原文链接：http://tecdat.cn/?p=22772 

原文出处：拓端数据部落公众号

 

我们经常使用的一个关系性指标是相关性。通过可以利用数据框架和绘图来帮助探索相关关系。

本文先创建了相关关系的关系数据框，然后绘制了关系结构。

库

我们将使用以下库。

1.   library(tidyverse)
2.   library(igraph)

基本方法

给定一个由数字变量组成的数据框d，我们想在网络中绘制其相关性，这里有一个基本方法。

1.   # 创建相关数据框
2.   d %>%
3.   correlate() %>%
4.    
5.   # 将强于某个值的相关关系转换成转换为一个无向图的对象
6.   cors %>%
7.   filter(abs(r)
8.    
9.   # 绘制
10.   plot(cors)

例子1：汽车参数配置关联变量

让我们按照这个方法来处理MTCars数据集。默认情况下，所有的变量都是数字的，所以我们不需要做任何预处理。

我们首先创建一个相关性数据框，并将其转换为一个图形对象。

1.    
2.   correlate() %>%
3.   stretch()

接下来，我们将这些值转换为一个无向图对象。该图是不定向的，因为相关关系没有方向。相关关系没有因果关系。

因为，我们通常不希望看到所有的相关关系，我们首先过滤（）出绝对值小于某个阈值的任何相关关系。例如，让我们包括0.3或更强的相关关系（正或负）。

1.   cors %>%
2.   filter(abs(r) > .3) %>%

我们绘制这个对象。下面是一个基本图。
 

plot(cors) 

改进之后的。

plot(cors,width = abs(r), color = r,title="汽车变量之间的相关关系")

 

例子2：有类似饮酒习惯的国家

这个例子需要进行一些数据预处理，我们只看强正相关。

让我们来看一个关于世界各国的啤酒、葡萄酒饮用量的数据。

 

1.    
2.   drinkdata
3.    

我想找出欧洲和美洲的哪些国家有类似的啤酒、葡萄酒和烈酒饮用习惯，以及澳大利亚在其中的地位。绑定地理信息并找到我感兴趣的国家，把这些数据变成相关数据的形状。 

1.    
2.    
3.    
4.   # 标准化数据以检查相对数量。
5.   # 而不是绝对数量
6.   # 啤酒、葡萄酒和烈酒的相对数量
7.   d %>% mutate_if(is.numeric, scale)
8.    
9.   # 整理数据
10.   %>%
11.   gather(type, litres, -country) %>%
12.   drop_na() %>%
13.    
14.    
15.   #转换成宽数据以便进行关联分析
16.   %>%
17.   spread(country, litres) %>%
18.    

这个数据包括每个国家喝的啤酒、葡萄酒和烈酒数量的Z-scores。

我们现在可以继续使用我们的标准方法。因为我只对哪些国家真正相似感兴趣，我们过滤相关系数低的数据。（r>0.9）

plot(cors,alpha = r, color = r,title = "哪些国家有类似的饮酒习惯？")
  

这些国家的饮酒行为分为三个群组。

例如澳大利亚与许多西欧和北欧国家如英国、法国、荷兰、挪威和瑞典一起出现在左上方的集群中。

---

最受欢迎的见解

1.R语言动态图可视化：如何、创建具有精美动画的图

2.R语言生存分析可视化分析

3.Python数据可视化-seaborn Iris鸢尾花数据

4.r语言对布丰投针（蒲丰投针）实验进行模拟和动态

5.R语言生存分析数据分析可视化案例

6.r语言数据可视化分析案例：探索brfss数据数据分析

7.R语言动态可视化：制作历史全球平均温度的累积动态折线图动画gif视频图

8.R语言高维数据的主成分pca、 t-SNE算法降维与可视化分析案例报告

9.python主题LDA建模和t-SNE可视化

标签：关系,网络图,可视化,cors,相关,饮酒,数据,我们
来源： https://www.cnblogs.com/tecdat/p/14948155.html