Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序，Get更优阅读体验！
立即前往
文档建议反馈控制台
首页
学习
活动
专区
圈层
工具
MCP广场
文章/答案/技术大牛
发布
首页
学习
活动
专区
圈层
工具
MCP广场
返回腾讯云官网
社区首页 >专栏 >「R」管道统计分析——rstatix使用指南

「R」管道统计分析——rstatix使用指南

作者头像
王诗翔呀
发布于 2020-07-03 09:44:43
发布于 2020-07-03 09:44:43
3K00
代码可运行
举报
文章被收录于专栏：优雅R优雅R
运行总次数：0
代码可运行
关联问题
换一批

今天母亲节，不知道读者有没有当妈的，这里先祝妈妈读者们节日快乐！ 这篇文章是 rstatix 包 README 的介绍，这个包它可以解决我们在使用 tidyverse 进行统计分析和绘图时一些痛点问题。包网址：https://github.com/kassambara/rstatix （点击原文也可以跳转）。如果你对使用的统计分析流程不熟悉，今天的第二篇文章里面的截图可以作为平时使用的参考。

rstatix 包提供了一个与「tidyverse」设计哲学一致的简单且直观的管道友好框架用于执行基本的统计检验， 包括 t 检验、Wilcoxon 检验、ANOVA、Kruskal-Wallis 以及相关分析。

每个检验的输出都会自动转换为干净的数据框以便于可视化。

另外也提供了一些用于重塑、重排、操作以及可视化相关矩阵的函数。也包含一些方便因子实验分析的函数，包括 ‘within-Ss’ 设计 (repeated measures), purely ‘between-Ss’ 设计以及 mixed ‘within-and-between-Ss’ 设计。

该包也可以用于计算一些效应值度量，包括 “eta squared” for ANOVA, “Cohen’s d” for t-test and “Cramer’s V” for the association between categorical variables。该包还包含一些用于识别单变量和多变量离群点、评估变异正态性和异质性的帮助函数。

核心函数

描述统计量

  • get_summary_stats(): Compute summary statistics for one or multiple numeric variables. Can handle grouped data.
  • freq_table(): Compute frequency table of categorical variables.
  • get_mode(): Compute the mode of a vector, that is the most frequent values.
  • identify_outliers(): Detect univariate outliers using boxplot methods.
  • mahalanobis_distance(): Compute Mahalanobis Distance and Flag Multivariate Outliers.
  • shapiro_test() and mshapiro_test(): Univariate and multivariate Shapiro-Wilk normality test.

比较均值

  • t_test(): perform one-sample, two-sample and pairwise t-tests
  • wilcox_test(): perform one-sample, two-sample and pairwise Wilcoxon tests
  • sign_test(): perform sign test to determine whether there is a median difference between paired or matched observations.
  • anova_test(): an easy-to-use wrapper around car::Anova() to perform different types of ANOVA tests, including independent measures ANOVA, repeated measures ANOVA and mixed ANOVA.
  • kruskal_test(): perform kruskal-wallis rank sum test
  • tukey_hsd(): performs tukey post-hoc tests. Can handle different inputs formats: aov, lm, formula.
  • dunn_test(): compute multiple pairwise comparisons following Kruskal-Wallis test.
  • emmeans_test(): pipe-friendly wrapper arround emmeans function to perform pairwise comparisons of estimated marginal means. Useful for post-hoc analyses following up ANOVA/ANCOVA tests.
  • get_comparisons(): Create a list of possible pairwise comparisons between groups.
  • get_pvalue_position: autocompute p-value positions for plotting significance using ggplot2.

促进R的ANOVA计算

  • factorial_design(): build factorial design for easily computing ANOVA using the car::Anova() function. This might be very useful for repeated measures ANOVA, which is hard to set up with the car package.
  • anova_summary(): Create beautiful summary tables of ANOVA test results obtained from either car::Anova() or stats::aov(). The results include ANOVA table, generalized effect size and some assumption checks, such as Mauchly’s test for sphericity in the case of repeated measures ANOVA.

