精华内容
下载资源
问答
  • R语言corrplot相关性热图制作

    千次阅读 2021-03-16 19:43:03
    R语言corrplot相关性热图制作 使用R语言制作相关性热图,使用corrplot这个包,本文进行简略的介绍,函数的具体内容见文档: https://cran.r-project.org/web/packages/corrplot/vignettes/corrplot-intro.html 在...

    R语言corrplot相关性热图制作

    使用R语言制作相关性热图,使用corrplot这个包,本文进行简略的介绍,函数的具体内容见文档:

    https://cran.r-project.org/web/packages/corrplot/vignettes/corrplot-intro.html

    在函数中,可以选择不同的method可以绘制不同类型的图像,例如circle、square、ellipse、color、number等等,此文不过多展示,可以直接去官方的函数介绍中。

    corrplot(M, method = "circle")
    

    img1

    corrplot(M, method = "number")
    

    下载

    可以通过Layout关键词选择布局

    • "full" (默认)显示整个矩阵

    • "upper" : 显示上半个矩阵

    • "lower" : 只显示下半个矩阵

      corrplot(M, type = "upper")
      

    下载 (3)

    corrplot.mixed(M, lower.col = "black", number.cex = .7)
    

    下载 (4)

    排序方法order

    corrplot(M, order = "AOE")
    corrplot(M,method = "color",order= "hclust",hclust.method="ward.D2")
    

    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

    实验数据介绍

    本实验要做城市计算中的POI相关度分析,经过之前的预处理,对POI进行重分类、空间连接和相关性计算之后得到如图所示的文件格式。

    截取一部分

    image-20210316193426206

    读取文件

    使用read.csv()进行文件读取,如果在读取的时候把第一列当作index,则需要加row.names = 1,·如果是把第一行当作文件头可以加header = 1

    控制图例、文字

    cl.lim = c(0,1) #表示图例范围0-1
    tl.cex = 0.25 #表示字体是正常大小的0.25
    tl.col = "black" #字体颜色
    

    将结果输出到pdf中

    RStudio中直接导出的pdf没有字体,而本实验用到的数据量较大,直接导出图片格式文字不清楚,因此需要将结果输出到pdf中,有以下两种方法能够对中文进行正确输出。

    # 第一种方法,直接进行绘制,其优点是方便快捷;缺点是字体单一,只有标准宋体。
    # 指定pdf路径
    pdf("test.pdf",family="GB1")
    # 画图
    plot(x,y)
    dev.off()  
    
    # 调用Cairo程序包,使用CairoPDF()函数画图
    library(Cairo)
    CairoPDF("test.pdf")
    plot(x,y,family=”STKaiti”)  #
    STKaiti 表示字体为华文行楷;
    dev.off()
    

    最终代码

    library(corrplot)
    pdf("/Users/jiarui/Projects/Matrix.pdf",family="GB1")
    data <- read.csv("/Users/jiarui/Projects/cx/ProbMatrix2.csv",row.names = 1)
    data2 <- as.matrix(data)
    corrplot(corr = data2,method = "color",order= "hclust",hclust.method="ward.D2",cl.lim = c(0,1),tl.cex = 0.25,tl.col = "black")
    #corrplot(corr = data2,method = "color",order= "AOE",cl.lim = c(0,1),tl.cex = 0.3,tl.col = "blue")
    dev.off()
    

    结果

    在这里插入图片描述

    错误

    突然遇到了plot没有反应不出图,使用dev.new()命令之后就恢复了。

    展开全文
  • r语言画火相关性热图 加热器开着! (The heat is on!) Last year, Unity Analytics released our beta version of the Heatmap system. It arose from a hack week project, which itself came from a customer ...

    r语言画火相关性热图

    The heat is on!

    加热器开着!

