1.Pearson
积差相关系数衡量了两个定量变量之间的线性相关程度。它是说明有直线关系的两变量间，相关关系密切程度和相关方向的统计指标。
定量：变量是数值，可以量化，如身高体重等。定量又可以分为离散型和连续型，离散型一般为计数结果，如男朋友毁约的次数，连续型一般为测试结果，如女朋友身高体重的测量。
2.Spearman
等级相关系数则衡量分级定序变量之间的相关程度。
定序变量是将同一个类别下的对象分一个次序，即变量的值能把研究对象排列高低或大小，具有＞与＜的数学特质。它是比定类变量层次更高的变量，因此也具有定类变量的特质，即区分类别（＝，≠）。
例如文化程度可以分为大学、高中、初中、小学、文盲；工厂规模可以分为大、中、小；年龄可以分为老、中、青。这些变量的值，既可以区分异同，也可以区别研究对象的高低或大小。
3.计算
#计算相关习惯
cor(x, method = c("pearson", "kendall", "spearman"))
#如果数据有缺失值
cor(x, method = "pearson", use = "complete.obs")。
Hmisc包里的rcorr()函数能够同时给出相关系数以及显著性水平p-value。
rcorr(x, type = c(“pearson”,“spearman”))。
#可以用res2$r、res2$P来提取相关系数以及显著性p-value
为了方便，可以将相关性结果整理在一个矩阵中：
flattenCorrMatrix <- function(cormat, pmat) {
ut <- upper.tri(cormat) data.frame( row = rownames(cormat)[row(cormat)[ut]],
column = rownames(cormat)[col(cormat)[ut]], cor =(cormat)[ut], p = pmat[ut] )
}
#举个栗子
res3 <- rcorr(as.matrix(mtcars[,1:7]))
flattenCorrMatrix(res3$r, res3$P)
4.可视化
PerformanceAnalytics Package
Corrr Package
Psych Package
Corrplot Package
GGally Package
ggcorrplot Package
Install
install.packages("ggcorrplot")
#或者从 GitHub安装最新版本
if(!require(devtools)) install.packages("devtools")
devtools::install_github("kassambara/ggcorrplot")
Loading:
library(ggcorrplot)
# Compute a correlation matrix
data(mtcars)
corr <- round(cor(mtcars), 1)
head(corr[, 1:6])
# Compute a matrix of correlation p-values
p.mat <- cor_pmat(mtcars)
head(p.mat[, 1:4])
# Visualize the correlation matrix
# --------------------------------
# method = "square" (default)
ggcorrplot(corr)
image.png
# method = "circle"
ggcorrplot(corr, method = "circle")
image.png
# Reordering the correlation matrix
# --------------------------------
#聚类
ggcorrplot(corr, hc.order = TRUE, outline.col = "white")
image.png
# Change colors and theme
# --------------------------------
#改变颜色和主题
ggcorrplot(corr, hc.order = TRUE, type = "lower",
outline.col = "white",
ggtheme = ggplot2::theme_gray,
colors = c("#6D9EC1", "white", "#E46726"))
image.png
# Add correlation coefficients
# --------------------------------
# 添加相关性系数
ggcorrplot(corr, hc.order = TRUE, type = "lower",
lab = TRUE)
image.png
# Add correlation significance level
# --------------------------------
# 添加显著性p值
# Barring the no significant coefficient
ggcorrplot(corr, hc.order = TRUE,
type = "lower", p.mat = p.mat)
image.png
