R实现热图与网络图组合并显示显著性

这篇具有很好参考价值的文章主要介绍了R实现热图与网络图组合并显示显著性。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

      大家好,我是带我去滑雪!

      热图和网络图分别展示了数据的不同方面。热图可用于显示变量之间的相关性或模式,而网络图则可用于显示节点之间的连接关系。通过将它们组合在一起,可以更全面地展示数据之间的关系和结构。下面开始代码实战。

(1)安装并调用相关R包

install.packages("vegan",repos="http://mirrors.tuna.tsinghua.edu.cn/CRAN/")
install.packages("ggcor",repos="http://mirrors.tuna.tsinghua.edu.cn/CRAN/")

#安装devtools
install.packages("devtools")

#安装ggcor
devtools::install_local("F:/R-4.2.2/library/ggcor_master/ggcor-1-master", force = TRUE)


library(vegan) # Community Ecology Package
library(dplyr) # A Grammar of Data Manipulation
library(ggcor) # Extended tools for correlation analysis and visualization
library(ggplot2) # Create Elegant Data Visualisations Using the Grammar of Graphics

(2)导入数据

varechem<-read.csv("E:/工作/硕士/博客/博客粉丝问题/新建文件夹/mantel test/varechem.csv",header=TRUE,sep=",",fileEncoding = "GBK")
varespec<-read.csv("E:/工作/硕士/博客/博客粉丝问题/新建文件夹/mantel test/varespec.csv",header=TRUE,sep=",",fileEncoding = "GBK")
varechem
varespec

    varechem部分数据展示:

   X    N    P     K     Ca    Mg    S    Al    Fe    Mn   Zn   Mo Baresoil Humdepth  pH
1  18 19.8 42.1 139.9  519.4  90.0 32.3  39.0  40.9  58.1  4.5 0.30    43.90      2.2 2.7
2  15 13.4 39.1 167.3  356.7  70.7 35.2  88.1  39.0  52.4  5.4 0.30    23.60      2.2 2.8
3  24 20.2 67.7 207.1  973.3 209.1 58.1 138.0  35.4  32.1 16.8 0.80    21.20      2.0 3.0
4  27 20.6 60.8 233.7  834.0 127.2 40.7  15.4   4.4 132.0 10.7 0.20    18.70      2.9 2.8
5  23 23.8 54.5 180.6  777.0 125.8 39.5  24.2   3.0  50.1  6.6 0.30    46.00      3.0 2.7
6  19 22.8 40.9 171.4  691.8 151.4 40.8 104.8  17.6  43.6  9.1 0.40    40.50      3.8 2.7
7  22 26.6 36.7 171.4  738.6  94.9 33.8  20.7   2.5  77.6  7.4 0.30    23.00      2.8 2.8
8  16 24.2 31.0 138.2  394.6  45.3 27.1  74.2   9.8  24.4  5.2 0.30    29.80      2.0 2.8
9  28 29.8 73.5 260.0  748.6 105.3 42.5  17.9   2.4 106.6  9.3 0.30    17.60      3.0 2.8
10 13 28.1 40.5 313.8  540.7 118.9 60.2 329.7 109.9  61.7  9.1 0.50    29.90      2.2 2.8
11 14 21.8 38.1 146.8  512.2  75.0 36.6  92.3   4.6  29.0  8.1 0.50    33.30      2.7 2.7
12 20 26.2 61.9 202.2  741.2  86.3 48.6 124.3  23.6  94.5 10.2 0.60    56.90      2.5 2.9
13 25 22.8 50.6 151.7  648.0  64.8 30.2  12.1   2.3 122.9  8.1 0.20    23.70      2.6 2.9
14  7 30.5 24.6  78.7  188.5  55.5 25.3 294.9 123.8  10.1  3.0 0.40    18.60      1.7 3.1
15  5 33.1 22.7  43.6  240.3  25.7 14.9  39.0   8.4  26.8  8.4 0.20     8.10      1.0 3.1
16  6 19.1 26.4  61.1  259.1  37.0 21.4 155.1  81.4  20.6  4.0 0.60     5.80      1.9 3.0

varespec部分数据展示:

R实现热图与网络图组合并显示显著性,机器学习之R,r语言,服务器,开发语言

(3)绘制组合图

mantel <- mantel_test(varespec, varechem,
                      spec.select = list(Spec01 = 1:7,
                                         Spec02 = 8:18,
                                         Spec03 = 19:37,
                                         Spec04 = 38:44)) %>% 
  mutate(rd = cut(r, breaks = c(-Inf, 0.2, 0.4, Inf),
                  labels = c("< 0.2", "0.2 - 0.4", ">= 0.4")),
         pd = cut(p.value, breaks = c(-Inf, 0.01, 0.05, Inf),
                  labels = c("< 0.01", "0.01 - 0.05", ">= 0.05")))

quickcor(varechem, type = "upper") +
  geom_square() +
  anno_link(aes(colour = pd, size = rd), data = mantel) +
  scale_size_manual(values = c(0.5, 1, 2)) +
  scale_colour_manual(values = c("#D95F02", "#1B9E77", "#A2A2A288")) +
  guides(size = guide_legend(title = "Mantel's r",
                             override.aes = list(colour = "grey35"), 
                             order = 2),
         colour = guide_legend(title = "Mantel's p", 
                               override.aes = list(size = 3), 
                               order = 1),
         fill = guide_colorbar(title = "Pearson's r", order = 3))

