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Pearson

• R相关矩阵可视化包ggcorrplot

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

• 热文：1高分文章 2不可或缺的人 3图表规范
• 一文读懂：1微生物组 2寄生虫益处 3进化树
• 必备技能：1提问 2搜索  3Endnote
• 文献阅读 1热心肠 2SemanticScholar 3geenmedical
• 扩增子分析：1图表解读 2分析流程 3统计绘图  4功能预测  
• 科研经验：1云笔记  2云协作 3公众号  
• 系列教程：1Biostar 2微生物组  3宏基因组
• 生物科普 1肠道细菌 2人体上的生命 3生命大跃进  4细胞的暗战 5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1200+ 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”。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
https://mp.weixin.qq.com/s/5jQspEvH5_4Xmart22gjMA