最近刚刚开通了付费功能，想试水一下，愿意支持一把的小伙伴，提前感谢了。主题
众所周知，相关性分析及其热图的可视化，可以说在很多领域都应用颇多，医学，生命科学自不必多说，经济学，农业科学，环境科学等领域的论文也需要使用热图呈现结果，熟练绘制可以说是从硕士生，博士生，到青年教师都需要掌握的技能。因为在数据分析和科研中，相关性热图是一种广泛应用的可视化工具，它能直观展示变量间的关系，帮助我们从复杂数据中发现模式和关键信息。无论是在生物信息学、心理学研究，还是经济金融领域，相关性热图都发挥着重要作用。但考虑到大多数人可能没有时间系统学习R语言绘制热图的详细步骤，今天我们就提供最详细的可复制代码，来帮助大家理解如何绘制以及对代码进行个性化的设置和优化。今天的更新从简单的热图入手，逐步深入到显著性标记、聚类分析、网格分析以及高端的环形热图展示，全面覆盖了相关性热图的主要类型。同时，为了提升图形的美观性，我们对每种热图进行了”实用“级别的美学优化，确保输出的图形能够用于论文、报告或会议展示。其间，环形热图的原始数据和代码来自于circlize 包，非常感谢！这是我最喜欢的R社区作者之一的Zuguang Gu在该领域非常权威的工作，想要全面了解环形柱状图的同学，建议去阅读原著：https://github.com/jokergoo/circlize，公众号内容有限，我们仅节选了一部分内容。必备工具
要想执行本文中的教程，需要R，Rstudio, 以及对应的R包，可用以下代码检查是否已安装必须的包。# 检查并安装所需的R包
required_packages <- c("ggplot2", "ggcorrplot", "reshape2", "pheatmap", "circlize", "ComplexHeatmap"，“gridBase”, "RColorBrewer")
for (pkg in required_packages) {
if (!requireNamespace(pkg, quietly = TRUE)) {
install.packages(pkg, dependencies = TRUE)
message(sprintf("已安装缺少的包：%s", pkg))
} else {
message(sprintf("包 %s 已安装", pkg))
}
}
其中，大部分包直接安装即可，单请留意，ComplexHeatmap包需要借助Bioconductor安装，可用以下代码安装：if (!require("BiocManager", quietly = TRUE))
install.packages("BiocManager")
BiocManager::install("ComplexHeatmap")
一、简单相关性热图
应用场景
适合初步探索变量间的关系，快速获取全局相关性结构。代码实现及美学优化
# 调用 R 自带数据集 mtcars
data <- mtcars
cor_mat <- cor(data)
library(ggplot2)
library(ggcorrplot)
g1 <- ggcorrplot(cor_mat,
hc.order = TRUE,
type = "lower",
lab = TRUE,
lab_size = 3,
colors = c("#6D9EC1", "white", "#E46726"),
legend.title = "相关性") +
theme_minimal() +
theme(
plot.title = element_text(size = 18, face = "bold", hjust = 0.5),
legend.position = "right",
legend.title = element_text(size = 12)
) +
ggtitle("简单相关性热图")
g1
二、显著性标注的相关性热图
应用场景
适合挖掘统计学显著的变量关系，并标注不同显著性水平。代码实现及美学优化
# 使用模拟数据集
set.seed(123)
data <- as.data.frame(matrix(rnorm(100), ncol = 10))
colnames(data) <- paste0("Var", 1:10)
# 自定义函数：计算 p 值矩阵
cor.mtest <- function(mat, conf.level = 0.95) {
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], conf.level = conf.level)
p.mat[i, j] <- p.mat[j, i] <- tmp$p.value
}
}
colnames(p.mat) <- rownames(p.mat) <- colnames(mat)
return(p.mat)
}
# 计算相关矩阵和 p 值矩阵
cor_mat <- cor(data)
p_mat <- cor.mtest(data)
# 将显著性水平转为星号
stars <- ifelse(p_mat < 0.01, "**",
ifelse(p_mat < 0.05, "*", ""))
# 数据整合
library(reshape2)
cor_mat_melt <- melt(cor_mat)
stars_melt <- melt(stars)
names(cor_mat_melt) <- c("Var1", "Var2", "Correlation")
names(stars_melt) <- c("Var1", "Var2", "Stars")
data_combined <- merge(cor_mat_melt, stars_melt, by = c("Var1", "Var2"))
# 绘制热图
g2 <- ggplot(data_combined, aes(Var1, Var2)) +
geom_tile(aes(fill = Correlation), color = "white") +
geom_text(aes(label = paste0(round(Correlation, 2), Stars)),
color = "black", size = 3) +
scale_fill_gradient2(low = "#2166AC", mid = "white", high = "#B2182B",
midpoint = 0, limits = c(-1, 1),
name = "相关性") +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 45, hjust = 1, size = 10),
axis.text.y = element_text(size = 10),
plot.title = element_text(size = 18, face = "bold", hjust = 0.5),
legend.title = element_text(size = 12)
) +
ggtitle("显著性标注的相关性热图")
g2
![]()
