Визуализируйте корреляционную матрицу с помощью коррелограммы в R-программировании

Опубликовано: 17 Февраля, 2022

График корреляционной матрицы известен как коррелограмма . Обычно это используется для выделения наиболее коррелированных переменных в наборе данных или таблице данных. Коэффициенты корреляции на графике окрашены в зависимости от значения. Основываясь на степени связи между переменными, мы можем соответствующим образом изменить порядок корреляционной матрицы.

Коррелограмма в R

В R мы будем использовать пакет «corrplot» для реализации коррелограммы. Следовательно, чтобы установить пакет из R Console, мы должны выполнить следующую команду:

 install.packages ("corrplot")

После того, как мы правильно установили пакет, мы загрузим его в наш R-скрипт с помощью функции library () следующим образом:

 библиотека ("заговор")

Теперь мы увидим, как реализовать коррелограмму в R-программировании. Мы увидим подробное объяснение реализации с примером в пошаговой манере.

Пример:

Step 1: [Data for Correlation Analysis]: The first job is to select a proper dataset to implement the concept. For our example, we will be using the “mtcars” data set which is an inbuilt data set of R. We will see some of the data in this data set.

R

# Correlogram in R
# including the required packages
library(corrplot)
  
head(mtcars)

Выход:

 голова (mtcars)
                   mpg cyl disp hp drat wt qsec vs am gear карбюратор
Mazda RX4 21,0 6160110 3,90 2,620 16,46 0 1 4 4
Mazda RX4 Wag 21,0 6160110 3,90 2,875 17,02 0 1 4 4
Datsun 710 22,8 4108 93 3,85 2,320 18,61 1 1 4 1
Hornet 4 Drive 21,4 6 258110 3,08 3,215 19,44 1 0 3 1
Хорнет Спортэбаут 18,7 8360175 3,15 3,440 17,02 0 0 3 2
Доблестный 18,1 6225105 2,76 3,460 20,22 1 0 3 1

Step 2: [Computing Correlation Matrix]: We will now compute a correlation matrix for which we want to plot the correlogram. We shall use the cor() function for computing a correlation matrix.

R

# Correlogram in R
# required packages
library(corrplot)
  
head(mtcars)
#correlation matrix
M<-cor(mtcars)
head(round(M,2))

Выход:

 голова (круглая (М, 2))
       mpg cyl disp hp drat wt qsec vs am gear карбюратор
миль на галлон 1,00 -0,85 -0,85 -0,78 0,68 -0,87 0,42 0,66 0,60 0,48 -0,55
цилиндр -0,85 1,00 0,90 0,83 -0,70 0,78 -0,59 -0,81 -0,52 -0,49 0,53
disp -0,85 0,90 1,00 0,79 -0,71 0,89 -0,43 -0,71 -0,59 -0,56 0,39
л.с. -0,78 0,83 0,79 1,00 -0,45 0,66 -0,71 -0,72 -0,24 -0,13 0,75
драт 0,68 -0,70 -0,71 -0,45 1,00 -0,71 0,09 0,44 0,71 0,70 -0,09
вес -0,87 0,78 0,89 0,66 -0,71 1,00 -0,17 -0,55 -0,69 -0,58 0,43

Step 3: [Visualizing using Method argument]: At first, we shall see how to visualize the correlogram in different shapes like circles, pie, ellipse, and so on. We shall use the corrplot() function and mention the shape in its method arguments.

R

# Correlogram in R
# required packages
library(corrplot)
  
head(mtcars)
#correlation matrix
M<-cor(mtcars)
head(round(M,2))
  
#visualizing correlogram
#as circle
corrplot(M, method="circle")
# as pie
corrplot(M, method="pie")
# as colour
corrplot(M, method="color")
# as number
corrplot(M, method="number")

Выход:

Step 4: [Visualizing using type argument]: We shall see how to visualize the correlogram in different types like upper and lower triangular matrices. We shall use the corrplot() function and mention the type argument.

R

# Correlogram in R
# required package
library(corrplot)
  
head(mtcars)
  
# correlation matrix
M<-cor(mtcars)
head(round(M,2))
  
# types
# upper triangular matrix
corrplot(M, type="upper")
  
# lower triangular matrix
corrplot(M, type="lower")

Выход:

Step 5: [Reordering the correlogram]: We shall see how to reorder the correlogram. We shall use the corrplot() function and mention the order argument. We are going to use the “hclust” ordering for hierarchical clustering.

R

# Correlogram in R
# required packages
library(corrplot)
  
head(mtcars)
  
# correlation matrix
M<-cor(mtcars)
head(round(M, 2))
  
# reordering
# correlogram with hclust reordering
corrplot(M, type = "upper", order = "hclust")
  
# Using different color spectrum
col<- colorRampPalette(c("red", "white", "blue"))(20)
corrplot(M, type="upper", order = "hclust", col = col)
  
# Change background color to lightblue
corrplot(M, type="upper", order="hclust", 
         col = c("black", "white"), 
         bg = "lightblue")

Выход:

Step 6: [Changing the color in correlogram]: We shall now see how to change the color in correlogram. For this purpose, we have installed the “RColorBrewer” package and added it to our R script to use its palette colors.

