R_r_相关性_相关性分析__皮尔森相关系数热图资源-CSDN文库

共4个文件

txt：3个

docx：1个

版权申诉

5星 · 超过95%的资源 114 浏览量 2021-09-28 21:13:55 上传评论 2 收藏 64KB RAR 举报

在数据分析和统计建模中，相关性分析是一个关键步骤，用于探索变量之间的关系强度和方向。R语言作为一款强大的统计和图形编程环境，为进行相关性分析提供了丰富的工具和库。本教程将深入探讨如何使用R进行相关性分析，包括数据的读取以及相关的分析方法。我们要了解R中的数据读取。在R中，我们通常使用`read.table()`或`read.csv()`函数来导入结构化的数据，如CSV或文本文件。例如，如果你有一个名为"data.csv"的文件，你可以用以下代码读取它： ```R data <- read.csv("data.csv") ``` 数据导入后，我们可以使用`cor()`函数来进行相关性分析。`cor()`函数计算变量之间的皮尔逊相关系数，这是衡量两个连续变量线性关系强度和方向的标准度量。例如，如果你的数据框是`data`，且你想分析`var1`和`var2`之间的相关性，你可以这样操作： ```R correlation <- cor(data$var1, data$var2) ``` 皮尔逊相关系数范围在-1到1之间，正值表示正相关（一个变量增加时，另一个也增加），负值表示负相关（一个变量增加时，另一个减少），0表示无线性相关。然而，相关性分析不仅仅限于皮尔逊相关系数。R还提供了其他类型的关联度量，如斯皮尔曼等级相关（`cor.test()`函数的`method = "spearman"`）和肯德尔秩相关（`method = "kendall"`）。这些非参数方法对于不满足正态分布或线性关系的变量特别有用。相关性分析的结果可以可视化，R中的`ggplot2`库提供了强大的图表功能。例如，你可以创建一个热力图来展示整个数据框中所有变量的相关性： ```R library(ggplot2) cor_matrix <- cor(data) ggplot(data = melt(cor_matrix), aes(x = Var1, y = Var2, fill = value)) + geom_tile() + scale_fill_gradient2(low = "blue", mid = "white", high = "red", midpoint = 0) + theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1)) ``` 此外，还可以使用`corrplot`库创建更专业的相关性矩阵可视化： ```R install.packages("corrplot") library(corrplot) corrplot(cor(data), method = "circle") ``` 除了基础的相关性分析，R还可以进行更高级的分析，比如偏相关分析（`pcor()`函数）和部分相关分析，以消除其他变量的影响。另外，`ggally`库提供了一种便捷的方式进行双变量散点图矩阵和相关性分析。总结来说，R语言为相关性分析提供了全面且灵活的工具。从简单的皮尔逊相关系数计算到复杂的可视化和高级分析，R都能满足需求。通过熟练掌握这些技能，数据分析师和研究人员可以更好地理解和解释变量之间的关系，为决策提供有力支持。

资源推荐

资源详情

资源评论

收起资源包目录

R.rar （4个子文件）

新建文本文档.txt 3KB

相关分析_R.txt 589B

##数据读取： mydata<-read.csv(file.choose()) ##读取数据 mydata<-read.csv(file.choose()) ##进行相关性分析 cor_matr=cor(mydata) ##查看结果 cor_matr ##相关系数的显著性水平,使用Hmisc 包，不仅可以计算相关性矩阵，还可以计算对应的显著性水平 install.packages("Hmisc",lib="D:/R") ##调用Hmisc package library("Hmisc") rcorr(as.matrix(mydata)) ##安装corrplot package install.packages("corrplot") ##调用corrplotpackage\ library("corrplot") corrplot.mixed(cor_matr) mydata<-read.csv(file.choose()) cor_matr=cor(mydata) ##查看结果 install.packages("Hmisc",lib="D:/R") library("Hmisc") library("lattice") library("survival") library("Formula") library("ggplot2") rcorr(as.matrix(mydata)) install.packages("corrplot") library("corrplot") corrplot.mixed(cor_matr) ##图例在下边和字体为灰色的设置 corrplot(cor_matr, method = "color",addCoef.col = "gray30", addCoefasPercent = TRUE, cl.pos = "b", diag = TRUE, mar = c(1,1,1,1)) ##变量颜色为黑色和变量大小的设置 corrplot(cor_matr, method = "ellipse", order= "AOE", addCoef.col = "gray20", addCoefasPercent = TRUE, cl.pos = "r", tl.pos = "lt",tl.cex = 0.1, tl.col = "blue", title = "蓝色变量文本", diag = TRUE, mar = c(1,1,1,1)) ##增加显著性水平标记 corrplot(cor_matr, method= "circle", col= palette_2, p.mat= res1$p,sig.level= 0.01, title= "增加显著性标记", mar= c(1,1,1,1)) ##右上面圆圈左下面数据 corrplot(M, order = "AOE", type = "upper", tl.pos = "tp") corrplot(M, add = TRUE, type = "lower", method = "number", order = "AOE", col = "black", diag = FALSE, tl.pos = "n", cl.pos = "n") ##读取数据 mydata<-read.csv(file.choose()) ##进行相关性分析 cor_matr=cor(mydata) ##查看结果 cor_matr ##相关系数的显著性水平,使用Hmisc 包，不仅可以计算相关性矩阵，还可以计算对应的显著性水平 install.packages("Hmisc",lib="D:/R") ##调用Hmisc package library("Hmisc") library("lattice") library("survival") library("Formula") library("ggplot2") rcorr(as.matrix(mydata)) ##安装corrplot package install.packages("corrplot") ##调用corrplotpackage\ library("corrplot") corrplot(cor_matr,) corrplot(cor_matr,, order = "AOE", type = "upper", tl.pos = "tp") corrplot(cor_matr,, add = TRUE, type = "lower", method = "number", order = "AOE", col = "black", diag = FALSE, tl.pos = "n", cl.pos = "n") corrplot(cor_matr,, order = "AOE", type = "upper", tl.pos = "d") corrplot(cor_matr,, add = TRUE, type = "lower", method = "number", order = "AOE", diag = FALSE, tl.pos = "n", cl.pos = "n") corrplot(cor_matr, method = "color", addCoef.col = "grey") corrplot(cor_matr, method = "color", addCoefasPercent =5 ) ##图例在下边和字体为灰色的设置 corrplot(cor_matr, method = "color",addCoef.col = "gray30", addCoefasPercent = TRUE, cl.pos = "b", diag = TRUE, mar = c(1,1,1,1)) ##变量颜色为黑色和变量大小的设置 corrplot(cor_matr, method = "ellipse", order= "AOE", addCoef.col = "gray20", addCoefasPercent = TRUE, cl.pos = "r", tl.pos = "lt",tl.cex = 0.1, tl.col = "blue", title = "蓝色变量文本", diag = TRUE, mar = c(1,1,1,1)) ##增加显著性水平标记 corrplot(mat_cor, method= "circle", col= palette_2, p.mat= res1$p,sig.level= 0.01, title= "增加显著性标记", mar= c(1,1,1,1))

评论收藏

内容反馈

版权申诉