R | tidymodels 之 corrr

tidymodels 的非核心包。
没用过 ggcor，不知道对比起来怎么样。

参考：
https://github.com/tidymodels/corrr

image.png

install.packages("corrr")
library(corrr)
library(tidyverse)

• correlate(): 类似于 base 的 cor()
method: "pearson"(default) | "kendall" | "sperman"
• shave()
upper: 逻辑型，"TRUE"时上三角形转换为缺失值
• rearrange(): 根据相关性强度对列和行进行排序

df <- tibble(a = c(1,3,5,9), b = c(2,4,9,6), c = c(5,7,3,5))
cor(df, method  = "pearson")
#>           a          b          c
#> a  1.0000000  0.6046107 -0.2390457
#> b  0.6046107  1.0000000 -0.6835859
#> c -0.2390457 -0.6835859  1.0000000
cor_df <- correlate(df, method = "pearson")
#> 
#> Correlation method: 'pearson'
#> Missing treated using: 'pairwise.complete.obs'
#> 
#> # A tibble: 3 x 4
#>   term       a      b      c
#>   <chr>  <dbl>  <dbl>  <dbl>
#> 1 a     NA      0.605 -0.239
#> 2 b      0.605 NA     -0.684
#> 3 c     -0.239 -0.684 NA

• focus(): 筛选
  mirror: 逻辑型
• stretch(): 宽变长
  remove.dups: 逻辑型，"TRUE"时去重，即有了AB时，避免BA的出现
• fashion()
decimals: 数值型，显示的小数点后位数
  leading_zeros: 逻辑型，是否显示小数点前的 0
• rplot(): 绘图
  legend: 逻辑型
  shape: 默认 16，参考 geom_point() 中的形状序号
  colors/colours: 颜色向量，默认 c("indianred2", "white", "skyblue1")
print_cor: 逻辑型，是否打印相关性数值
• network_plot(): 绘制相关性网络

cor_df <- correlate(mtcars, method = "pearson") %>%
  focus(-mpg, mirror = T) %>%
  rearrange() %>%
  shave(upper = T)
  # fashion()
rplot(cor_df, colors = c("green", "red"), shape = 18)

image.png

• 利用 heatmap 绘图

cor_df2 <- cor_df %>%
  column_to_rownames("term")

pheatmap::pheatmap(cor_df2, cluster_rows = F, cluster_cols = F)

image.png

没有那个图的绘制函数，哪个图？懂的都懂那个图。