R

# Correlogram in R
# required package
library(corrplot)
library(RColorBrewer)
  
head(mtcars)
  
# correlation matrix
M<-cor(mtcars)
head(round(M, 2))
  
# changing colour of the correlogram
corrplot(M, type="upper", order = "hclust", 
         col=brewer.pal(n = 8, name = "RdBu"))
corrplot(M, type="upper", order = "hclust",
         col=brewer.pal(n = 8, name = "RdYlBu"))
corrplot(M, type="upper", order = "hclust",
         col=brewer.pal(n = 8, name = "PuOr"))

Выход:

Step 7: [Changing the color and rotation of the text labels]: For this purpose, we shall include the tl.col and tl.str arguments in the corrplot() function.

R

# Correlogram in R
# required packages
library(corrplot)
library(RColorBrewer)
  
head(mtcars)
  
# correlation matrix
M<-cor(mtcars)
head(round(M, 2))
  
# changing the colour and 
# rotation of the text labels
corrplot(M, type = "upper", order = "hclust",
         tl.col = "black", tl.srt = 45)

Выход:

Step 8: [Computing the p-value of correlations]: Before we can add significance test to the correlogram we shall compute the p-value of the correlations using a custom R function as follows:

R

# Correlogram in R
# required package
library(corrplot)
  
head(mtcars)
M<-cor(mtcars)
head(round(M,2))
  
# mat : is a matrix of data
# ... : further arguments to pass 
# to the native R cor.test function
cor.mtest <- function(mat, ...) 
{
  mat <- as.matrix(mat)
  n <- ncol(mat)
  p.mat<- matrix(NA, n, n)
  diag(p.mat) <- 0
  for (i in 1:(n - 1)) 
  {
    for (j in (i + 1):n)
    {
      tmp <- cor.test(mat[, i], mat[, j], ...)
      p.mat[i, j] <- p.mat[j, i] <- tmp$p.value
    }
  }
  colnames(p.mat) <- rownames(p.mat) <- colnames(mat)
  p.mat
}
  
# matrix of the p-value of the correlation
p.mat <- cor.mtest(mtcars)
head(p.mat[, 1:5])

Выход:

 голова (p.mat [, 1: 5])
              миль на галлон цил диспл.
миль на галлон 0,000000e + 00 6.112687e-10 9.380327e-10 1.787835e-07 1.776240e-05
цилиндр 6.112687e-10 0.000000e + 00 1.802838e-12 3.477861e-09 8.244636e-06
disp 9.380327e-10 1.802838e-12 0.000000e + 00 7.142679e-08 5.282022e-06
л.с. 1.787835e-07 3.477861e-09 7.142679e-08 0.000000e + 00 9.988772e-03
drat 1.776240e-05 8.244636e-06 5.282022e-06 9.988772e-03 0.000000e + 00
вес 1.293959e-10 1.217567e-07 1.222320e-11 4.145827e-05 4.784260e-06

Step 9: [Add Significance Test]: We need to add the sig.level and insig argument in the corrplot() function. If the p-value is greater than 0.01 then it is an insignificant value for which the cells are either blank or crossed.

R

# Correlogram in R
# required package
library(corrplot)
  
head(mtcars)
M<-cor(mtcars)
head(round(M, 2))
  
library(corrplot)
  
# mat : is a matrix of data
# ... : further arguments to pass 
# to the native R cor.test function
cor.mtest <- function(mat, ...)
{
  mat <- as.matrix(mat)
  n <- ncol(mat)
  p.mat<- matrix(NA, n, n)
  diag(p.mat) <- 0
  for (i in 1:(n - 1)) 
  {
    for (j in (i + 1):n)
    {
      tmp <- cor.test(mat[, i], mat[, j], ...)
      p.mat[i, j] <- p.mat[j, i] <- tmp$p.value
    }
  }
  colnames(p.mat) <- rownames(p.mat) <- colnames(mat)
  p.mat
}
  
# matrix of the p-value of the correlation
p.mat <- cor.mtest(mtcars)
head(p.mat[, 1:5])
  
# Specialized the insignificant value
# according to the significant level
corrplot(M, type = "upper", order = "hclust", 
         p.mat = p.mat, sig.level = 0.01)
  
# Leave blank on no significant coefficient
corrplot(M, type = "upper", order = "hclust", 
         p.mat = p.mat, sig.level = 0.01, 
         insig = "blank")

Выход:

Step 10: [Customizing the Correlogram]: We can customize our correlogram using the required arguments in corrplot() function and adjusting their values.

R

# Correlogram in R
# required package
library(corrplot)
library(RColorBrewer)
  
head(mtcars)
M<-cor(mtcars)
head(round(M,2))
  
# customize the correlogram
library(corrplot)
col <- colorRampPalette(c("#BB4444", "#EE9988", 
                          "#FFFFFF", "#77AADD",
                          "#4477AA"))
  
corrplot(M, method = "color", col = col(200),  
         type = "upper", order = "hclust", 
         addCoef.col = "black", # Add coefficient of correlation
         tl.col="black", tl.srt = 45, # Text label color and rotation
           
         # Combine with significance
         p.mat = p.mat, sig.level = 0.01, insig = "blank", 
           
         # hide correlation coefficient
         # on the principal diagonal
         diag = FALSE 
)

Выход:

R язык

Визуализируйте корреляционную матрицу с помощью коррелограммы в R-программировании

Коррелограмма в R

R

R

R

R

R

R

R

R

R

R

РЕКОМЕНДУЕМЫЕ СТАТЬИ