    Last year, Unity Analytics released our beta version of the Heatmap system. It arose from a hack week project, which itself came from a customer simply asking me to build it (see what you get when you ask nicely?). As it happens, I write this blog post on my way to another hack week, and here we are getting ready to release a major update to our Heatmaps plugin. This update is a big leap forward on several levels, focusing on both speed and usability. The beta was pretty good. I’m proud of what we released. But we listened very carefully to user feedback, finding several things we could do better. For example:

    去年,Unity Analytics发布了我们的Heatmap系统测试版。 它来自黑客周项目,该项目本身来自客户,只是要求我进行构建(看看您问得好会得到什么?)。 碰巧的是,我在前往另一个黑客周的途中写了这篇博客文章,在这里我们准备发布对Heatmaps插件的重大更新。 此更新在速度和可用性两方面都实现了巨大的飞跃。 测试版相当不错。 我为我们发布的内容感到骄傲。 但是我们非常认真地听取了用户的反馈,发现我们可以做得更好的几件事。 例如:

    • The first-time user experience, frankly, sucked.

      坦率地说,初次使用用户体验很糟糕。

    • It took way too long to get at your data.

      获取您的数据花费了太长时间。

    • There were many problems seeing the data quite the way you wanted it.

      完全按照您想要的方式查看数据存在很多问题。

    • And, of course, there were some bugs.

      而且,当然还有一些错误。

    The new release addresses all these issues, speeding you up both as a first-time heatmapper, and as you progress. We may never address everyone’s ideas about the “right” ways to look at the data, but I’m convinced we’ve added many excellent options that will please many.

    新版本解决了所有这些问题,使您既可以初次使用热贴图,又可以随着进度的进行而加快速度。 我们可能永远都不会解决每个人关于“正确”的数据查看方式的想法,但是我坚信我们已经添加了许多出色的选择,这些选择将使许多人满意。

    This post won’t be a tutorial. That sort of thing is covered in the documentation. Rather, I’ll focus on explaining the new features, and why we picked each one:

    这篇文章将不是教程。 文件中涵盖了这类内容 。 相反,我将重点介绍这些新功能,以及为什么我们选择每个功能:

    安装热图 (Installing Heatmaps)

    As part of improving your first time experience with Heatmaps, we’ve finally pushed it to the Unity Asset Store. You can still download the installer from the Bitbucket repo, of course. Double-click the installer and BOOM! you have Heatmaps in your project, at least to a degree sufficient to immediately take it out for a test drive.

    为了改善您第一次使用Heatmaps的体验,我们终于将其推到Unity Asset Store 。 当然,您仍然可以从Bitbucket存储库下载安装程序。 双击安装程序和BOOM! 您的项目中有热图,至少在一定程度上足以立即将其取出进行测试。

    With Heatmaps installed, you’ll see not one, but two new Inspectors under Windows > Unity Analytics: Heatmapper and Raw Data.

    安装Heatmaps后 ,您将在Windows> Unity Analytics下看不到一个,而是两个新的Inspector: HeatmapperRaw Data。

    image04

    Let’s start with Raw Data.

    让我们从原始数据开始。

    原始数据–接近实时 (Raw Data – at near real-time speed)

    Hiding under Heatmaps from the beginning has been a secret-not-so-secret service called “raw data”. All this means is that we store each event as it arrives at the Unity Analytics server, then make it available for you to retrieve. Heatmaps fetches that raw data and aggregates it inside Unity to display your results.

    从一开始就隐藏在Heatmaps下的是一种秘密而非秘密的服务,称为“原始数据”。 这意味着我们将每个事件存储到Unity Analytics服务器中,然后将其提供给您检索。 热图会获取原始数据并将其汇总到Unity内部以显示结果。

    The official version of raw data has just been released and here’s the headline: it operates at near-real-time speed. How ‘near’? Let’s call it in the range of seconds to minutes. We think this a vast improvement over the previous system that forced you to wait hours before you could get a glance at your data.

    原始数据的正式版本刚刚发布,这是标题:它以接近实时的速度运行。 怎么样? 我们称它为秒到分钟。 我们认为,与以前的系统相比,这是一个巨大的改进,迫使您等待数小时才能浏览数据。

    All users with Pro licenses get access to raw data…which means Heatmaps will shift into the ranks of a Pro Analytics tool (though all existing projects will be grandfathered into the Pro tier).