比较方差

  • levene_test(): Pipe-friendly framework to easily compute Levene’s test for homogeneity of variance across groups. Handles grouped data.
  • box_m(): Box’s M-test for homogeneity of covariance matrices

效应值

  • cohens_d(): Compute cohen’s d measure of effect size for t-tests.
  • eta_squared() and partial_eta_squared(): Compute effect size for ANOVA.
  • cramer_v(): Compute Cramer’s V, which measures the strength of the association between categorical variables.

相关分析

计算相关性:

  • cor_test(): correlation test between two or more variables using Pearson, Spearman or Kendall methods.
  • cor_mat(): compute correlation matrix with p-values. Returns a data frame containing the matrix of the correlation coefficients. The output has an attribute named “pvalue”, which contains the matrix of the correlation test p-values.
  • cor_get_pval(): extract a correlation matrix p-values from an object of class cor_mat().
  • cor_pmat(): compute the correlation matrix, but returns only the p-values of the correlation tests.
  • as_cor_mat(): convert a cor_test object into a correlation matrix format.

重塑相关矩阵:

  • cor_reorder(): reorder correlation matrix, according to the coefficients, using the hierarchical clustering method.
  • cor_gather(): takes a correlation matrix and collapses (or melt) it into long format data frame (paired list)
  • cor_spread(): spread a long correlation data frame into wide format (correlation matrix).

取子集:

  • cor_select(): subset a correlation matrix by selecting variables of interest.
  • pull_triangle(), pull_upper_triangle(), pull_lower_triangle(): pull upper and lower triangular parts of a (correlation) matrix.
  • replace_triangle(), replace_upper_triangle(), replace_lower_triangle(): replace upper and lower triangular parts of a (correlation) matrix.

可视化相关矩阵:

  • cor_as_symbols(): replaces the correlation coefficients, in a matrix, by symbols according to the value.
  • cor_plot(): visualize correlation matrix using base plot.
  • cor_mark_significant(): add significance levels to a correlation matrix.

矫正p值和添加显著性标记

  • adjust_pvalue(): add an adjusted p-values column to a data frame containing statistical test p-values
  • add_significance(): add a column containing the p-value significance level

其他

  • doo(): alternative to dplyr::do for doing anything. Technically it uses nest() + mutate() + map() to apply arbitrary computation to a grouped data frame.
  • sample_n_by(): sample n rows by group from a table
  • convert_as_factor(), set_ref_level(), reorder_levels(): Provides pipe-friendly functions to convert simultaneously multiple variables into a factor variable.
  • make_clean_names(): Pipe-friendly function to make syntactically valid column names (for input data frame) or names (for input vector).

安装和加载

  • 从GitHub上安装开发版本：
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
if(!require(devtools)) install.packages("devtools")
devtools::install_github("kassambara/rstatix")
  • 或者从CRAN安装稳定版本：
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
install.packages("rstatix")
  • 加载包
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
library(rstatix)  
#> 
#> 载入程辑包：'rstatix'
#> The following object is masked from 'package:stats':
#> 
#>     filter
library(ggpubr)  # For easy data-visualization
#> 载入需要的程辑包：ggplot2
#> 载入需要的程辑包：magrittr

描述统计量

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
# Summary statistics of some selected variables
#::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
iris %>% 
  get_summary_stats(Sepal.Length, Sepal.Width, type = "common")
#> # A tibble: 2 x 10
#>   variable         n   min   max median   iqr  mean    sd    se    ci
#>   <chr>        <dbl> <dbl> <dbl>  <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 Sepal.Length   150   4.3   7.9    5.8   1.3  5.84 0.828 0.068 0.134
#> 2 Sepal.Width    150   2     4.4    3     0.5  3.06 0.436 0.036 0.07

