有人说ggstatsplot是统计学画图的天花板，确实他的统计异常简单，而且出的图也非常花里胡哨，这里介绍一下利用ggstatsplot做相关性分析
使用mtcars数据进行演示
data(mtcars)
mtcars[1:10,1:10] ##显示前十行前十列的数据
| mpg | cyl | disp | hp | drat | wt | qsec | vs | am | gear | |
|---|---|---|---|---|---|---|---|---|---|---|
| Mazda RX4 | 21.0 | 6 | 160.0 | 110 | 3.90 | 2.620 | 16.46 | 0 | 1 | 4 |
| Mazda RX4 Wag | 21.0 | 6 | 160.0 | 110 | 3.90 | 2.875 | 17.02 | 0 | 1 | 4 |
| Datsun 710 | 22.8 | 4 | 108.0 | 93 | 3.85 | 2.320 | 18.61 | 1 | 1 | 4 |
| Hornet 4 Drive | 21.4 | 6 | 258.0 | 110 | 3.08 | 3.215 | 19.44 | 1 | 0 | 3 |
| Hornet Sportabout | 18.7 | 8 | 360.0 | 175 | 3.15 | 3.440 | 17.02 | 0 | 0 | 3 |
| Valiant | 18.1 | 6 | 225.0 | 105 | 2.76 | 3.460 | 20.22 | 1 | 0 | 3 |
| Duster 360 | 14.3 | 8 | 360.0 | 245 | 3.21 | 3.570 | 15.84 | 0 | 0 | 3 |
| Merc 240D | 24.4 | 4 | 146.7 | 62 | 3.69 | 3.190 | 20.00 | 1 | 0 | 4 |
| Merc 230 | 22.8 | 4 | 140.8 | 95 | 3.92 | 3.150 | 22.90 | 1 | 0 | 4 |
| Merc 280 | 19.2 | 6 | 167.6 | 123 | 3.92 | 3.440 | 18.30 | 1 | 0 | 4 |
进行相关性分析，需要用到的函数是ggcorrmat()，我们先看看官方介绍
ggcorrmat(
data,
cor.vars = NULL,
cor.vars.names = NULL,
output = "plot",
matrix.type = "upper",
type = "parametric",
tr = 0.2,
partial = FALSE,
k = 2L,
sig.level = 0.05,
conf.level = 0.95,
bf.prior = 0.707,
p.adjust.method = "holm",
pch = "cross",
ggcorrplot.args = list(method = "square", outline.color = "black", pch.cex = 14),
package = "RColorBrewer",
palette = "Dark2",
colors = c("#E69F00", "white", "#009E73"),
ggtheme = ggstatsplot::theme_ggstatsplot(),
ggplot.component = NULL,
title = NULL,
subtitle = NULL,
caption = NULL,
...
)
可以看到可以定制的参数很多，这样我们就可以一一去尝试了
我们首先运行最简单的默认函数，见Figure 1所示，可以看到默认的是上半部分显示，并且自动计算好了相关性系数和显著性标识，非常的方便
library(ggstatsplot)
ggcorrmat(mtcars)
默认函数的图
这时候我们可以跟之前的结果比较，会发现P值显示不一样，那是因为默认的是校正的p值，如果我们只想显示默认p值，只要设置
p.adjust.method = 'none'即可，同时我们再设置成显示下半部分，只需要加一句matrix.type = 'lower'，结果见Figure 2
ggcorrmat(mtcars,p.adjust.method = 'none',matrix.type = 'lower')
将p值设置为none，即不校正
由于所有计算都是后台运行，如果我们想看结果的话，只需要设置output = "dataframe"即可，这里我们依然可以用校正p值，或者不校正p值，我们试试不校正p值，结果见表所示
data<-ggcorrmat(mtcars,p.adjust.method = 'none',output = 'datafream')
data[1:10,1:11]
| parameter1 | parameter2 | estimate | conf.level | conf.low | conf.high | statistic | df.error | p.value | method | n.obs |
|---|---|---|---|---|---|---|---|---|---|---|
| mpg | cyl | -0.8521620 | 0.95 | -0.9257694 | -0.7163171 | -8.919699 | 30 | 0.0000000 | Pearson correlation | 32 |
| mpg | disp | -0.8475514 | 0.95 | -0.9233594 | -0.7081376 | -8.747151 | 30 | 0.0000000 | Pearson correlation | 32 |
| mpg | hp | -0.7761684 | 0.95 | -0.8852686 | -0.5860994 | -6.742388 | 30 | 0.0000002 | Pearson correlation | 32 |
| mpg | drat | 0.6811719 | 0.95 | 0.4360484 | 0.8322010 | 5.096042 | 30 | 0.0000178 | Pearson correlation | 32 |
| mpg | wt | -0.8676594 | 0.95 | -0.9338264 | -0.7440872 | -9.559044 | 30 | 0.0000000 | Pearson correlation | 32 |
| mpg | qsec | 0.4186840 | 0.95 | 0.0819549 | 0.6696186 | 2.525213 | 30 | 0.0170820 | Pearson correlation | 32 |
| mpg | vs | 0.6640389 | 0.95 | 0.4103630 | 0.8223262 | 4.864385 | 30 | 0.0000342 | Pearson correlation | 32 |
| mpg | am | 0.5998324 | 0.95 | 0.3175583 | 0.7844520 | 4.106127 | 30 | 0.0002850 | Pearson correlation | 32 |
| mpg | gear | 0.4802848 | 0.95 | 0.1580618 | 0.7100628 | 2.999191 | 30 | 0.0054009 | Pearson correlation | 32 |
| mpg | carb | -0.5509251 | 0.95 | -0.7546480 | -0.2503183 | -3.615750 | 30 | 0.0010844 | Pearson correlation | 32 |
接下来，我们可以深入定制
全部显示结果，见Figure 3所示
ggcorrmat(mtcars, ##表达矩阵
p.adjust.method = 'none', ## 不校正p值
matrix.type = 'full'##全部显示
)
显示全部
如果觉得配色不好，我们还可以设置不同的颜色差，这里要有三组颜色，比如我们设置蓝色白色和红色，结果见Figure 5所示
ggcorrmat(mtcars,p.adjust.method = 'none',
colors=c("blue" ,"white" ,"red"))
更改颜色
当然我们还可以自定义别的颜色，比如下面这个素颜的配色
ggcorrmat(mtcars,p.adjust.method = 'none',colors=c("#2874C5" ,"white" ,"#f87669"))
素雅的图
