一、相關性矩陣計算：
[1] 載入資料：
>data = read.csv("231-6057_2016-04-05-zx_wd_2.csv",header=false)
說明：csv格式的資料，header=false 表示沒有標題，即資料從第一行開始。
[2] 檢視匯入資料的前幾行，
[3] 刪除資料的7，8列，都是0
[4] 計算相關性矩陣（可以自己指定採用的方法，"pearson", "kendall", "spearman"）
二 相關係數的顯著性水平（correlation significance levels (p-value)）
使用hmisc 包，不僅可以計算相關性矩陣，還可以計算對應的顯著性水平
[1] 安裝包 hmisc （依賴包也會一併安裝，lib代表安裝包的路徑）
>install.packages("hmisc",lib="e:/program files/r/r-3.3.0/library/")
[2] 載入包
>library(hmisc)
[3] 計算相關性和顯著水平 (as.matrix(data) 表示將data轉換成矩陣)
輸出說明：
n : 處理資料的總記錄數（行數）
p : 顯著性水平矩陣（越**明越顯著）
三、視覺化相關性分析
[1] 使用 symnum() 函式實現視覺化 (cor_matr 是我們上文中cor()函式計算出來的相關性矩陣)
符號說明：在輸出的最後一行，說明了符號的意義，例如 [0.9 , 0.95) 這個區間使用 * 表示。其他符號類似
[2] 使用 corrplot() 函式實現視覺化（這裡需要使用到corrplot包，沒有安裝的需要安裝）
輸出說明：用不同顏色表示了相關性的強度，根據最右邊的顏色帶來看，越接近藍色說明相關性越高。其中圓形的大小也說明了行慣性的大小。
[3] 使用 performanceanalytics 包進行視覺化
輸出說明：
[4] heatmap 視覺化
說明：第一行是製作調色盤，紅色表示相關性最高。第二行引數說明，x: 相關性矩陣（前文已經計算），col: 調色盤，symm: 以對稱矩陣的形式顯示（可以看到畫出來的圖是中心對稱的，不過前提是輸入的矩陣是方陣）
參考:[1] correlation matrix : a quick start guide to analyze, format and visualize a correlation matrix using r software
[2] significance of the correlation coefficient
[3] installing r packages
分類:
讀書標籤:
r, 資料分析,
回歸
R語言相關性分析
相關性分析就是通過定量指標描述變數之間的強弱 直接或間接的聯絡。常見相關性指標 pearson相關係數是用於表示相關性大小的最常用指標，數值介於 1 1之間，越接近0相關性越低，越接近 1或1相關性越高。正負號表明相關方向，正號為正相關 負號為負相關。又稱為秩相關係數，利用兩變數的秩次大小來進行分析...
運用python進行相關性統計檢驗
主要是 2 分類變數vs分類變數 卡方檢驗 3 連續變數vs多分類變數 f檢驗 4 連續變數vs二分類變數 若連續變數滿足正態分佈，則用t檢驗，否則應用曼 惠特尼u檢驗 主要的python指令碼如下 from sklearn.feature selection import selectkbest,...
在R中進行相關分析
1.用r進行多元相關分析 用cov函式計算mtcars資料框的前三個變數的協方差矩陣 cov mtcars 1 3 mpg cyl disp mpg 36.324103 9.172379 633.0972 cyl 9.172379 3.189516 199.6603 disp 633.097208 ...