育种数据分析之放飞自我分享 http://blog.sciencenet.cn/u/yijiaobai 关注:生物统计,数量遗传,混合线性模型,生物信息,R,Perl,Python,GWAS,GS相关方法,文章及代码

博文

R语言相关性分析和相关性分析可视化常用方法汇总

已有 12315 次阅读 2021-12-28 19:31 |个人分类:R语言|系统分类:科研笔记

本次,介绍一下相关性分析以及相关性分析可视化常用方法。

0. 相关数据

library(learnasreml)
library(tidyverse)
data(fm)
str(fm)

dd = fm %>% select(-c(1:5))
head(dd)

1. 相关性分析

1.1 R语言默认函数cor

cor(dd)

这里,原始数据中有缺失值,所以有NA,所以我们需要考虑缺失值,修改的代码如下:

cor(dd,use = "complete.obs")

相关性结果:上面还有一个缺陷,没有给出显著性检验,默认的cor.test只能对两个变量进行显著性检验,比如:

cor.test(dd[,1],dd[,2])

1.2 使用Hmisc包中的rcorr函数

Hmisc包中的rcorr函数可以对多个变量进行相关性计算,并且计算显著性。

注意,需要将变量转化为矩阵,才可以进行分析。

library(Hmisc)
dd = as.matrix(dd)
rcorr(dd)

结果如下:

> rcorr(dd)
      dj    dm   wd    h1   h2    h3   h4   h5
dj  1.00  0.38 0.86  0.04 0.04 -0.02 0.07 0.03
dm  0.38  1.00 0.57 -0.03 0.03 -0.05 0.05 0.04
wd  0.86  0.57 1.00  0.11 0.14  0.07 0.18 0.15
h1  0.04 -0.03 0.11  1.00 0.58  0.47 0.47 0.44
h2  0.04  0.03 0.14  0.58 1.00  0.83 0.79 0.73
h3 -0.02 -0.05 0.07  0.47 0.83  1.00 0.82 0.75
h4  0.07  0.05 0.18  0.47 0.79  0.82 1.00 0.91
h5  0.03  0.04 0.15  0.44 0.73  0.75 0.91 1.00

n
    dj  dm  wd  h1  h2  h3  h4  h5
dj 826 824 826 826 826 826 823 823
dm 824 825 825 825 825 825 822 822
wd 826 825 827 827 827 827 824 824
h1 826 825 827 827 827 827 824 824
h2 826 825 827 827 827 827 824 824
h3 826 825 827 827 827 827 824 824
h4 823 822 824 824 824 824 824 824
h5 823 822 824 824 824 824 824 824

P
   dj     dm     wd     h1     h2     h3     h4     h5    
dj        0.0000 0.0000 0.2023 0.2388 0.6239 0.0399 0.3939
dm 0.0000        0.0000 0.4264 0.3668 0.1415 0.1619 0.2514
wd 0.0000 0.0000        0.0013 0.0000 0.0314 0.0000 0.0000
h1 0.2023 0.4264 0.0013        0.0000 0.0000 0.0000 0.0000
h2 0.2388 0.3668 0.0000 0.0000        0.0000 0.0000 0.0000
h3 0.6239 0.1415 0.0314 0.0000 0.0000        0.0000 0.0000
h4 0.0399 0.1619 0.0000 0.0000 0.0000 0.0000        0.0000
h5 0.3939 0.2514 0.0000 0.0000 0.0000 0.0000 0.0000

上面结果中:

  • 第一部分是相关系数
  • 第二部分是有效观测值
  • 第三部分是显著性

所以,我们使用第一部分相关系数,和第三部分显著性结果即可。

2. 相关性系数可视化

R包进行相关系数可视化时,会将相关系数和显著性也输出到图片中,一步到位。

2.1 PerformanceAnalytics包中的chart.Correlation

代码如下:

library(PerformanceAnalytics)
chart.Correlation(dd)

2.2 corrplot包中的corrplot

注意corrplot的对象,需要时相关系数,而不是原始数据。

library(corrplot)
re = cor(dd,use = "complete.obs")
corrplot(re)

没有给出显著性,不太友好。

2.3 GGally包中的chart.ggpairs

注意,ggpairs的对象,需要是数据框,所以要转化为数据框。

library(GGally)
dd = as.data.frame(dd)
ggpairs(dd)

ggpairs的好处是,还可以进行分组。比如这里按照两组进行划分。

fm数据框中,有两个密度,这里,我们按照密度进行分组。

ggpairs(fm, columns = (6:13),ggplot2::aes(color = fm$Spacing))

3. 所有代码汇总

library(learnasreml)
library(tidyverse)
data(fm)
str(fm)

dd = fm %>% select(-c(1:5))
head(dd)


# 相关系数
cor(dd)
cor(dd,use = "complete.obs")

cor.test(dd[,1],dd[,2])


library(Hmisc)
dd = as.matrix(dd)
rcorr(dd)

# 相关系数可视化
library(PerformanceAnalytics)
chart.Correlation(dd)

library(corrplot)
re = cor(dd,use = "complete.obs")
corrplot(re)


library(GGally)
dd = as.data.frame(dd)
ggpairs(dd)


ggpairs(fm, columns = (6:13),ggplot2::aes(color = fm$Spacing))


> 欢迎关注我的公众号:`育种数据分析之放飞自我`。主要分享R语言,Python,育种数据分析,生物统计,数量遗传学,混合线性模型,GWAS和GS相关的知识。




https://blog.sciencenet.cn/blog-2577109-1318560.html

上一篇:GWAS分析中SNP解释百分比PVE | 第四篇,MLM模型中如何手动计算PVE?
下一篇:R语言箱线图添加显著性--不同水平实现方法
收藏 IP: 223.90.189.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-12-12 16:35

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部