R语言相关性分析步骤到底怎么组合？

用原始表型获得相关性系数的矩阵数据的话，则可以使用psych包的corr.test函数。
导入数据，注意不要表头不要在里面，不然不能识别，而且不能两列没有一个相关的数据。

library(psych)
cor<-corr.test(states, use = "complete", method = "pearson", adjust = "none")
cor_r<-cor$r
cor_p<-cor$p

接下来可视化使用corrplot包

注意，这里比其他教程多一个调教颜色的步骤，应为发现默认的颜色解释红色→蓝色（-1→1），不符合正常的图注习惯。

这里使用RColorBrewer包中的RdYlBu颜色集中，去除最后一个紫色。

image.png

 mycolors<-brewer.pal(10,"RdYlBu")[10:1]

先画一半，这一半是FPC排序的，不是按照你输入的原始顺序，这里做一个按照主成分分析的排序，能够让你更加方便解释数据。最后两个参数的意思是将显著性低于0.001的打×，显著性不够，其相关性不做考虑。

corrplot(cor_r, method = "pie", type = "lower", order= "FPC", tl.pos = "tp", tl.col = "black", cl.pos = "r", mar = c(1,1,1,1),col=mycolors,p.mat= cor_p,sig.level= 0.001)

再画一半，这里是纯数字的相关性系数，比较简洁好看。其他参数一致。

corrplot(cor_r, method = "number", type = "upper", order= "FPC",add = TRUE, diag = FALSE, tl.pos = "n", cl.pos = "n",mar = c(1,1,1,1),col=mycolors,addCoefasPercent = TRUE,p.mat= cor_p,sig.level= 0.001)

image.png