当前位置：极客教程 > R语言 > R语言 教程 > R语言 使用correlogram可视化相关矩阵

R语言 使用correlogram可视化相关矩阵

R语言 使用correlogram可视化相关矩阵

相关矩阵的图表被称为 ” 相关图”。 这通常用于突出数据集或数据表中相关度最高的变量。图中的相关系数是根据数值来着色的。根据各变量之间的关联程度，我们可以对相关矩阵进行相应的重新排序。

R语言中的相关图

在R中，我们将使用 “corrplot “包来 实现相关图。因此，为了从R控制台中安装该包，我们应该执行以下命令。

install.packages("corrplot")
R

一旦我们正确地安装了该软件包，我们将使用 library() 函数在我们的R脚本中加载该软件包，如下所示。

library("corrplot")
R

我们现在将看到如何在R编程中实现相关图。我们将通过一个例子来详细解释如何一步一步地实现。

例子

第1步：[相关分析的数据]：第一项工作是选择一个合适的数据集来实现这个概念。在我们的例子中，我们将使用 “mtcars “数据集，它是R的一个内置数据集，我们将看到这个数据集中的一些数据。

# Correlogram in R
# including the required packages
library(corrplot)
  
head(mtcars)
R

输出

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
R

第2步：[计算相关矩阵]： 我们现在将计算一个相关矩阵，我们想为其绘制相关图。我们将使用 cor() 函数来计算一个相关矩阵。

# Correlogram in R
# required packages
library(corrplot)
  
head(mtcars)
#correlation matrix
M<-cor(mtcars)
head(round(M,2))
R

输出

head(round(M,2))
       mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb
mpg   1.00 -0.85 -0.85 -0.78  0.68 -0.87  0.42  0.66  0.60  0.48 -0.55
cyl  -0.85  1.00  0.90  0.83 -0.70  0.78 -0.59 -0.81 -0.52 -0.49  0.53
disp -0.85  0.90  1.00  0.79 -0.71  0.89 -0.43 -0.71 -0.59 -0.56  0.39
hp   -0.78  0.83  0.79  1.00 -0.45  0.66 -0.71 -0.72 -0.24 -0.13  0.75
drat  0.68 -0.70 -0.71 -0.45  1.00 -0.71  0.09  0.44  0.71  0.70 -0.09
wt   -0.87  0.78  0.89  0.66 -0.71  1.00 -0.17 -0.55 -0.69 -0.58  0.43
R

第3步：[使用方法参数进行可视化]： 首先，我们将看到如何将相关图以不同的形状进行可视化，如圆形、饼形、椭圆，等等。我们将使用 corrplot() 函数并在其 方法参数 中提到形状 。

# Correlogram in R
# required packages
library(corrplot)
  
head(mtcars)
#correlation matrix
M<-cor(mtcars)
head(round(M,2))
  
#visualizing correlogram
#as circle
corrplot(M, method="circle")
# as pie
corrplot(M, method="pie")
# as colour
corrplot(M, method="color")
# as number
corrplot(M, method="number")
R

输出

在R编程中使用correlogram可视化相关矩阵

第4步：[使用类型参数进行可视化]： 我们将看到如何将不同类型的相关图可视化，如上三角矩阵和下三角矩阵。我们将使用 corrplot() 函数并提及 类型参数

# Correlogram in R
# required package
library(corrplot)
  
head(mtcars)
  
# correlation matrix
M<-cor(mtcars)
head(round(M,2))
  
# types
# upper triangular matrix
corrplot(M, type="upper")
  
# lower triangular matrix
corrplot(M, type="lower")
R

输出

在R编程中使用correlogram可视化相关矩阵

第5步：[重新排列相关图]： 我们将看到如何重新排列相关图。我们将使用 corrplot() 函数并提及 顺序参数 我们将使用 “hclust “排序来进行分层聚类。

# Correlogram in R
# required packages
library(corrplot)
  
head(mtcars)
  
# correlation matrix
M<-cor(mtcars)
head(round(M, 2))
  
# reordering
# correlogram with hclust reordering
corrplot(M, type = "upper", order = "hclust")
  
# Using different color spectrum
col<- colorRampPalette(c("red", "white", "blue"))(20)
corrplot(M, type="upper", order = "hclust", col = col)
  
# Change background color to lightblue
corrplot(M, type="upper", order="hclust", 
         col = c("black", "white"), 
         bg = "lightblue")
R

输出

在R编程中使用correlogram可视化相关矩阵

第6步：[改变相关图的颜色]：我们现在将看到如何改变相关图的颜色。为了这个目的，我们已经安装了 “RColorBrewer “包 ，并将其添加到我们的R脚本中以使用其调色板的颜色。

