大家好，我是带我去滑雪！
相关性热图 (correlation heatmap) 是一种可视化工具，用于展示数据集中各个变量之间的相关性。它以矩阵的形式显示变量之间的相关系数，并通过色彩编码来表示相关性的强度。在相关性热图中，每个变量都对应图中的一行和一列。图中的每个单元格代表两个变量之间的相关性，通常使用颜色来表示相关性的强度。通常，相关性的计算采用的是Pearson相关系数，它度量线性关系的强度和方向。热图中的颜色编码比较常见的方式是使用一个渐变的色谱图。一般来说，较高的正相关性对应着较深或较亮的颜色，如红色或黄色；而较高的负相关性对应着较深或较亮的颜色，如蓝色或绿色；较低的相关性则对应着较浅或较暗的颜色。
相关性热图可以帮助我们快速观察和理解数据集中变量之间的关系。通过分析相关性热图，我们可以发现哪些变量之间存在强相关性、弱相关性或者无相关性。这对于特征选择、变量关系分析和模型构建等任务都非常有用。那么如何利用R绘制一些漂亮的相关性热图呢？本期介绍一个corrmorant包。
目录
1、安装corrmorant包并调用
2、导入数据
3、绘制相关性矩阵
4、绘制相关性热图
5、生成R绘图配色表
1、安装corrmorant包并调用
install.packages("remotes")
remotes::install_github("r-link/corrmorant",force = TRUE)
library(corrmorant)
library(ggplot2)
library(cols4all)
2、导入数据
使用R语言自带的鸢尾花数据集，该数据集有五个变量，分别是鸢尾花的萼片长度、萼片宽度、花瓣长度、花瓣宽度以及鸢尾花的种类，由于种类不是数值变量，故只用前四个变量。
data <- datasets::iris
head(data)输出结果：
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa
3、绘制相关性矩阵
（1）第一种
在相关性矩阵中，对角线放置直方图，下三角放置散点图和拟合曲线，上三角放置相关系数。
picture <- ggcorrm(data,
corr_method = c('pearson')) + #分析方法选择,可选'pearson','kendall' or 'spearman'
lotri(geom_point()) + #下三角区域添加散点图
lotri(geom_smooth(method = 'lm')) + #下三角区域添加拟合曲线
utri_corrtext(corr_size = TRUE) + #上三角区域添加相关性系数
dia_names(y_pos = 0.15) + #对角线区域添加分类标签
dia_histogram(lower = 0.3, upper = 0.98, color = 'grey30') #对角线区域添加直方图picture
输出结果：
（2）第二种
对角线放置核密度曲线，下三角放置散点图和拟合曲线，上三角放置相关系数
pictures <- ggcorrm(data,
corr_method = c('pearson')) +
lotri(geom_point(alpha = 0.3)) +
lotri(geom_smooth(method = 'lm',
fill = 'slateblue',color = 'sienna2')) +
utri_corrtext(corr_size = FALSE) + #逻辑值为TRUE时，按照相关性强弱调整系数文本大小；FALSE则按相同大小显示
dia_names(y_pos = 0.15, size = 3.5) +
dia_density(lower = 0.3, upper = 0.98,
fill = 'turquoise2', color = 'cyan', alpha = 0.3) #对角线区域添加核密度曲线
pictures输出结果：
(3)第三种
绘制几种类别的数据在同一幅图中方便进行比较。
pictures1 <- ggcorrm(data,
mapping = aes(color = Species, fill = Species)) +
lotri(geom_point(alpha = 0.3)) +
lotri(geom_smooth(method = 'lm')) +
utri_corrtext(nrow = 2, #
squeeze = 0.5, #存在多标签时，用于调整宽/高比例
corr_size = F) +
dia_names(y_pos = 0.15, size = 3.5) +
dia_density(lower = 0.3, upper = 0.98,
alpha = 0.6)
pictures1输出结果：
4、绘制相关性热图
数据使用往期利用python爬取的房价信息，变量信息如下表所示。
表1 变量表
| 属性 | 解释 | 类型 | 变量名 |
| WSSL | 房屋的卧室数量（个） | 连续值 | x1 |
| KTSL | 房屋的客厅数量（个） | 连续值 | x2 |
| MJ | 房屋面积（平方米） | 连续值 | x3 |
| FWZXQK | 房屋装修情况 | 离散值，0=其他；1=毛坯；2=简装；3=精装 | x4 |
| YWDT | 有无电梯 | 离散值，0=无电梯；1=有电梯 | x5 |