    所有具有Pro许可证的用户都可以访问原始数据…这意味着热图将进入Pro Analytics工具的行列(尽管所有现有项目都将进入Pro层)。

    image05

    We’ve given Raw Data its own Inspector. By doing this we’re signaling an essential and important idea:

    我们已经为Raw Data提供了自己的Inspector。 通过这样做,我们正在传达一个重要而重要的想法:

    Raw Data is separate from Heatmaps.

    原始数据与热图是分开的

    While we use raw data to populate heatmaps, Heatmaps are just one of innumerable potential applications of raw data. So put on your thinking caps, and ponder this question: how else could you leverage raw data by displaying it inside Unity? Let us know in the comments below, or better yet: build it and share!

    尽管我们使用原始数据来填充热图,但热图只是原始数据无数潜在的应用之一。 因此,请放下思考的界限,并思考这个问题: 通过在Unity中显示原始数据,您还能如何利用原始数据? 在下面的评论中让我们知道,或者更好的是:构建并分享!

    使用测试数据了解Heatmapper的工作方式 (Use Test Data to learn how the Heatmapper works)

    image07

    The new Raw Data Inspector fetches raw data. But it can also generate test data that stays right on your computer. Again, this is part of improving the first time user experience. It’s now possible to create lots of data in order to see how the Heatmapper (or any other raw data tool) works. None of this data ever leaves your local drive…it just sits there, ready for you to consume it.

    新的原始数据检查器将获取原始数据。 但是它也可以生成保留在您计算机上的测试数据。 同样,这是改善首次用户体验的一部分。 现在可以创建大量数据,以了解Heatmapper(或任何其他原始数据工具)的工作方式。 这些数据都不会离开本地驱动器……它只是坐在那里,可供您使用。

    What can you generate? Here’s a list:

    你能产生什么? 以下是清单:

    • Random heatmap events

      随机热图事件

    • “Demo” heatmap events that help explain Heatmap features/scenarios

      “演示”热图事件可帮助解释热图的功能/场景

    • Freeform (non-Heatmap) data so you can experiment with ideas of your own

      自由格式(非热图)数据,因此您可以尝试自己的想法

    With the data generation feature, you can instantly create thousands of points, load them into the Heatmapper, and understand the many capabilities that Heatmaps provides.

    使用数据生成功能,您可以立即创建数千个点,将它们加载到Heatmapper中,并了解Heatmaps提供的许多功能。

    Heatmapper本身–出色的可用性 (The Heatmapper itself – superior usability)

    image06

    The other Inspector is, of course, the Heatmapper. Our update brings no less than a dozen improvements to this tool. All of these improvements focus around superior usability.

    当然,另一个检查员是Heatmapper。 我们的更新为该工具带来了不少于十二种改进。 所有这些改进都围绕着卓越的可用性。

    Custom data location Your raw data is still stored in Application.persistentDataPath by default, but you can now choose any arbitrary location. This is especially helpful when playing with test data.

    自定义数据位置默认情况下,原始数据仍存储在Application.persistentDataPath ,但是您现在可以选择任意位置。 在处理测试数据时,这特别有用。

    Remap color to visualize areas of importance

    重新映射颜色以可视化重要区域

    Color in a Heatmap usually refers to density. That is, if an event happens a lot in one x/y/z location, we make that location appear “hotter” than a physical location where it happened less frequently. This is still the default behavior, but you can now specify any parameter to override density.

    热图中的颜色通常是指密度。 也就是说,如果某个事件在一个x / y / z位置上发生的次数很多,那么我们使该位置看起来比发生频率较低的物理位置“更热”。 这仍然是默认行为,但是您现在可以指定任何参数来覆盖密度。

    Why would you do this? Imagine you suspect that the FPS in your game is low in places. Send Heatmap events with fps as a parameter. When you build your Heatmap, you can now choose to remap color to the fps parameter and further select a calculation to perform on that parameter. By doing so, you can see “hot” colors where FPS is low, helping you isolate where these slowdowns occur.