# Whole data frame
#::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
iris %>% get_summary_stats(type = "common")
#> # A tibble: 4 x 10
#>   variable         n   min   max median   iqr  mean    sd    se    ci
#>   <chr>        <dbl> <dbl> <dbl>  <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 Petal.Length   150   1     6.9   4.35   3.5  3.76 1.76  0.144 0.285
#> 2 Petal.Width    150   0.1   2.5   1.3    1.5  1.20 0.762 0.062 0.123
#> 3 Sepal.Length   150   4.3   7.9   5.8    1.3  5.84 0.828 0.068 0.134
#> 4 Sepal.Width    150   2     4.4   3      0.5  3.06 0.436 0.036 0.07


# Grouped data
#::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
iris %>%
  group_by(Species) %>% 
  get_summary_stats(Sepal.Length, type = "mean_sd")
#> # A tibble: 3 x 5
#>   Species    variable         n  mean    sd
#>   <fct>      <chr>        <dbl> <dbl> <dbl>
#> 1 setosa     Sepal.Length    50  5.01 0.352
#> 2 versicolor Sepal.Length    50  5.94 0.516
#> 3 virginica  Sepal.Length    50  6.59 0.636

比较均值

你可以使用 t_test() (parametric) or wilcox_test() (non-parametric，实际比较的是中位数) 比较均值差异。下面使用 t 检验进行示范。

数据

导入样例数据集：

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
df <- ToothGrowth
df$dose <- as.factor(df$dose)
head(df)
#>    len supp dose
#> 1  4.2   VC  0.5
#> 2 11.5   VC  0.5
#> 3  7.3   VC  0.5
#> 4  5.8   VC  0.5
#> 5  6.4   VC  0.5
#> 6 10.0   VC  0.5

比较2个独立组别

  • 创建一个带p值的箱线图
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
# T-test
stat.test <- df %>% 
  t_test(len ~ supp, paired = FALSE) 
stat.test
#> # A tibble: 1 x 8
#>   .y.   group1 group2    n1    n2 statistic    df      p
#> * <chr> <chr>  <chr>  <int> <int>     <dbl> <dbl>  <dbl>
#> 1 len   OJ     VC        30    30      1.92  55.3 0.0606

# Create a box plot
p <- ggboxplot(
  df, x = "supp", y = "len", 
  color = "supp", palette = "jco", ylim = c(0,40)
  )
# Add the p-value manually
p + stat_pvalue_manual(stat.test, label = "p", y.position = 35)
  • 使用 glue expression 自定义标签：
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
p +stat_pvalue_manual(stat.test, label = "T-test, p = {p}", 
                      y.position = 36)

image

  • 分组数据：在按照「dose」分组后比较 supp 水平：
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
# Statistical test
stat.test <- df %>%
  group_by(dose) %>%
  t_test(len ~ supp) %>%
  adjust_pvalue() %>%
  add_significance("p.adj")
stat.test
#> # A tibble: 3 x 11
#>   dose  .y.   group1 group2    n1    n2 statistic    df       p   p.adj
#>   <fct> <chr> <chr>  <chr>  <int> <int>     <dbl> <dbl>   <dbl>   <dbl>
#> 1 0.5   len   OJ     VC        10    10    3.17    15.0 0.00636 0.0127 
#> 2 1     len   OJ     VC        10    10    4.03    15.4 0.00104 0.00312
#> 3 2     len   OJ     VC        10    10   -0.0461  14.0 0.964   0.964  
#> # … with 1 more variable: p.adj.signif <chr>

# Visualization
ggboxplot(
  df, x = "supp", y = "len",
  color = "supp", palette = "jco", facet.by = "dose",
  ylim = c(0, 40)
  ) +
  stat_pvalue_manual(stat.test, label = "p.adj", y.position = 35)

比较配对样本

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
# T-test
stat.test <- df %>% 
  t_test(len ~ supp, paired = TRUE) 
stat.test
#> # A tibble: 1 x 8
#>   .y.   group1 group2    n1    n2 statistic    df       p
#> * <chr> <chr>  <chr>  <int> <int>     <dbl> <dbl>   <dbl>
#> 1 len   OJ     VC        30    30      3.30    29 0.00255

