1. 矩阵相关性计算方法

base::cor/cor.test

R基础函数cor或cor.test都可计算相关性系数，但cor可直接计算矩阵的相关性，而cor.test不可。

两者计算非矩阵时，cor仅得到相关系数，而cor.test还能得到pvalue。





	

	

		library(ggplot2)  

	




	

		cor(mtcars)  

	




	

		cor.test(mtcars) #error  

	




	

		cor.test(mtcars,mtcars) #error 

	




	

		 

	




	

		cor(mtcars$mpg,mtcars$cyl) #only cor  

	




	

		x=cor.test(mtcars$mpg,mtcars$cyl) #cor and pvalue  

	




	

		x$estimate  

	




	

		x$p.value

可以用基础函数cor得到相关性矩阵，再自己编写脚本获得pvalue矩阵。





	

	

		M = cor(mtcars)  

	




	

		#自编写函数得到pvalue矩阵  

	




	

		cor.mtest <- function(mat, ...) {  

	




	

		 mat <- as.matrix(mat)  

	




	

		 n <- ncol(mat)  

	




	

		 p.mat<- matrix(NA, n, n)  

	




	

		 diag(p.mat) <- 0  

	




	

		 for (i in 1:(n - 1)) {  

	




	

		 for (j in (i + 1):n) {  

	




	

		 tmp <- cor.test(mat[, i], mat[, j], ...)  

	




	

		 p.mat[i, j] <- p.mat[j, i] <- tmp$p.value  

	




	

		 }  

	




	

		 }  

	




	

		 colnames(p.mat) <- rownames(p.mat) <- colnames(mat)  

	




	

		 p.mat  

	




	

		}  

	




	

		matrix_p=cor.mtest(mtcars)

psych::corr.test

使用psych包中的corr.test函数，可直接获得矩阵相关性系数和pvalue（也可用于非矩阵），而且还可直接得到矫正后的pvalue。





	

	

		library(psych) 

	




	

		 

	




	

		corr.test(mtcars)  

	




	

		cor <- corr.test(mtcars,  

	




	

		 method = "pearson",  

	




	

		 adjust = "fdr") #同p.adjust函数  

	




	

		cor$r  

	




	

		cor$p  

	




	

		cor$p.adj #但得到的是向量，数目也不对  

	




	

		test <- p.adjust(cor$p,method = "fdr")  

	




	

		identical(cor$p.adj,test) #不等

Hmisc::rcorr

使用Hmisc包中的rcorr函数，直接得到相关性系数和pvalue矩阵。





	

	

		library(Hmisc)  

	




	

		#注意要将数据框转换为矩阵  

	




	

		cor.mat <- rcorr(as.matrix(mtcars), type = "pearson")  

	




	

		cor.mat$r  

	




	

		cor.mat$P

可视化时，pvalue矩阵对角线的显著性我们不必要展示，可以替换下。另外，如果后续不展示全部矩阵，只展示过了设置条件的部分，则可进行过滤。





	

	

		# # only keep comparisons that have some abs. correlation >= .5 (optional)  

	




	

		# keep <- rownames(cor.mat$r)[rowSums(abs(cor.mat$r)>=0.5) > 1]  

	




	

		# cor.mat <- lapply(cor.mat, function(x) x[keep, keep]) 

	




	

		 

	




	

		# set diagonal to 1, since it is not interesting and should not be marked  

	




	

		diag(cor.mat$P) <- 1

其他工具

其他还有工具，如ggcor + ggcorrplot，但不建议使用，增加学习成本，以上方法足以成对所有情况。

另外统计和绘图R包rstatix也可计算相关矩阵，显示和标记显著性水平，而且可以gather和spread相关性矩阵，可tidyverse语法类似。这个包值得好好学习：https://rpkgs.datanovia.com/rstatix/index.html

2. 相关性矩阵转化为两两相关

一般来说，我们得到的是相关性系数矩阵和pvalue矩阵，但输出数据时最好转换为两两之间的行列式格式。

这种转换以上的rstatix包可轻松解决。

请参考：https://rpkgs.datanovia.com/rstatix/reference/cor_reshape.html

另外，我们也可自己编写脚本得到：





	

	

		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]  

	




	

		 )  

	




	

		}  

	




	

		res <- flattenCorrMatrix(cor.mat$r, cor.mat$P)  

	




	

		res

3. 可视化

得到了相关性和pvalue两个矩阵，我们一般以热图展示为好。

corrplot

经典的相关性展示工具。很多可选样式：https://cran.r-project.org/web/packages/corrplot/vignettes/corrplot-intro.html

我仅展示几个案例，更多参数自己调节。





	

	

		#仅cor  

	




	

		corrplot.mixed(M) 

	




	

		 

	




	

		#cor,仅0.05  

	




	

		corrplot.mixed(M,  

	




	

		 insig = 'label_sig',  

	




	

		 p.mat=matrix_p,  

	




	

		 pch.cex = 0.9,  

	




	

		 pch.col = 'grey20') 

	




	

		 

	




	

		#细分  

	




	

		corrplot(M,  

	




	

		 p.mat = matrix_p,  

	




	

		 tl.pos = 'd',  

	




	

		 order = 'hclust',  

	




	

		 type = "upper",  

	




	

		 #addrect = 2,  

	




	

		 insig = 'label_sig',  

	




	

		 sig.level = c(0.001, 0.01, 0.05),  

	




	

		 pch.cex = 0.9,  

	




	

		 pch.col = 'grey20')

gplots::heatmap.2

相对于上图，我更喜欢用热图来展示。





	

	

		library(RColorBrewer)  

	




	

		library(gplots)  

	




	

		my_palette <- colorRampPalette(c("blue","white","red")) (100) 

	




	

		 

	




	

		# plot heatmap and mark cells with abs(r) >= .5 and p < 0.05  

	




	

		heatmap.2(cor.mat$r,  

	




	

		 # cexRow = .35, cexCol = .35,  

	




	

		 trace = 'none',  

	




	

		 # key.title = 'Spearman correlation',  

	




	

		 # keysize = .5, key.par = list(cex=.4),  

	




	

		 notecol = 'black', srtCol = 30,  

	




	

		 col = my_palette,  

	




	

		 cellnote = ifelse(cor.mat$P < 0.05 & abs(cor.mat$r)>=0.5, "*", ""))

以上我仅标出相关性绝对值大于0.5，pvalue<0.05的数据。当然可以做更细致划分。

pheatmap

pheatmap参数更好调些，看个人喜好。





	

	

		#pheatmap  

	




	

		pheatmap(cor.mat$r,  

	




	

		 color = my_palette,  

	




	

		 display_numbers = ifelse(cor.mat$P < 0.05 & abs(cor.mat$r)>=0.5, "*", ""))

Ref:

https://www.jianshu.com/p/b76f09aacd9c

https://chowdera.com/2020/12/20201218185101270B.html

https://stackoverflow.com/questions/66305232/r-how-to-plot-a-heatmap-that-shows-significant-correlations

http://www.sthda.com/english/wiki/correlation-matrix-an-r-function-to-do-all-you-need

http://www.sthda.com/english/wiki/correlation-matrix-a-quick-start-guide-to-analyze-format-and-visualize-a-correlation-matrix-using-r-software

发表评论：