最近年中总结，我们学习一些基础知识

利用corrplot包中的corrplot()函数

corrplot介绍：

使用：

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”), 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”, …)

部分参数：

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
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(r)，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

虽然该函数的参数比较多，但可以组合各种参数，灵活实现各种各样的相关系数图。下面就举几个例子：

代码为：

install.packages("corrplot") 
library(corrplot) 
mf_cor<-cor(mtcars)  #计算相关系数矩阵 
col3 <- colorRampPalette(c("blue",  "white",  "red"))  ＃自定义指定梯度颜色 corrgram也可以指定  参见《R语言实战》第一版 P259
cor.plot <- corrplot(corr = mf_cor,col=col3(10),type="upper",tl.pos="d",tl.cex =  0.75)  #画右上方 方法默认“圆形“ 
cor.plot <- corrplot(corr = mf_cor,add=TRUE, type="lower",col=col3(10),method="color",addCoef.col="black",diag=FALSE,tl.pos="n", cl.pos="n",number.cex =  0.7)  #画左下方 方法 “颜色”

col=col3(10) #颜色为指定的梯度颜色 10个渐进梯度
type=”upper” #画右上方
tl.pos=”d” ＃指定文本标签(变量名称)的位置 画再对角线上
tl.cex = 0.75 ＃文本标签(变量名称)的大小，为默认的 0.75倍
number.cex = 0.7 ＃写在图中的相关系数文字的大小，为默认的0.7倍

corrplot_me

其他例子：（复制的别人部分文章，数据用的mtcars[,1:7]） 下面部分可忽略

corr <- cor(mtcars[,1:7])

#参数全部默认情况下的相关系数图

corrplot(corr = corr)

image

指定数值方法的相关系数图

corrplot(corr = corr, method=”number”, col=”black”, cl.pos=”n”)

image

按照特征向量角序(AOE)排序相关系数图

corrplot(corr = corr, order = ‘AOE’)

image.png

同时添加相关系数值

corrplot(corr = corr, order =”AOE”, addCoef.col=”grey”)

image

选择方法为color

corrplot(corr = corr, method = ‘color’, order =”AOE”, addCoef.col=”grey”)

image

我觉得这幅图比上面的圆形图要清爽很多

绘制圆形轮廓相关系数图

corrplot(corr = corr, col = wb, order=”AOE”, outline=TRUE, cl.pos=”n”)

image

这个图看起来非常像围棋

自定义背景色

corrplot(corr = corr, col = wb, bg=”gold2″,  order=”AOE”, cl.pos=”n”)

image

混合方法之上三角为圆形，下三角为数字

corrplot(corr = corr,order=”AOE”,type=”upper”,tl.pos=”d”)

corrplot(corr = corr,add=TRUE, type=”lower”, method=”number”,order=”AOE”,diag=FALSE,tl.pos=”n”, cl.pos=”n”)

image

这幅图将颜色、圆的大小和数值型相关系数相结合，更容易发现变量之间的相关性

混合方法之上三角为圆形，下三角为方形

corrplot(corr = corr,order=”AOE”,type=”upper”,tl.pos=”d”)

corrplot(corr = corr,add=TRUE, type=”lower”, method=”square”,order=”AOE”,diag=FALSE,tl.pos=”n”, cl.pos=”n”)

image

混合方法之上三角为圆形，下三角为黑色数字

corrplot(corr = corr,order=”AOE”,type=”upper”,tl.pos=”tp”)

corrplot(corr = corr,add=TRUE, type=”lower”, method=”number”,order=”AOE”, col=”black”,diag=FALSE,tl.pos=”n”, cl.pos=”n”)

image

个人更倾向于上图的展现形式，既清爽又能很好的反映变量间的相关系数。

以层次聚类法排序

corrplot(corr = corr, order=”hclust”)

image

以层次聚类法排序，并绘制3个矩形框

corrplot(corr = corr, order=”hclust”, addrect = 3, rect.col = “black”)

image

另一部分例子：（不是用的mtcar数据，但代码和解释都可互用）

corrplot(M,method=”number”,col=”black”)

仅计算相关系数的数值，不添加颜色信息

image

相关系数图

col1<-colorRampPalette

(c(“#7F0000″,”red”,”#FF7F00″,”yellow”,”white”,”cyan”,”#007FFF”,”blue”,”#00007F”))

#设定基础颜色（具体符合意思在参考资料）

corrplot(M,method=”color”,col=col1(20),cl.length=21,order=”AOE”,

add.Coef.col=”grey”)

# method可以有7种，circle(圆)、sequare(正方形)、ellipse(椭圆)、number(数字)、shade(阴影)、color(颜色)、pie(扇形) ，col=col(20)表示不同颜色的差别量，数字越大越容易区别不同相关性数值之间的差别，cl.length=21表示图例上标尺的密度为21， order=”AOE”按照特征向量的夹角顺序排列（AOE:angular order of the eigenvectors，具体内容超出本文范围，不在讨论之列，add.Coef.col=”grey”表示图上相关性数字的颜色为灰色）

coll_corrplot

col1的结果

corrplot(M,method=”color”,col=col1(20),cl.length=21,order=”AOE”,

addCoef.col=”grey”,cl.pos=”n”)  #cl.pos=”n”表示没有颜色标签

image

corrplot(M,method=”color”,col=col1(20),cl.length=21,order=”AOE”，

addCoef.col=”grey”,cl.pos=”n”,tl.pos=”n”)  #tl.pos=”n” 表示没有文本标签

image

col2<-colorRampPalette(c(“#67001F”,”#B2182B”, “#D6604D”, “#F4A582”, “#FDDBC7”, “#FFFFFF”, “#D1E5F0”, “#92C5DE”, “#4393C3”, “#2166AC”, “#053061″))

corrplot(M,method=”color”,col=col2(20),cl.length=21,order=”AOE”,

addCoef.col=”grey”)

image

col3 <- colorRampPalette(c(“red”, “white”, “blue”))

corrplot(M,method=”color”,col=col3(20),cl.length=21,order=”AOE”,

addCoef.col=”grey”)

image

col4 <- colorRampPalette(c(“#7F0000″,”red”,”#FF7F00″,”yellow”,”#7FFF7F”, “cyan”, “#007FFF”, “blue”,”#00007F”))

corrplot(M,method=”color”,col=col4(21),cl.length=31,order=”AOE”,

addCoef.col=”grey”)

image

基础知识，多多学习