R语言绘图相关性研究分析及绘图展示.docx

R语言绘图相关性研究分析及绘图展示.docx

《R语言绘图相关性研究分析及绘图展示.docx》由会员分享，可在线阅读，更多相关《R语言绘图相关性研究分析及绘图展示.docx（9页珍藏版）》请在冰点文库上搜索。

R语言绘图相关性研究分析及绘图展示

R语言绘图：

相关性分析及绘图展示

————————————————————————————————作者：

————————————————————————————————日期：

相关性分析

gaom

在我们平时分析的时候，经常会遇到样品间的相关性检验分析，并以此判断对我们后续分析的影响。

今天主要跟大家讨论一下简单的相关性分析以及结果展示。

利用的测试数据还是之前我们在geo数据库中随便找的一份表达谱数据。

首先还是导入数据，进行简单分析，获取相关数值。

rm（list=ls（））#先把我们的R清空一下

data<-read.table（file="C:

\\Users\\gaom\\Desktop\\R语言绘图\\相关性分析\\test_data.txt",header=T,row.names=1,sep="\t"）#读取数据

cor（data,method="pearson"）#方法可选pearson、kendall、spearman。

##T01T02T03T04T05T06T07

##T011.00000000.96268780.98205870.97756370.96728880.96641560.9752635

##T020.96268781.00000000.98717930.97399350.97791550.97941410.9786400

##T030.98205870.98717931.00000000.98235760.98196840.98080630.9833352

##T040.97756370.97399350.98235761.00000000.99156930.98909070.9815730

##T050.96728880.97791550.98196840.99156931.00000000.99430360.9805366

##T060.96641560.97941410.98080630.98909070.99430361.00000000.9798487

##T070.97526350.97864000.98333520.98157300.98053660.97984871.0000000

##T080.97148010.97913690.98164820.98146550.98044640.97965990.9938647

##T090.97464750.98023580.98451140.98148570.98007460.97949350.9947428

##T100.96364980.97179020.97576520.97599360.97710730.97559220.9850377

##T110.97397320.96770720.97755760.97969790.97787220.97602310.9876567

##T120.96131860.96851090.97323890.97391450.97572720.97372340.9855969

##T08T09T10T11T12

##T010.97148010.97464750.96364980.97397320.9613186

##T020.97913690.98023580.97179020.96770720.9685109

##T030.98164820.98451140.97576520.97755760.9732389

##T040.98146550.98148570.97599360.97969790.9739145

##T050.98044640.98007460.97710730.97787220.9757272

##T060.97965990.97949350.97559220.97602310.9737234

##T070.99386470.99474280.98503770.98765670.9855969

##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:

package'pcaPP'wasbuiltunderRversion3.3.2

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:

package'reshape2'wasbuiltunderRversion3.3.2

library（"ggplot2"）

##Warning:

package'ggplot2'wasbuiltunderRversion3.3.2

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:

package'corrgram'wasbuiltunderRversion3.3.2

corrgram（data,lower.panel=panel.pts,upper.panel=panel.pie,text.panel=panel.txt）

利用corrgram函数能画出各种更酷炫的相关性结果。

上图中的圆形图中蓝色所占面积越大，表示相关系数值越接近1。