# Correlogram in R
# required package
library(corrplot)
library(RColorBrewer)
  
head(mtcars)
  
# correlation matrix
M<-cor(mtcars)
head(round(M, 2))
  
# changing colour of the correlogram
corrplot(M, type="upper", order = "hclust", 
         col=brewer.pal(n = 8, name = "RdBu"))
corrplot(M, type="upper", order = "hclust",
         col=brewer.pal(n = 8, name = "RdYlBu"))
corrplot(M, type="upper", order = "hclust",
         col=brewer.pal(n = 8, name = "PuOr"))
R

输出

在R编程中使用correlogram可视化相关矩阵

第7步：[改变文本标签的颜色和旋转]： 为此，我们将在 corrplot() 函数中加入 tl.col和tl.str 参数。

# Correlogram in R
# required packages
library(corrplot)
library(RColorBrewer)
  
head(mtcars)
  
# correlation matrix
M<-cor(mtcars)
head(round(M, 2))
  
# changing the colour and 
# rotation of the text labels
corrplot(M, type = "upper", order = "hclust",
         tl.col = "black", tl.srt = 45)
R

输出

在R编程中使用correlogram可视化相关矩阵

第8步：[计算相关性的P值]： 在我们向相关图添加显著性检验之前，我们将使用一个自定义的R函数计算相关性的 P值 ，如下所示。

# Correlogram in R
# required package
library(corrplot)
  
head(mtcars)
M<-cor(mtcars)
head(round(M,2))
  
# mat : is a matrix of data
# ... : further arguments to pass 
# to the native R cor.test function
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
}
  
# matrix of the p-value of the correlation
p.mat <- cor.mtest(mtcars)
head(p.mat[, 1:5])
R

输出

head(p.mat[, 1:5])
              mpg          cyl         disp           hp         drat
mpg  0.000000e+00 6.112687e-10 9.380327e-10 1.787835e-07 1.776240e-05
cyl  6.112687e-10 0.000000e+00 1.802838e-12 3.477861e-09 8.244636e-06
disp 9.380327e-10 1.802838e-12 0.000000e+00 7.142679e-08 5.282022e-06
hp   1.787835e-07 3.477861e-09 7.142679e-08 0.000000e+00 9.988772e-03
drat 1.776240e-05 8.244636e-06 5.282022e-06 9.988772e-03 0.000000e+00
wt   1.293959e-10 1.217567e-07 1.222320e-11 4.145827e-05 4.784260e-06
R

第9步：[添加显著性检验]： 我们需要在 corrplot() 函数中添加 sig.level和insig参数 。如果p值大于0.01，那么它就是一个不显著的值，对它来说，单元格要么是空白，要么是交叉。

# Correlogram in R
# required package
library(corrplot)
  
head(mtcars)
M<-cor(mtcars)
head(round(M, 2))
  
library(corrplot)
  
# mat : is a matrix of data
# ... : further arguments to pass 
# to the native R cor.test function
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
}
  
# matrix of the p-value of the correlation
p.mat <- cor.mtest(mtcars)
head(p.mat[, 1:5])
  
# Specialized the insignificant value
# according to the significant level
corrplot(M, type = "upper", order = "hclust", 
         p.mat = p.mat, sig.level = 0.01)
  
# Leave blank on no significant coefficient
corrplot(M, type = "upper", order = "hclust", 
         p.mat = p.mat, sig.level = 0.01, 
         insig = "blank")
R

输出

在R编程中使用correlogram可视化相关矩阵

第10步:[自定义相关图]： 我们可以使用 corrplot() 函数中所要求的参数自定义我们的相关图并调整它们的值。

# Correlogram in R
# required package
library(corrplot)
library(RColorBrewer)
  
head(mtcars)
M<-cor(mtcars)
head(round(M,2))
  
# customize the correlogram
library(corrplot)
col <- colorRampPalette(c("#BB4444", "#EE9988", 
                          "#FFFFFF", "#77AADD",
                          "#4477AA"))
  
corrplot(M, method = "color", col = col(200),  
         type = "upper", order = "hclust", 
         addCoef.col = "black", # Add coefficient of correlation
         tl.col="black", tl.srt = 45, # Text label color and rotation
           
         # Combine with significance
         p.mat = p.mat, sig.level = 0.01, insig = "blank", 
           
         # hide correlation coefficient
         # on the principal diagonal
         diag = FALSE 
)
R

输出

在R编程中使用correlogram可视化相关矩阵

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

R语言 精品教程

登录

找回密码？

注册