    你为什么要这样做? 想象一下,您怀疑游戏中的FPS偏低。 使用fps作为参数发送Heatmap事件。 现在,在构建Heatmap时,您可以选择将颜色重新映射到fps参数,并进一步选择要对该参数执行的计算。 这样,您可以在FPS较低的地方看到“热”颜色,从而帮助您隔离出现这些减速的位置。

    image00

    Remap operations to dig deeper

    重新映射操作以更深入地研究

    In addition to simply being able to remap color to a parameter, you might want to operate on the result of that parameter. Take the prior case of mapping FPS. You’re probably most interested in seeing the lowest recorded values (or something on a lower end of the spectrum), to find any places where there are failures. If you’re looking at hit points remaining, the mean or median value might be more your thing. Maybe you want to see the first point, or the last. We’ve got you covered for each of these cases by allowing you to perform operations on points that occur in the same space. Here’s the complete list of supported operations:

    除了可以简单地将颜色重新映射到参数外,您可能还需要对该参数的结果进行操作。 以映射FPS的先前情况为例。 您可能最想看到记录的最低值(或频谱较低端的某个值),以查找发生故障的任何位置。 如果您正在查看剩余的命中点,那么平均值或中位数可能更适合您。 也许您想看到第一点或最后一点。 通过允许您对在同一空间中发生的点执行操作,我们为您解决了每种情况。 以下是受支持的操作的完整列表:

    • Display earliest point

      显示最早点

    • Display latest point

      显示最新点

    • Display highest value

      显示最高价值

    • Display lowest value

      显示最低值

    • Incremental (adds 1 for each instance)

      增量(每个实例加1)

    • Additive (adds all values together)

      加法器(将所有值相加)

    • Average

      平均

    • Percentile (0-100, Median = 50)

      百分位数(0-100,中位数= 50)

    Separate to distill groups of data

    分离提取数据组

    This is actually several features that all do variations of the same trick (so credit me if you’re keeping score): separate your results into distinct groups. Want to break apart Heatmaps by level? We can do that. See an individual play of the game? Sure! Separate your iOS users from Android? No problem. Each list appears separately under options, allowing you to break apart your Heatmap data in various useful ways. Here’s the complete list of ways you can separate your data:

    实际上,这是几个功能都相同的变种(如果您保持得分,可以相信我):将结果分成不同的组。 要按级别分解热图吗? 我们能做到这一点。 看到个人游戏了吗? 当然! 将iOS用户与Android分开? 没问题。 每个列表分别显示在选项下,使您可以通过各种有用的方式分解热图数据。 以下是您可以分离数据的方式的完整列表:

    • By user (unique device)

      按用户(唯一设备)

    • By unique play session (roughly equivalent to individual plays)

      通过唯一的播放会话(大致相当于单个播放)

    • By platform

      按平台

    • Separate debug builds from non-debug

      调试版本与非调试版本分开

    • By one or more arbitrary fields (such as ‘level’)

      通过一个或多个任意字段(例如“级别”)

    image01

    Render real gradients for optimal customization

    渲染真实渐变以获得最佳定制

    The original Heatmapper used three color swatches to represeAnt low/medium/high color densities. No one liked that. We now use a true gradient to display your map.

    最初的Heatmapper使用三个颜色样本来表示低/中/高颜色密度。 没有人喜欢。 现在,我们使用真实的渐变来显示您的地图。

    image03

    And you can save gradients you want to have available for later.

    而且,您可以保存所需的渐变以供以后使用。

    Mask data to zero in on what matters

    将数据屏蔽为零

    Nothing but a handy way to trim your data by location. When you have a lot of points in 3D, it can be nice to hide some of it.