# Box plot
p <- ggpaired(
  df, x = "supp", y = "len", color = "supp", palette = "jco", 
  line.color = "gray", line.size = 0.4, ylim = c(0, 40)
  )
p + stat_pvalue_manual(stat.test, label = "p", y.position = 36)

成对比较

  • 成对比较：如果分组变量包含多于2个分类，会自动执行成对比较
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
# Pairwise t-test
pairwise.test <- df %>% t_test(len ~ dose)
pairwise.test
#> # A tibble: 3 x 10
#>   .y.   group1 group2    n1    n2 statistic    df        p    p.adj
#> * <chr> <chr>  <chr>  <int> <int>     <dbl> <dbl>    <dbl>    <dbl>
#> 1 len   0.5    1         20    20     -6.48  38.0 1.27e- 7 2.54e- 7
#> 2 len   0.5    2         20    20    -11.8   36.9 4.40e-14 1.32e-13
#> 3 len   1      2         20    20     -4.90  37.1 1.91e- 5 1.91e- 5
#> # … with 1 more variable: p.adj.signif <chr>
# Box plot
ggboxplot(df, x = "dose", y = "len")+
  stat_pvalue_manual(
    pairwise.test, label = "p.adj", 
    y.position = c(29, 35, 39)
    )
  • 基于参考组的成对比较
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
# Comparison against reference group
#::::::::::::::::::::::::::::::::::::::::
# T-test: each level is compared to the ref group
stat.test <- df %>% t_test(len ~ dose, ref.group = "0.5")
stat.test
#> # A tibble: 2 x 10
#>   .y.   group1 group2    n1    n2 statistic    df        p    p.adj
#> * <chr> <chr>  <chr>  <int> <int>     <dbl> <dbl>    <dbl>    <dbl>
#> 1 len   0.5    1         20    20     -6.48  38.0 1.27e- 7 1.27e- 7
#> 2 len   0.5    2         20    20    -11.8   36.9 4.40e-14 8.80e-14
#> # … with 1 more variable: p.adj.signif <chr>
# Box plot
ggboxplot(df, x = "dose", y = "len", ylim = c(0, 40)) +
  stat_pvalue_manual(
    stat.test, label = "p.adj.signif", 
    y.position = c(29, 35)
    )
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
# Remove bracket
ggboxplot(df, x = "dose", y = "len", ylim = c(0, 40)) +
  stat_pvalue_manual(
    stat.test, label = "p.adj.signif", 
    y.position = c(29, 35),
    remove.bracket = TRUE
    )
  • 基于总体水平的成对比较
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
# T-test
stat.test <- df %>% t_test(len ~ dose, ref.group = "all")
stat.test
#> # A tibble: 3 x 10
#>   .y.   group1 group2    n1    n2 statistic    df       p   p.adj
#> * <chr> <chr>  <chr>  <int> <int>     <dbl> <dbl>   <dbl>   <dbl>
#> 1 len   all    0.5       60    20     5.82   56.4 2.90e-7 8.70e-7
#> 2 len   all    1         60    20    -0.660  57.5 5.12e-1 5.12e-1
#> 3 len   all    2         60    20    -5.61   66.5 4.25e-7 8.70e-7
#> # … with 1 more variable: p.adj.signif <chr>
# Box plot with horizontal mean line
ggboxplot(df, x = "dose", y = "len") +
  stat_pvalue_manual(
    stat.test, label = "p.adj.signif", 
    y.position = 35,
    remove.bracket = TRUE
    ) +
  geom_hline(yintercept = mean(df$len), linetype = 2)

ANOVA 检验

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
# One-way ANOVA test
#:::::::::::::::::::::::::::::::::::::::::
df %>% anova_test(len ~ dose)
#> Coefficient covariances computed by hccm()
#> ANOVA Table (type II tests)
#> 
#>   Effect DFn DFd    F        p p<.05   ges
#> 1   dose   2  57 67.4 9.53e-16     * 0.703