    图形效果:

R实现热图与网络图组合并显示显著性,机器学习之R,r语言,服务器,开发语言

需要数据集的家人们可以去百度网盘(永久有效)获取:

链接:https://pan.baidu.com/s/173deLlgLYUz789M3KHYw-Q?pwd=0ly6
提取码:2138 


更多优质内容持续发布中,请移步主页查看。

若有问题可邮箱联系:1736732074@qq.com 

博主的WeChat:TCB1736732074

   点赞+关注,下次不迷路!文章来源地址https://www.toymoban.com/news/detail-837312.html

到了这里,关于R实现热图与网络图组合并显示显著性的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 机器学习之ResNet(残差网络)与常用的标准数据集

    ResNet(Residual Network)是一种深度神经网络,由微软实验室的何凯明等几位大神在2015年提出,并在当年的ImageNet竞赛中获得了分类任务第一名。 ResNet通过引入残差结构(residual structure),解决了深度神经网络在训练过程中出现的梯度消失或梯度爆炸问题,从而使得网络可以构

    2024年02月11日
    浏览(38)
  • 机器学习之计算机视觉中的深度学习:卷积神经网络介绍

    文章代码来源:《deep learning on keras》,非常好的一本书,大家如果英语好,推荐直接阅读该书,如果时间不够,可以看看此系列文章。 在这一章,我们会学习卷积神经网络,一种在计算机视觉中常用的深度学习模型,你将会学着将它们运用到分类问题中。 我们首先会介绍卷

    2024年02月04日
    浏览(71)
  • 机器学习之LSTM的Python实现

    LSTM (长短期记忆人工神经网络),是一种可以学习长期依赖特殊的 RNN (循环神经网络)。 传统循环网络 RNN 虽然可以通过记忆体,实现短期记忆,进行连续数据的预测。但是当连续数据的序列变长时,会使展开时间步过长,反向传播更新参数时梯度要按时间步连续相乘,会

    2024年02月01日
    浏览(33)
  • 机器学习之分类决策树与回归决策树—基于python实现

          大家好,我是带我去滑雪!       本期为大家介绍决策树算法,它一种基学习器,广泛应用于集成学习,用于大幅度提高模型的预测准确率。决策树在分区域时,会考虑特征向量对响应变量的影响,且每次仅使用一个分裂变量,这使得决策树很容易应用于高维空间,且

    2024年02月03日
    浏览(45)
  • 机器学习之支持向量机(SVM)对乳腺癌数据二分类python实现

    支持向量机(Support Vector Machines)是一种二分类模型,它的目的是寻找一个超平面来对样本进行分割,分割的原则是间隔最大化,最终转化为一个凸二次规划问题来求解。 间隔最大化,就是所有样本点中,离我们分类界限超平面最近的样本点,尽可能的远离超平面。这种思想

    2024年02月03日
    浏览(101)
  • 机器学习之朴素贝叶斯分类器原理详解、公式推导(手推)、面试问题、简单实例(python实现,sklearn调包)

    朴素贝叶斯是一种有监督学习算法,这种算法基于贝叶斯的一个朴素的假设——每对特征和样本数据都是独立同分布的。最终可以推出朴素贝叶斯分类器的判定准则: h n b ( x ) = a r g   m a x c ∈ Υ   P ( c ) ∏ i = 1 d P ( x i   ∣   c ) h_{nb}(x)=mathop{arg max}limits_{cin varUpsilon} P(

    2024年02月08日
    浏览(50)
  • element-ui 表格一行显示多行内容并实现多行内某一行列合并

    这是加上边框的, 去掉边框后这个表格看着更明显一点,表格一行放多行内容,并让第二行进行列合并,第一行不合并 该方法其实就是普通的列合并,只不过使用了row和col使效果看着像是第一行没合并,第二行才合并

    2024年02月11日
    浏览(60)
  • 什么是Heatmap(热图)图表?用DHTMLX可实现快速构建

    DHTMLX Chart是DHTMLX最新发布的JavaScript UI小部件库的核心内容之一,这个图表小部件收到了几个重要的更新,但其中最引人注目的是一个新的数据可视化选项——日历热图。 DHTMLX专注于JavaScript和HTML5 UI小部件和库,以帮助开发人员更快地构建功能丰富的、交互式的Web界面。 遵循

    2024年02月16日
    浏览(41)
  • 计算机视觉——day 90 基于级联卷积神经网络和对抗学习的显著目标检测

    显著目标检测在过去的几年中受到了广泛的关注并取得了巨大的成功。要获得清晰的边界和一致的显著性仍然是一个挑战,这可以被认为是显着对象的结构信息。流行的解决方案是进行一些后处理(例如,条件随机场(CRF))来细化这些结构信息。 在本工作中,我们提出了一

    2024年02月06日
    浏览(61)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包