    只是一种方便的方法来按位置修剪数据。 当您在3D中有很多点时,最好隐藏其中的一些点。

    image08

    Point-to-point rendering for enhanced spatial context

    点对点渲染可增强空间环境

    There are times when understanding more than one point can be helpful. Consider an event in a first-person shooter called “LookAt”. You want to know not just where the player was when she looked at something, but what she looked at. A change to the HeatmapEvent now allows you to send two positions, not just one. And you can use point-to-point rendering to display the two points and their relative orientation.

    有时候,理解不止一点是有帮助的。 考虑一个称为“ LookAt”的第一人称射击游戏。 您不仅要知道玩家注视某物的位置,还想知道她注视的内容。 现在,更改HeatmapEvent可以发送两个位置,而不仅仅是一个。 您可以使用点对点渲染来显示两个点及其相对方向。

    image10

    Hot tips tell you what’s behind the data

    热门提示告诉您数据背后的原因

    Sometimes you look at an individual point and you really want to know exactly what that point means. It’s kinda red, and is approximately near some point in your game, but what is it exactly? Hot tips is a tooltip-style addition that lets you mouse over any point and know the precise data that created it.

    有时您只看一个单独的点,而您确实想确切地知道那个点的含义。 它有点红色,大约在游戏中的某个点,但是到底是什么呢? 热门提示是一种工具提示风格的添加,使您可以将鼠标悬停在任何点上并了解创建它的精确数据。

    image02

    您今天要映射什么? (What will you map today?)

    We’ve given you what we hope is a powerful upgrade to your analytics tool belt. Let us know what you think. Let us know how you use it. We’re always hoping to build the tools that serve you best, so don’t be shy. Tell us what you need next.

    我们已经为您提供了我们希望对您的分析工具带进行强大升级的工具。 让我们知道您的想法。 让我们知道您如何使用它。 我们一直希望构建最能为您服务的工具,所以请不要害羞。 告诉我们您接下来需要什么。

    翻译自: https://blogs.unity3d.com/2016/06/29/stoking-the-fire-heatmaps-rekindled/

    r语言画火相关性热图

    展开全文
  • R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战 目录 R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战 #安装ggcorrplot包 #导入数据并计算相关性系数 # 计算相关性的P...

    R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战

    目录

    R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战

    展开全文
  • 在我的上一篇的内容中(R语言绘制热图实践(一)pheatmap包 ),我以绘制相关系数图为出发点,介绍了使用pheatmap包画相关系数图和热图的一些使用。 为了对比,这篇将介绍使用R包corrplot进行相关系数图的一些实践...

    前言

    在我的上一篇的内容中(R语言绘制热图实践(一)pheatmap包 ),我以绘制相关系数图为出发点,介绍了使用pheatmap包画相关系数图和热图的一些使用。
    为了对比,这篇将介绍使用R包corrplot进行相关系数图的一些实践以及corrplot包的一些使用。

    corrplot包简介

    官方文档
    The corrplot package is a graphical display of a correlation matrix, confidence interval. It also contains some algorithms to do matrix reordering. In addition, corrplot is good at details, including choosing color, text labels, color labels, layout, etc.
     
    简单地说,corrplot包主要针对相关系数输出的结果进行可视化,可以实现选择颜色,文本标签,颜色标签,布局等的操作。

    语法和常用参数介绍

    函数语法

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

    参数介绍

    这部分的内容参考了参考资料中的第一篇。

    corr:需要可视化的相关系数矩阵

    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:指定展示的方式,可以是完全的、下三角或上三角(“full”,“upper"和"lower”)

    col:指定图形展示的颜色,默认以均匀的颜色展示

    bg:指定图的背景色

    title:为图形添加标题

    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:是否展示对角线上的结果,默认为TRUE

    outline:是否绘制圆形、方形或椭圆形的轮廓,默认为FALSE

    mar:具体设置图形的四边间距

    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: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: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: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: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: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,d表示对角线,n表示不添加文本标签

    tl.cex:指定文本标签的大小

    tl.col:指定文本标签的颜色

    cl.pos:图例(颜色)位置,当type=upper或full时,图例在右表®,当type=lower时,图例在底部,不需要图例时,只需指定该参数为n

    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:指定阴影的线宽

    shade.col:指定阴影线的颜色

    实践

    实践数据还是使用上一篇中画相关系数的数据。
    (1)准备数据集
    首先还是加载数据集:all_data
    all_data为数据框格式,共包含9696996行,5列(5个样本),如下图所示。
    在这里插入图片描述
    为每列指定列名

    colnames(all_data) <- c( 's1', 's2','s3 ', 's4','s5') 
    

