R语言绘图：相关性分析及绘图展示.docxVIP

R语言绘图：相关性分析及绘图展示

##T081.00000000.99422970.98581700.98490120.9837345

##T090.99422971.00000000.98491670.98508920.9839299

##T100.98581700.98491671.00000000.98676870.9878700

##T110.98490120.98508920.98676871.00000000.9919710

##T120.98373450.98392990.98787000.99197101.0000000

获得每个样品之间的相关系数，下面让我们把这些结果可视化。先利用基本函数plot展示下我们样品的结果。

plot(data[,1:6],pch=19,col=rgb(0,0,100,50,maxColorValue=255))#我们截取前面6个样品看看他们的相关性

从上面的结果来看T01、T02、T03之间的相关性要稍微差些，而T04、T05、T06之间的相关性要好的多。

下面我们根据cor函数的结果做成类似热图的形式。

library(lattice)

cor_data-as.matrix(cor(data,method=pearson))#获取相关系数矩阵

levelplot(cor_data)#直接利用levelplot函数进行绘图

上图中颜色非常淡，所以我们想考虑一下自己把这个图再进化一下。

col-colorRampPalette(c(green,black,red),space=rgb)#我们自己设置填充颜色

levelplot(cor_data,main=corplottest,xlab=,ylab=,col.regions=col(100))#main对应的是图的标题，以及xlab、ylab分别对应x轴和y轴的标题，这里表示不添加，所以都是,引号里面是没东西的

从图中我们可以看出T04、T05、T06以及T07、T08、T09这两组的相关性就更好。当然，我们也可以直接用pheatmap这个画热图的函数将结果展示出来。

library(pheatmap)

pheatmap(cor_data,cluster_rows=F,cluster_cols=F,display_numbers=T,number_format=%.4f,color=col(100),main=correlationtest,number_color=white,fontsize_number=5)#这里把聚类树部分都去除了，同时显示小数点后4位有效数字，并自己颜色设置为白色，同时可以利用fontsize_number设置数字大小

在这里我们把对应的相关系数值直接标记在了图中。也不只是说就pheatmap才能标记处数字。

library(pcaPP)

##Warning:packagepcaPPwasbuiltunderRversion3.3.2

cor1-cor(data,method=pearson)

plotcov(cor1,method1=correlation)

##Warninginplot.xy(xy.coords(x,y),type=type,...):所提供的颜色值既不是

##数字也不是字符

除了这些函数之外。我们的大ggplot表示画起来也无压力，只是我们需要稍微倒腾下数据。

library(reshape2)

##Warning:packagereshape2wasbuiltunderRversion3.3.2

library(ggplot2)

##Warning:packageggplot2wasbuiltunderRversion3.3.2

cor_data2-melt(cor(data))

p-ggplot(cor_data2,aes(x=cor_data2$Var1,y=cor_data2$Var2,fill=cor_data2$value))+geom_tile()+scale_fill_gradient(low=green,high=red)

p

上述的展现方式其实主要还是通过不同颜色的方式进行直观展示。但实际在我们再展示结果的时候，不仅仅局限于只是颜色改变。

library(corrgram)

##Warning:packagecorrgramwasbuiltunderRversion3.3.2

corrgram(data,lower.panel=pane