前记
Corrplot是一个用于可视化相关性矩阵的R包。它提供了各种方法和选项来创建高质量的相关性图，并帮助用户更好地理解数据集中的变量之间的相关性。
相关性是指两个或多个变量之间的统计关系，它衡量了这些变量之间的线性关系的强度和方向。在数据分析和统计建模中，理解变量之间的相关性非常重要，因为它可以揭示出潜在的关联关系，帮助我们解释数据和预测未来的趋势。
Corrplot包通过可视化相关性矩阵来帮助用户直观地理解变量之间的关系。相关性矩阵是一个方阵，其中每个单元格表示两个变量之间的相关性系数。corrplot包可以根据相关性矩阵绘制不同类型的图形，包括颜色映射、点图、数字矩阵等。
使用corrplot包，用户可以根据数据的特点和需求选择不同的图形方法。例如，颜色映射图使用颜色来表示变量之间的相关性，可以通过颜色的深浅和颜色的选择来表达不同的相关性程度。点图则使用不同大小和颜色的点来表示相关性，可以更直观地观察到变量之间的关系。
除了提供不同类型的相关性图形，corrplot还提供了各种选项和参数来自定义图形。用户可以调整相关性图的颜色，包括使用预设的颜色映射或自定义颜色映射。还可以修改标签的样式、颜色和大小，添加标题和字体，以及调整图形的尺寸和布局。
此外，corrplot还提供了其他功能，如添加相关性系数的数字矩阵、在相关性图中添加颜色条和注释等。
总之，Corrplot是一个功能强大的R包，可以帮助用户可视化相关性矩阵，并提供了各种选项和参数来自定义图形。它是分析和解释变量之间关联关系的有力工具，为数据科学家、统计学家和研究人员提供了更好的工具来理解数据集中的相关性。
绘图代码
R
setwd("D:/Working-Folder/R-work/")
library(corrplot)
cor <- read.csv(file = "data_1.txt", header = T, sep = "\t")
cor <- cor[,-1]
correlation_matrix <- cor(cor)
col2 <- colorRampPalette(c("#77C034","white" ,"#C388FE"),alpha = TRUE)
corrplot(correlation_matrix, order = "hclust",col = col2(100),method = "square",cl.length=5, type = "upper",diag = F,tl.col="black",tl.cex = 1,cl.pos = "r",cl.ratio = 0.2)
res <- cor.mtest(cor, conf.level = .95)
p <- res$p
p[1:5,1:5]
corrplot(correlation_matrix,add = TRUE,method = 'number',
type = 'lower', col = col2(100),
order = c('hclust'), diag = T, number.cex = 0.9,
tl.pos = 'l', tl.col="grey20",cl.pos = 'n',
p.mat = p,
insig = "pch",pch.col="grey20",pch.cex=2)
#饼图添加显著性星号；
corrplot(correlation_matrix, order = "hclust",col = col2(100),
method = "pie",
cl.length=5, type = "upper",diag = T,
p.mat = p,sig.level = c(0.001, 0.01, 0.05),
insig = "label_sig",pch.col="grey20",pch.cex=1.4,
tl.col="grey20",tl.cex = 1,cl.pos = "r",cl.ratio = 0.2)
corrplot(correlation_matrix,add = TRUE,method = 'number',
type = 'lower', col = col2(100),
order = c('hclust'), diag = T, number.cex = 0.9,
tl.pos = 'l', tl.col="grey20",cl.pos = 'n',
p.mat = p,
insig = "pch",pch.col="grey20",pch.cex=2)运行以上代码后，出图如下：
看起来挺好看的~
后记
2025年第一次记录，很久没有去写了，以后还是要养成记录的良好习惯。
--------CXGG
千里之行，始于足下。
--------2025.1.9