    (2)计算样本间的相关系数

    matrix <- cor (all_data[1:5])
    

    这里我想补充一下cor()函数的用法(这里主要参考了第二篇参考资料)。在R语言中,通常使用cor函数进行相关系数分析,可以分别指定向量,也可以指定给cor函数一个数据框。
    基本语法

    cor(x,y=NULL,use="everything",method= c("pearson","kendall","spearman"))
    

    use 用来指定处理缺失值的方式,可以为"everything", “all.obs”, “complete.obs”, “na.or.complete”, 或者 “pairwise.complete.obs”.
    method 是可选的三种相关系数计算方法,默认情况下使用的是pearson相关系数

    这三种计算相关系数简介:
    pearson相关系数:即皮尔逊相关系数,用于横向两个连续性随机变量间的相关系数。

    spearman相关系数:即斯皮尔曼相关系数,用于衡量分类定序变量间的相关程度。

    kendall相关系数:即肯德尔相关系数,也是一种秩相关系数,不过它所计算的对象是分类变量。

    (3)corrplot包对相关系数输出的结果进行可视化

    #直接画图,不设置其它参数
    corrplot(corr=matrix)
    

    在这里插入图片描述
    控制单元格形状和内容

    # 换用不同method,分别显示数字和颜色(method can be "circle", "square", "ellipse", "number", "shade", "color", "pie")
    # method 默认为“circle”
    corrplot(M, method = "number") 
    corrplot(matrix, method = "color")  
    

    在这里插入图片描述
    在这里插入图片描述
    控制单元格展示的方式以及混合展示

    #指定展示的方式,可以是完全的、下三角或上三角
    corrplot(matrix, type = "upper")
    

    在这里插入图片描述

    # corrplot.mixed()可以混合可视化样式
    #默认上三角为circle,下三角为number,可以修改
    corrplot.mixed(matrix)  
    corrplot.mixed(matrix, lower = "ellipse", upper = "pie")
    

    在这里插入图片描述

    在这里插入图片描述

    corrplot.mixed(matrix, lower = "number", upper = "pie", tl.col = "black",lower.col = "black", number.cex = 1)  
    #tl.col 修改对角线的颜色,lower.col 修改下三角的颜色,number.cex修改下三角字体大小
    

    在这里插入图片描述

    指定order方式

    #指定order按hclust聚类方式排序,addrect是添加分组矩形,可自定义分组类
    corrplot(matrix,order = "hclust",addrect  = 3)
    

    在这里插入图片描述

    #当order = "hclust"时,可使用hclust.method选择层次聚类的方法
    #hclust.method可以为“complete”, “ward”, “single”, “average”, “mcquitty”, “median”, “centroid”
    corrplot(matrix,order = "hclust",addrect  = 3,hclust.method="ward.D2")
    

    在这里插入图片描述

    图例标签控制

    #图例标签控制
    corrplot(matrix, method="number",order = "AOE", cl.pos = "n", tl.pos = "n") 
    #控制对角标签旋转45度
    corrplot(matrix, type = "lower", order = "hclust", tl.col = "black", tl.srt = 45)
    #修改图例范围
    corrplot(matrix,order = "AOE", cl.lim = c(0, 1))
    

    在这里插入图片描述
    在这里插入图片描述

    在这里插入图片描述

    #改变单元格颜色以及背景颜色bg
    col3 <- colorRampPalette(c("red", "white", "blue"))
    corrplot(matrix, order = "hclust", addrect = 3, col = col3(100), bg = "lightblue")
    

