文档介绍：相关性分析gaom在我们平时分析的时候,经常会遇到样品间的相关性检验分析,并以此判断对我们后续分析的影响。今天主要跟大家讨论一下简单的相关性分析以及结果展示。利用的测试数据还是之前我们在geo数据库中随便找的一份表达谱数据。首先还是导入数据,进行简单分析,获取相关数值。rm(list=ls())#先把我们的R清空一下data<-(file="C:\\Users\\gaom\\Desktop\\R语言绘图\\相关性分析\\",header=T,=1,sep="\t")#读取数据cor(data,method="pearson")#方法可选pearson、kendall、spearman。##T01T02T03T04T05T06T07##.##.##.##.##.##.##.##.##.##.##.##.##T08T09T10T11T12##.##.##.##.##.##.##.##.##.##.##.##,下面让我们把这些结果可视化。先利用基本函数plot展示下我们样品的结果。plot(data[,1:6],pch=19,col=rgb(0,0,100,50,maxColorValue=255))#我们截取前面6个样品看看他们的相关性从上面的结果来看T01、T02、T03之间的相关性要稍微差些,而T04、T05、T06之间的相关性要好的多。下面我们根据cor函数的结果做成类似热图的形式。library("lattice")cor_data<-(cor(data,method="pearson"))#获取相关系数矩阵levelplot(cor_data)#直接利用levelplot函数进行绘图上图中颜色非常淡,所以我们想考虑一下自己把这个图再进化一下。col<-colorRampPalette(c("green","black","red"),space="rgb")#我们自己设置填充颜色levelplot(cor_data,main="corplottest",xlab="",ylab="",=col(100))#main对应的是图的标题,以及xlab、ylab分别对应x轴和y轴的标题,这里表示不添加,所以都是"",引号里面是没东西的从图中我们可以看出T04、T05、T06以及T07、T08、T09这两组的相关性就更好。当然,我们也可以直接用pheatmap这个画