R语言绘制热图（其实是相关系数图）实践(二）corrplot包

前言

在我的上一篇的内容中（R语言绘制热图实践(一）pheatmap包 ），我以绘制相关系数图为出发点，介绍了使用pheatmap包画相关系数图和热图的一些使用。
为了对比，这篇将介绍使用R包corrplot进行相关系数图的一些实践以及corrplot包的一些使用。

corrplot包简介

官方文档
The corrplot package is a graphical display of a correlation matrix, confidence interval. It also contains some algorithms to do matrix reordering. In addition, corrplot is good at details, including choosing color, text labels, color labels, layout, etc.
 
简单地说，corrplot包主要针对相关系数输出的结果进行可视化，可以实现选择颜色，文本标签，颜色标签，布局等的操作。

语法和常用参数介绍

函数语法

corrplot(corr,
	method = c("circle", "square", "ellipse", "number", "shade", "color", "pie"),
	type = c("full", "lower", "upper"), add = FALSE,
	col = NULL, bg = "white", title = "",  is.corr = TRUE,		
	diag = TRUE, outline = FALSE, mar = c(0,0,0,0),
	addgrid.col = NULL, addCoef.col = NULL, addCoefasPercent = FALSE, 
	order = c("original", "AOE", "FPC", "hclust", "alphabet"),
	hclust.method = c("complete", "ward", "single", "average",
                      "mcquitty", "median", "centroid"),
	addrect = NULL, rect.col = "black", rect.lwd = 2,
	tl.pos = NULL, tl.cex = 1,
	tl.col = "red", tl.offset = 0.4, tl.srt = 90,
	cl.pos = NULL, cl.lim = NULL,
	cl.length = NULL, cl.cex = 0.8, cl.ratio = 0.15, 
	cl.align.text = "c",cl.offset = 0.5,
	addshade = c("negative", "positive", "all"),
	shade.lwd = 1, shade.col = "white",
	p.mat = NULL, sig.level = 0.05,
	insig = c("pch","p-value","blank", "n"),
	pch = 4, pch.col = "black", pch.cex = 3,
	plotCI = c("n","square", "circle", "rect"),
	lowCI.mat = NULL, uppCI.mat = NULL, ...)

参数介绍

这部分的内容参考了参考资料中的第一篇。

corr：需要可视化的相关系数矩阵

method：指定可视化的方法，可以是圆形、方形、椭圆形、数值、阴影、颜色或饼图形

type：指定展示的方式，可以是完全的、下三角或上三角（“full”，“upper"和"lower”）

col：指定图形展示的颜色，默认以均匀的颜色展示

bg：指定图的背景色

title：为图形添加标题

is.corr：是否为相关系数绘图，默认为TRUE，同样也可以实现非相关系数的可视化，只需使该参数设为FALSE即可

diag：是否展示对角线上的结果，默认为TRUE

outline：是否绘制圆形、方形或椭圆形的轮廓，默认为FALSE

mar：具体设置图形的四边间距

addgrid.col：当选择的方法为颜色或阴影时，默认的网格线颜色为白色，否则为灰色

addCoef.col：为相关系数添加颜色，默认不添加相关系数，只有方法为number时，该参数才起作用

addCoefasPercent：为节省绘图空间，是否将相关系数转换为百分比格式，默认为FALSE

order：指定相关系数排序的方法，可以是原始顺序(original)、特征向量角序(AOE)、第一主成分顺序(FPC)、层次聚类顺序(hclust)和字母顺序，一般”AOE”排序结果都比”FPC”要好

hclust.method：当order为hclust时，该参数可以是层次聚类中ward法、最大距离法等7种之一

addrect：当order为hclust时，可以为添加相关系数图添加矩形框，默认不添加框，如果想添加框时，只需为该参数指定一个整数即可

rect.col：指定矩形框的颜色

rect.lwd：指定矩形框的线宽

tl.pos：指定文本标签(变量名称)的位置，当type=full时，默认标签位置在左边和顶部(lt)，当type=lower时，默认标签在左边和对角线(ld)，当type=upper时，默认标签在顶部和对角线，d表示对角线，n表示不添加文本标签

tl.cex：指定文本标签的大小

tl.col：指定文本标签的颜色

cl.pos：图例（颜色）位置，当type=upper或full时，图例在右表®，当type=lower时，图例在底部，不需要图例时，只需指定该参数为n

addshade：只有当method=shade时，该参数才有用，参数值可以是negtive/positive和all，分表表示对负相关系数、正相关系数和所有相关系数添加阴影。注意：正相关系数的阴影是45度，负相关系数的阴影是135度

shade.lwd：指定阴影的线宽

shade.col：指定阴影线的颜色

实践

实践数据还是使用上一篇中画相关系数的数据。
（1）准备数据集
首先还是加载数据集：all_data
all_data为数据框格式，共包含9696996行，5列（5个样本），如下图所示。

