相关系数图
俊俊
2016年4月6日
参考： dddqq作品
cor ) )函数可以非常简单快速地计算出连续变量之间的相关系数，但如果变量非常大，返回的相关系数一定会使读者眼花缭乱。
以r拥有的mtcars数据集为例，介绍相关系数映射的创建。
cor(mtcars[1:7]
## mpg cyl disp hp drat wt
# mpg 1.0000000-0.8521620-0.8475514-0.77616840.68117191-0.8676594
# cyl-0.85216201.00000.90203290.8324475-0.69993811.7824958
# disp-0.8475514.90203291.000000.7909486-0.710213930.8879799
# HP-0.77616840.83244750.79094861.000000-0.448759120.6587479
# drat 0.6811719-0.6999381-0.7102139-0.4487591.000000-0.7124406
# wt-0.86765940.78249580.88797990.6587479-0.712440651.00000
# qsec 0.4186840-0.5912421-0.4336979-0.70822340.09120476-0.1747159
## qsec
## mpg 0.41868403
## cyl -0.59124207
## disp -0.43369788
# #惠普- 0.70822339
## drat 0.09120476
## wt -0.17471588
## qsec 1.00000000
很明显，这么多数字聚集在一起，肯定很难快速找到变量之间的相关性大小。 如果能可视化相关系数，就能弥补很多数字的缺陷。 在此介绍corrplot包内的corrplot (函数进行相关系数的可视化。 首先，让我们看看这个函数的语法和一些重要参数。 corrplot(corr，method=c )、circle、square、ellipse、number type=c (完全、低、更新器is.corr=TRUE，title=0)，addgrid.col=NULL，addCoef.col=NULL，addCoefasPercent=FALSE，order=c ("定向ward、single、average、mcquitty、median、centroid ) )、addrecectred ) )。 tl.pos=NULL，tl.cex=1，tl.col=“red”，tl.offset=0.4，tl.srt=90，cl.pos=NULL，cl.lim=null cl cl sig.level=0.05，insig=c(「PCH”、“p-value”、“blank”、“n”)，pch=4，pch.col=“black”，PCH.cex=圆形、方形、椭圆形、数字、阴影、颜色或饼形类型：指定显示方式。 完全、下三角或上缺省情况下，bg显示为均匀的颜色。 指定图的背景颜色title。 将标题is.corr添加到图中。 是否为相关系数图，默认值为TRUE。 同样，可以可视化非相关系数。 只需将此参数设置为FALSE即可进行诊断。 是否显示对角线上的结果，默认值为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：
library(corrplot)
## Warning: package 'corrplot' was built under R version 3.2.4
corr
#1)参数全部默认情况下的相关系数图
corrplot(corr=corr)
#2)指定数值方法的相关系数图
corrplot(corr=corr, method = "number", col="black", cl.pos="n")
#3)按照特征向量角序(AOE)排序相关系数图
corrplot(corr=corr, order="AOE")
#4)同时添加相关系数值
corrplot(corr=corr, order = "AOE", addCoef.col = "grey")
#5)选择方法为color
corrplot(corr=corr, method = "color", order="AOE", addCoef.col = "grey")
#我觉得这幅图比上面的圆形图要清爽很多
#6)绘制圆形轮廓相关系数图
corrplot(corr = corr, col = "gray", order = "AOE", outline = T, cl.pos = "n")
#7)自定义背景色
corrplot(corr = corr, col="gray", bg="gold2", order = "AOE", cl.pos = "n")
#8)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=T, type="lower", method = "number", order = "AOE", diag = F, tl.pos = "n", cl.pos = "n")
#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")
#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")
#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")
#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")
有关更多相关系数图的绘制可参见corrplot()函数的帮助文档，文档中还包括了很多案例，感兴趣的可以去参考的看看。