本文章是网友果子的一篇文章的基础上整理出来的。https://www.iikx.com/news/statistics/6104.html
看了那篇文章后，发现原文中的例子不够详细，没有一定基础很难重现，这里重新整理一下。
#########################################################
如何对多个基因进行快速、方便的相关性分析，同时高效地呈现分析结果呢?
作者果子自己实现过下面的效果图。
感觉之前做的过程比较麻烦，推荐一个新的R包-corrr ，可以较为方便的实现这一功能。
R插件corrr中的主函数correlate()可以快速实现从A到B的转换。另外该包还有rplot()可以画热图，network_plot()可以画网络图。
corrr包除了主函数correlate()外，还有其余7个函数。
（1）shave函数可以将矩阵中的上三角或者下三角区域设为NA
（2）rearrange函数对矩阵中的数据进行排序
（3）focus函数，类似于select函数，可以用来筛选想要查看的某行某列数据。后面会有具体的操作
x2是一个矩阵，-cyl与-vs: 是指要对表头cyl和vs的这行-列数据开始操作，大家注意看这里用的参数是mirror=TRUE。下图还有一个参数mirror=FALSE的，看看两者的区别，体会一下参数的用法。
（4）stretch函数可以实现数据从宽变长
（5）fashion可以简洁化展示数据，去掉NA。
（6）rplot()主要用于画热力学图
（7）network_plot()可以画网络图
原文中用了管道流：%>%。在使用代码过程中，发现了提示信息，这个红红的信息，让初学者肯定怀疑这个过程有问题？结果是否正确呢？每个函数到底该咋用呢？下面来，咱一步一步往前走。
这里的管道流"％>％"来自dplyr包的管道函数，其效果是将%>%左边的对象传递给右边的函数，作为第一个选项的设置。如 x<-datasets::mtcarts %>% correlate()。意思是先将数据集datasets::mtcarts赋值给x，然后再将x传递给correlate()，即correlate(x)。
其中的
#####对上面一步成的代码开始分解工作#####
先安装corrr
>options("repos"=c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
>install.packages("corrr")
>library(corrr)
>library(dplyr)
等效于下面的代码
为啥我用了x1到x6？这样可以保留中间的处理过程与处理结果，为了方便查看命令的执行结果。方便咱们弄懂弄通做实。
一步一步执行后，发现出现提示信息的地方是第2步。其余代码执行正常。具体原因我也没闹明白，欢迎弄明白的朋友留言。
然后一一查看代码执行结果
x2变成了(mpg,cyl,disp等参数)相关性矩阵
x3是对x2矩阵中的数据进行了选择，去除了cyl和vs的数据。
x4是对x3的矩阵数据进行了排序。
x5是将x4中上三角的数据变成了NA
x6是将x5中的NA去除了，并对数据进行了简化。画热力图时用x5可以画出，但用x6画不出来。
虽然用x5画热力图出现了提示信息，但还可以画出热力图。
网友评论