    在这里插入图片描述

    summary

    总结一下,corrplot包使用起来非常简单,也有很多参数可以画出各种花哨的图……甚至可以做显著性检验(我的数据结果都很好,也很少,就没有做)和月亮的阴晴圆缺(具体参见参考资料3和官方文档)。
    但是,最大的缺点: 没办法同时作层次聚类的树图,考虑到这点,我还是喜欢pheatmap多一点,虽然它不是专门画相关系数的图。
    最后,用这个包画一个生物相关论文中常见的相关系数图:

    corrplot(corr=matrix,method = "color",order = "hclust",tl.col="black",addrect=4,addCoef.col = "grey")
    

    在这里插入图片描述
     

    参考资料

    R语言相关系数可视化之corrplot包
    左手用R右手Python系列11——相关性分析
    R画月亮阴晴圆缺:corrplot绘图相关系数矩阵

    展开全文
  • 本流程是进行不同土壤环境因子相关性分析并绘制热图,流程开始按下图整理环境因子数据,行为样品名称,列为环境因子名称和分组信息,共有11个环境变量,3个分组信息。 图1|环境因子及分组信息表,env.csv。 2 ...
  • 目前,单一组学的文章不断“贬值”,前沿研究的目光从单一组学逐步拓展至多组学对贯穿分析,即结合多个组学的分析角度,从多个层面阐述生物学机制。微生物多组学贯穿分析策略十分丰富:如常见的16s与宏基因组贯穿...
  • R语言特征值相关性分析

    千次阅读 2019-10-16 09:24:45
    大到几个转录组样本的整体相关性分析,小到挑选了一些候选基因看它们在不同样本中的表达模式相关性。当我们做完了相关性分析的时候,常常会用下面这种图形来展示: 那么问题来了,有没有别的方法,可以让我的...
  • R语言 热图 相关系数热图

    千次阅读 2018-12-04 11:50:48
    如果只是画热图的画,可以用stats中的heatmap或者qplots中的heatmap.2 如果想要用画单一维度变量的相关系数热图可以用 library(corrplot) corrplot(cor(ST917)) #相关系数热图 corrplot(ST917,is.corr = FALSE) #...
  • R——相关关系热图

    万次阅读 2019-07-26 22:25:39
    本文介绍了如何画两组变量(特征)的相关关系热图。 准备数据 两组变量的数据可以像下面这样处理,分别保存在两个csv文件中。 > # 导入数据及数据预处理 > setwd("D:/weixin/") > rows <- read.csv(...
  • 写在前面本文章旨在给出一个简便易用的环境因子与主要物种丰度的相关性分析及结果展示方式,适用于环境因子和主要物种相对较少的情况。如果样本数目过多、微生物群落十分复杂,建议使用网络分析评估特定环境因子与...
  • 我们时常会对样本或基因之间的相关性进行分析,虽然R语言中的cor函数可以进行计算,但并没有提供合适的可视化方法,今天我们介绍一个R包-ggcorr(https://briatte.github.io/ggcorr/),可以对数据的相关性分析进行...
  • R语言绘制热图实践(一)pheatmap包