| LCWZ | 房屋所在楼层位置 | 离散值，0=低楼层；1=中楼层；2=高楼层 | x6 |
| FJYWDT | 房屋附近有无地铁 | 离散值，0=无地铁；1=有地铁 | x7 |
| GZD | 关注度（人次） | 连续值 | x8 |
| KFCS | 看房次数 | 连续值 | x9 |
| TOTAL PRICE | 房屋总价（万元） | 连续值 | y1 |
表2 经过数据预处理后的数据集
| 编号 | x1 | x2 | x3 | x4 | x5 | x6 | x7 | x8 | x9 | y1 |
| 1 | 2 | 2 | 78.6 | 0 | 1 | 2 | 1 | 58 | 14 | 210 |
| 2 | 4 | 2 | 98 | 0 | 1 | 0 | 1 | 2337 | 18 | 433 |
| 3 | 2 | 1 | 58.1 | 2 | 1 | 1 | 1 | 25 | 18 | 255 |
| 4 | 4 | 2 | 118 | 3 | 0 | 1 | 0 | 2106 | 6 | 195 |
| 5 | 3 | 1 | 97.7 | 2 | 0 | 2 | 0 | 1533 | 7 | 150 |
| 6 | 3 | 2 | 115.94 | 2 | 1 | 1 | 1 | 47 | 5 | 570 |
| 7 | 3 | 2 | 102.72 | 2 | 1 | 0 | 1 | 80 | 19 | 630 |
| 8 | 3 | 2 | 102.72 | 2 | 1 | 0 | 1 | 80 | 19 | 630 |
| 9 | 2 | 2 | 73.3 | 2 | 1 | 0 | 1 | 873 | 21 | 310 |
| 10 | 3 | 2 | 92 | 2 | 1 | 1 | 0 | 64 | 14 | 203 |
| ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ |
| 2981 | 2 | 1 | 80.3 | 2 | 1 | 1 | 1 | 8 | 0 | 375 |
| 2982 | 2 | 2 | 64.81 | 2 | 1 | 1 | 1 | 2 | 0 | 268 |
| 2983 | 2 | 1 | 57.26 | 0 | 0 | 0 | 1 | 0 | 0 | 235 |
| 2984 | 2 | 1 | 75.38 | 2 | 1 | 2 | 0 | 0 | 0 | 300 |
data=read.table("E:/工作/硕士/博客/博客38-/data.csv",header=TRUE,sep=",")
head(data)输出结果：
x1 x2 x3 x4 x5 x6 x7 x8 x9 y1
1 2 2 78.60 0 1 2 1 58 14 210
2 4 2 98.00 0 1 0 1 2337 18 433
3 2 1 58.10 2 1 1 1 25 18 255
4 4 2 118.00 3 0 1 0 2106 6 195
5 3 1 97.70 2 0 2 0 1533 7 150
6 3 2 115.94 2 1 1 1 47 5 570pictures2 <- ggcorrm(data,
mapping = aes(color = .corr, fill = .corr),
corr_method = c('pearson'),
rescale = 'by_sd') +
lotri_heatcircle(alpha = 1, color = 'grey') + #下三角区域添加圆形热图
utri_corrtext(squeeze = 0.6, corr_size = F) +
dia_names(y_pos = 0.5, size = 5, color = 'black')
pictures2输出结果：
在pictures2的基础上进一步美化，选择渐变配色：
pictures3 <- pictures2 +
scale_colour_gradient2(aesthetics = c("fill", "color"),
limits = c(-1, 1),
low = '#06a7cd',
mid = "white",
high = '#e74a32')
pictures3输出结果：
5、生成R绘图配色表
在科研中，好的配色能够使绘制的图看着更加精美，下面生成R中所有的配色：
pdf('R语言颜色表.pdf',9,16)
cl=colors()
par(mar=c(0,0,0,0),bty="n")
plot(c(0, 98), c(0, 73), type = "n", xlab = "", ylab = "")
title(line = -2, main = 'R语言颜色表')
for(i in 0:8){
rect(i*11,73:1,i*11+10,72:0,col=cl[1:73+i*73])
text(i*11+5,73:1-0.5,labels = cl[1:73+i*73],cex = 0.6)
}
dev.off()
输出结果：
需要数据集的家人们可以去百度网盘（永久有效）获取：
链接：https://pan.baidu.com/s/16GeXC9_f6KI4lS2wQ-Z1VQ?pwd=2138
提取码：2138
更多优质内容持续发布中，请移步主页查看。
点赞+关注,下次不迷路！
