形、数值、阴影、颜色或饼图形

                   type = c("full"/"lower"/"upper"), 

type：指定展示的方式，可以是完全的图形、上三角或下三角（不填时默认为“full”）

col：指定图像的几种颜色，默认以均匀的颜色展示,以col = c("purple", "green","white")),为例，即指图标在（-1，1）区间以紫色、绿色、白色三种颜色的改变表示。

****可以通过colorRampPalette定义

COLOR01<- colorRampPalette(c("#5081ff","#638dff","#b1c6ff","#c3d5ff" ,"#ffffff", "#f7cccc","#f1aeac","#eb8b8a","#e66a68"))(10)

corrplot(pic01,col = COLOR01)

　　

bg = c("white"/"black"/"pink"/……)，
bg：指定图的背景色

                  title = "HokkaidoM",
                  mar=c(0, 0, 1, 0)
title：为图形添加标题
mar=c(0, 0, 1, 0) ：设置图距离（下，左，上，右）四个边缘的距离

*****若使用标题title必须加mar=c(0, 0, 1, 0)，不然标题显示不全

                  is.corr = TRUE,
is.corr：是否为相关系数绘图，默认为TRUE，同样也可以实现非相关系数的可视化，只需使该参数设为FALSE即可

                   diag = TRUE,
diag：是否展示对角线上的结果，默认为TRUE

                 outline = FALSE，
outline：是否绘制圆形、方形或椭圆形的轮廓，默认为FALSE

                   addgrid.col = NULL,
addgrid.col：当选择的方法为颜色或阴影时，默认的网格线颜色为白色，否则为灰色

                 addCoef.col = NULL,
addCoef.col：为相关系数添加颜色，默认不添加相关系数，只有方法为number时，该参数才起作用

                 addCoefasPercent = FALSE,
addCoefasPercent：为节省绘图空间，是否将相关系数转换为百分比格式，默认为FALSE

                   order = c("original", "AOE", "FPC", "hclust", "alphabet"),
                  hclust.method = c("complete", "ward", "single", "average", "mcquitty", "median", "centroid"),
order：指定相关系数排序的方法，可以是原始顺序(original)、特征向量角序(AOE)、第一主成分顺序(FPC)、层次聚类顺序(hclust)和字母顺序，一般”AOE”排序结果都比”FPC”要好
hclust.method：当order为hclust时，该参数可以是层次聚类中ward法、最大距离法等7种之一

                   addrect = NULL,
                  rect.col = "black",
                  rect.lwd = 2,
addrect：当order为hclust时，可以为添加相关系数图添加矩形框，默认不添加框，如果想添加框时，只需为该参数指定一个整数即可
rect.col：指定矩形框的颜色
rect.lwd：指定矩形框的线宽

                   tl.pos = NULL,
tl.pos：指定文本标签(变量名称)的位置，当type=full时，默认标签位置在左边和顶部(lt)，当type=lower时，默认标签在左边和对角线(ld)，当type=upper时，默认标签在顶部和对角线，l、r代表左右，d表示对角线，n表示不添加文本标签

                  tl.cex = 1,
tl.cex：指定文本标签的大小

                   tl.col = "red",
tl.col：指定文本标签的颜色

                  tl.offset = 0.4,
tl.offset：设置文本标签偏移量，即文本标签和图像的距离

                  tl.srt = 90,
 tl.srt：文本标签角度

                   cl.pos = "b"/"r"/"n"
cl.pos：图例（颜色）位置，r图例在右表，b图例在底部，不需要图例时，只需指定该参数为n

                  cl.lim = (x1,x2),
 颜色区间限制

                   cl.length = 数字
颜色区间刻度间隔的数量

                  cl.cex = 0.8,
颜色刻度标签数字大小 

                  cl.ratio = 0.15,
颜色刻度粗细

                   cl.align.text = "l","c","r",
刻度标签数字显示在每个刻度的靠左处/中央/靠右处

                  cl.offset = 0.5,
刻度标签与颜色刻度条的距离

                   addshade = c("negative", "positive", "all"),
addshade：只有当method=shade时，该参数才有用，参数值可以是negtive/positive和all，分表表示对负相关系数、正相关系数和所有相关系数添加阴影。注意：正相关系数的阴影是45度，负相关系数的阴影是135度

                   shade.lwd = 1,
shade.lwd：指定阴影的线宽

                  shade.col = "white",
shade.col：指定阴影线的颜色

                 addCoef.col=”颜色”
addCoef.col：增加p值

                 add = TRUE
add = ：是否与另一图片拼接，默认为false

　　

p.mat 分析/显著性分析

cor.mtest <- function(mat, ...) {
    mat <- as.matrix(mat)
    n <- ncol(mat)
    p.mat<- matrix(NA, n, n)
    diag(p.mat) <- 0
    for (i in 1:(n - 1)) {
        for (j in (i + 1):n) {
            tmp <- cor.test(mat[, i], mat[, j], ...)
            p.mat[i, j] <- p.mat[j, i] <- tmp$p.value
        }
    }
  colnames(p.mat) <- rownames(p.mat) <- colnames(mat)
  p.mat
}
#构建cor.mtest函数

mydatap<- cor.mtest(mydata)   #计算原始数据的p.mat并定义此数据集合

　

                  sig.level = 0.05,
筛选的标准以0.05为界

sig.level = c(0.001,0.01,0.05)
设置筛选的各个区间值

	insig = c("pch","p-value","blank", "n"),
被筛选的不显著值为叉叉、p值数字、不显示任何东西、n

                  insig = "label_sig"
设置被筛选出的为显著值

	pch = 4, pch.col = "black", pch.cex = 3,
	plotCI = c("n","square", "circle", "rect"),
	lowCI.mat = NULL,
                  uppCI.mat = NULL, ...)

　

 corrplot(pic01, type = "upper", order = "hclust",   p.mat=mydatap, sig.level = 0.05, insig = "label_sig")#绘图，标记显著值

　　

corrplot(pic01, type="upper", order="hclust", p.mat = mydatap, sig.level = 0.05)#绘图，把不显著的叉掉

　　

　

corrplot(pic01, type = "upper", order = "hclust",   p.mat=mydatap, sig.level = 0.05, insig="blank")
#绘图，把不显著的空掉

　　

 corrplot(pic01,
 type="lower",
order="hclust",
p.mat=mydatap,
insig = "label_sig",
sig.level = c(0.001,0.01,0.05),
pch.cex = 2.5,pch.col="white",
diag = FALSE,tl.srt =45,tl.col = "black",
family="serif",col = COLOR01,
tl.cex = 2.5,title = "miraculousdna",
 mar=c(0, 0, 1, 0),cl.cex = 2.5
)