    万次阅读 多人点赞 2019-01-07 21:24:01
    R语言绘制热图实践 (一)pheatmap前言pheatmap包pheatmap简介常用参数介绍使用安装绘制样本间相关系数图(简单使用)差异表达基因热图(进阶使用)pheatmap总结corrplot包参考资料 前言 在生信分析中,我们常常需要...
  • 相关性分析是通过计算两种因子之间的相关性(Spearman、Pearson、Kendall’s Tau系数等),将获得的数值矩阵通过热图直观展示。通过颜色变化反映二维矩阵或表格中的数据信息,颜色深浅表示数据值的大小,它可以直观...
  • 相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。有时候多组数据需要分析其关联性(是否有正向/...
  • 本文主要通过生信人-SangerBox;EXCEL(2010版以上)和AI三个软件进行绘制Heatmap相关性热图。 ... ...相关性分析批量计算: 准备数据及表格规范化:横表头为样品编号,纵坐标为环境因子。注意两个...
  • 使用R语言计算、分析多元数据的数据特征、相关分析以及图形的表示。
  • 本流程还是使用R统计绘图-环境因子相关性热图中的不同土壤环境因子数据进行相关性分析、绘制热图并进行图细节更改。流程开始按下图整理环境因子数据,行为样品名称,列为环境因子名称和分组信息,共有11个环境变量,...
  • 本流程还是使用R统计绘图-环境因子相关性热图中的不同土壤环境因子数据进行相关性分析、绘制热图并进行图细节更改。流程开始按下图整理环境因子数据,行为样品名称,列为环境因子名称和分组信息,共有11个环境变量,...
  • 1. 数据格式:矩阵 包括行号和列号 2. 热点图+聚类 # 热点图 heatmap(Amat) 3. 纵向聚类图1 # 横向聚类1 library(amap) ...plot(clu,sub="",hang = -1,xlab = NA,ylab = NA,main = NA) ...pltree
  • 最近,需要对一组数据进行相关性分析,之前用R语言画过热图,但感觉还是不够直观。作为一个小白,干什么都不太成体系,所以就直接搜,搜现成的。于是,找到了这个:相关性分析 | R语言 -- 相关性矩阵及可视化...
  • R语言学习笔记之热图绘制

    万次阅读 多人点赞 2018-07-11 11:30:00
    作者简介taoyan:R语言中文社区特约作家,伪码农,R语言爱好者,爱开源。个人博客: https://ytlogos.github.io/简介本文将绘制静态与交互式热图...
  • 冗余分析(redundancy analysis, RDA)或者典范对应分析(canonical correspondence analysis, CCA)是基于对应分析(correspondence analysis, CA)发展而来的一种排序方法,将对应分析与多元回归分析相结合,每...
  • 一般来讲研究对象(样品或处理组)之间使用距离分析,而元素(物种或环境因子)之间进行相关性分析。两个变量之间的相关性可以用简单相关系数(例如皮尔森相关系数等)进行表示,相关系数越接近1,两个元素相关性越大,...
  • 生物信息学习的正确姿势NGS系列文章包括NGS基础、高颜值在线绘图和分析、转录组分析(Nature重磅综述|关于RNA-seq你想知道的全在这)、ChIP-seq分析(ChIP-se...
  • chart.Correlation绘制相关性热图

    千次阅读 2020-04-08 20:36:06
    可以同时显示相关性和显著性的热图 我们最终绘制的是如下图所示 首先配置的文件如下所示 行为样本名,列为基因名的一个表达谱 读取文件 data = read.table("cor.txt",header=T,sep="\t") data1<-data[,-1] #...
  • 数据 导入Rstudio dx <- read.csv("dx.csv",header = T,row.names = 1) gene <- read.csv("gene.csv",header = T,...就某个基因与代谢物进行相关性分析 cor(dx1[(row.names='4-Pentenoic acid'),],gene1[(row.n
  • R语言也是目前常用的数据分析编程语言之一,目前经过使用者、科学家们的开发,其功能也比较强大。本文就使用R语言中的corrplot来绘制相关系数矩阵热图进行介绍。下面以波士顿Boston的房价数据为例,这个数据是数据...
  • 相关系数分析在很多领域都有涉及,而可视化则是对其结果最好的体现。
  • 图形解读的一般原则:从图的基本构造入手,拆解图的横轴代表什么、纵轴代表什么、几何对象如点、线、柱代表什么和对象的属性如颜色大小代表什么,理解了各个部分,再整体解读图中的差异。热图是一种很...
  • 可以使用环状图形展示基因数据...可以通过R来实现环形热图。 首先,让我们生成一个随机矩阵,并将其随机分成五组。 mat1 = rbind(cbind(matrix(rnorm(50*5, mean = 1), nr = 50), matrix(rnorm(50*5, mean..

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 400
精华内容 160
关键字:

r语言相关性分析热图