R语言中编辑器的相关性分析是怎样的

R语言中cor函数，只能计算相关系数，如果想要计算显著性，需要两两用cor.test进行，如果是多列数据，操作比较麻烦。这里介绍两个包，非常方便的进行多列数据的相关系数及其显著性的检验，并且给出可视化。

1. 模拟数据

这里模拟出10列数据，转化为数据库，是100行10列的数据，目的是为了计算这10列的相关系数及其显著性，虽然随机数没有显著性可言，但是作为一个演示，还是很可以说明问题的。

> set.seed(123)
> dd = as.data.frame(matrix(rnorm(1000),100,10))
> head(dd)
           V1          V2         V3         V4          V5          V6          V7         V8         V9        V10
1 -0.56047565 -0.71040656  2.1988103 -0.7152422 -0.07355602 -0.60189285  1.07401226 -0.7282191  0.3562833 -1.0141142
2 -0.23017749  0.25688371  1.3124130 -0.7526890 -1.16865142 -0.99369859 -0.02734697 -1.5404424 -0.6580102 -0.7913139
3  1.55870831 -0.24669188 -0.2651451 -0.9385387 -0.63474826  1.02678506 -0.03333034 -0.6930946  0.8552022  0.2995937
4  0.07050839 -0.34754260  0.5431941 -1.0525133 -0.02884155  0.75106130 -1.51606762  0.1188494  1.1529362  1.6390519
5  0.12928774 -0.95161857 -0.4143399 -0.4371595  0.67069597 -1.50916654  0.79038534 -1.3647095  0.2762746  1.0846170
6  1.71506499 -0.04502772 -0.4762469  0.3311792 -1.65054654 -0.09514745 -0.21073418  0.5899827  0.1441047 -0.6245675

2. 计算相关系数及显著性

首先要载入Hmisc这个包，因为我们要用这个包里面的rcorr函数，如果没有这个包，那就运行命令install.packages("Hmisc")安装即可。

❝
 

题外话，这种蓝色的代码高亮，真是太好看了，我进而想到王者荣耀的皮肤那么多人购买真的是有很多人在乎颜值的，进而推测出我钻石五星段位的持久性与我没有氪金有很强的关联性，因为充钱的快乐只能N连胜的喜悦才可以体会。顺便说一句，当你N连跪之后就把游戏卸了洗洗睡吧，我今天都把腾讯的企业微信给投诉了，是截图投诉的，然后领导告诉我“知道为什么腾讯把你公众号封一个月吧？打游戏不氪金还瞎比比。。。”

❞
 

> # 计算相关系数及显著性
> library(Hmisc)#加载包
> res2 <- rcorr(as.matrix(dd))
> res2
       V1    V2    V3    V4    V5    V6    V7    V8    V9   V10
V1   1.00 -0.05 -0.13 -0.04 -0.19 -0.06 -0.03  0.18 -0.02  0.01
V2  -0.05  1.00  0.03  0.04 -0.13  0.11  0.08 -0.03 -0.05 -0.09
V3  -0.13  0.03  1.00 -0.04 -0.02  0.02  0.01 -0.12 -0.05 -0.01
V4  -0.04  0.04 -0.04  1.00 -0.02 -0.09 -0.06  0.17 -0.17  0.25
V5  -0.19 -0.13 -0.02 -0.02  1.00  0.21 -0.01 -0.14 -0.04 -0.02
V6  -0.06  0.11  0.02 -0.09  0.21  1.00 -0.06  0.09  0.07 -0.03
V7  -0.03  0.08  0.01 -0.06 -0.01 -0.06  1.00  0.00 -0.13 -0.02
V8   0.18 -0.03 -0.12  0.17 -0.14  0.09  0.00  1.00  0.00  0.02
V9  -0.02 -0.05 -0.05 -0.17 -0.04  0.07 -0.13  0.00  1.00 -0.02
V10  0.01 -0.09 -0.01  0.25 -0.02 -0.03 -0.02  0.02 -0.02  1.00

n= 100


P
    V1     V2     V3     V4     V5     V6     V7     V8     V9     V10
V1         0.6246 0.2002 0.6632 0.0547 0.5767 0.7343 0.0706 0.8234 0.9135
V2  0.6246        0.7626 0.6650 0.1952 0.2567 0.4398 0.7435 0.6543 0.3653
V3  0.2002 0.7626        0.6576 0.8061 0.8573 0.9317 0.2544 0.5985 0.8866
V4  0.6632 0.6650 0.6576        0.8492 0.3737 0.5284 0.0950 0.1008 0.0139
V5  0.0547 0.1952 0.8061 0.8492        0.0392 0.9488 0.1628 0.6958 0.8741
V6  0.5767 0.2567 0.8573 0.3737 0.0392        0.5225 0.3515 0.4622 0.8046
V7  0.7343 0.4398 0.9317 0.5284 0.9488 0.5225        0.9979 0.2012 0.8398
V8  0.0706 0.7435 0.2544 0.0950 0.1628 0.3515 0.9979        0.9936 0.8107
V9  0.8234 0.6543 0.5985 0.1008 0.6958 0.4622 0.2012 0.9936        0.8225
V10 0.9135 0.3653 0.8866 0.0139 0.8741 0.8046 0.8398 0.8107 0.8225

3. 显著性的可视化

上面有相关系数，有对应的显著性，但是R语言做完统计如果没有可视化，就像吃完饭没有喝汤，总感觉少了什么，那就可视化吧！

> library(PerformanceAnalytics)#加载包
> chart.Correlation(dd, histogram=TRUE, pch=19)

 

4. 完整代码

set.seed(123)
dd = as.data.frame(matrix(rnorm(1000),100,10))

head(dd)

# 计算相关系数及显著性
library(Hmisc)#加载包
res2 <- rcorr(as.matrix(dd))
res2

# 可视化
library(PerformanceAnalytics)#加载包
chart.Correlation(dd, histogram=TRUE, pch=19)