为每列指定列名

colnames(all_data) <- c( 's1', 's2','s3 ', 's4','s5') 

（2）计算样本间的相关系数

matrix <- cor (all_data[1:5])

这里我想补充一下cor()函数的用法（这里主要参考了第二篇参考资料）。在R语言中，通常使用cor函数进行相关系数分析，可以分别指定向量，也可以指定给cor函数一个数据框。
基本语法

cor(x,y=NULL,use="everything",method= c("pearson","kendall","spearman"))

use 用来指定处理缺失值的方式，可以为"everything", “all.obs”, “complete.obs”, “na.or.complete”, 或者 “pairwise.complete.obs”.
method 是可选的三种相关系数计算方法，默认情况下使用的是pearson相关系数。

这三种计算相关系数简介：
pearson相关系数：即皮尔逊相关系数，用于横向两个连续性随机变量间的相关系数。

spearman相关系数：即斯皮尔曼相关系数，用于衡量分类定序变量间的相关程度。

kendall相关系数：即肯德尔相关系数，也是一种秩相关系数，不过它所计算的对象是分类变量。

(3)corrplot包对相关系数输出的结果进行可视化

#直接画图，不设置其它参数
corrplot(corr=matrix)

控制单元格形状和内容

# 换用不同method，分别显示数字和颜色（method can be "circle", "square", "ellipse", "number", "shade", "color", "pie"）
# method 默认为“circle”
corrplot(M, method = "number") 
corrplot(matrix, method = "color")  

控制单元格展示的方式以及混合展示

#指定展示的方式，可以是完全的、下三角或上三角
corrplot(matrix, type = "upper")

# corrplot.mixed（)可以混合可视化样式
#默认上三角为circle，下三角为number，可以修改
corrplot.mixed(matrix)  
corrplot.mixed(matrix, lower = "ellipse", upper = "pie")

corrplot.mixed(matrix, lower = "number", upper = "pie", tl.col = "black",lower.col = "black", number.cex = 1)  
#tl.col 修改对角线的颜色,lower.col 修改下三角的颜色，number.cex修改下三角字体大小

指定order方式

#指定order按hclust聚类方式排序，addrect是添加分组矩形，可自定义分组类
corrplot(matrix,order = "hclust",addrect  = 3)

#当order = "hclust"时，可使用hclust.method选择层次聚类的方法
#hclust.method可以为“complete”, “ward”, “single”, “average”, “mcquitty”, “median”, “centroid”
corrplot(matrix,order = "hclust",addrect  = 3,hclust.method="ward.D2")

图例标签控制

#图例标签控制
corrplot(matrix, method="number",order = "AOE", cl.pos = "n", tl.pos = "n") 
#控制对角标签旋转45度
corrplot(matrix, type = "lower", order = "hclust", tl.col = "black", tl.srt = 45)
#修改图例范围
corrplot(matrix,order = "AOE", cl.lim = c(0, 1))

#改变单元格颜色以及背景颜色bg
col3 <- colorRampPalette(c("red", "white", "blue"))
corrplot(matrix, order = "hclust", addrect = 3, col = col3(100), bg = "lightblue")

summary

总结一下，corrplot包使用起来非常简单，也有很多参数可以画出各种花哨的图……甚至可以做显著性检验（我的数据结果都很好，也很少，就没有做）和月亮的阴晴圆缺（具体参见参考资料3和官方文档）。
但是，最大的缺点： 没办法同时作层次聚类的树图，考虑到这点，我还是喜欢pheatmap多一点，虽然它不是专门画相关系数的图。
最后，用这个包画一个生物相关论文中常见的相关系数图：

corrplot(corr=matrix,method = "color",order = "hclust",tl.col="black",addrect=4,addCoef.col = "grey")

 

参考资料

R语言相关系数可视化之corrplot包
左手用R右手Python系列11——相关性分析
R画月亮阴晴圆缺：corrplot绘图相关系数矩阵