# Two-way ANOVA test
#:::::::::::::::::::::::::::::::::::::::::
df %>% anova_test(len ~ supp*dose)
#> Coefficient covariances computed by hccm()
#> ANOVA Table (type II tests)
#> 
#>      Effect DFn DFd     F        p p<.05   ges
#> 1      supp   1  54 15.57 2.31e-04     * 0.224
#> 2      dose   2  54 92.00 4.05e-18     * 0.773
#> 3 supp:dose   2  54  4.11 2.20e-02     * 0.132

# Two-way repeated measures ANOVA
#:::::::::::::::::::::::::::::::::::::::::
df$id <- rep(1:10, 6) # Add individuals id
# Use formula
# df %>% anova_test(len ~ supp*dose + Error(id/(supp*dose)))
# or use character vector
df %>% anova_test(dv = len, wid = id, within = c(supp, dose))
#> ANOVA Table (type III tests)
#> 
#> $ANOVA
#>      Effect DFn DFd      F        p p<.05   ges
#> 1      supp   1   9  34.87 2.28e-04     * 0.224
#> 2      dose   2  18 106.47 1.06e-10     * 0.773
#> 3 supp:dose   2  18   2.53 1.07e-01       0.132
#> 
#> $`Mauchly's Test for Sphericity`
#>      Effect     W     p p<.05
#> 1      dose 0.807 0.425      
#> 2 supp:dose 0.934 0.761      
#> 
#> $`Sphericity Corrections`
#>      Effect   GGe      DF[GG]    p[GG] p[GG]<.05  HFe      DF[HF]    p[HF]
#> 1      dose 0.838 1.68, 15.09 2.79e-09         * 1.01 2.02, 18.15 1.06e-10
#> 2 supp:dose 0.938 1.88, 16.88 1.12e-01           1.18 2.35, 21.17 1.07e-01
#>   p[HF]<.05
#> 1         *
#> 2

# Use model as arguments
#:::::::::::::::::::::::::::::::::::::::::
.my.model <- lm(yield ~ block + N*P*K, npk)
anova_test(.my.model)
#> Coefficient covariances computed by hccm()
#> Note: model has aliased coefficients
#>       sums of squares computed by model comparison
#> ANOVA Table (type II tests)
#> 
#>   Effect DFn DFd      F     p p<.05   ges
#> 1  block   4  12  4.959 0.014     * 0.623
#> 2      N   1  12 12.259 0.004     * 0.505
#> 3      P   1  12  0.544 0.475       0.043
#> 4      K   1  12  6.166 0.029     * 0.339
#> 5    N:P   1  12  1.378 0.263       0.103
#> 6    N:K   1  12  2.146 0.169       0.152
#> 7    P:K   1  12  0.031 0.863       0.003
#> 8  N:P:K   0  12     NA    NA  <NA>    NA

相关检验

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
# Data preparation
mydata <- mtcars %>% 
  select(mpg, disp, hp, drat, wt, qsec)
head(mydata, 3)
#>                mpg disp  hp drat   wt qsec
#> Mazda RX4     21.0  160 110 3.90 2.62 16.5
#> Mazda RX4 Wag 21.0  160 110 3.90 2.88 17.0
#> Datsun 710    22.8  108  93 3.85 2.32 18.6

# Correlation test between two variables
mydata %>% cor_test(wt, mpg, method = "pearson")
#> # A tibble: 1 x 8
#>   var1  var2    cor statistic        p conf.low conf.high method 
#>   <chr> <chr> <dbl>     <dbl>    <dbl>    <dbl>     <dbl> <chr>  
#> 1 wt    mpg   -0.87     -9.56 1.29e-10   -0.934    -0.744 Pearson

# Correlation of one variable against all
mydata %>% cor_test(mpg, method = "pearson")
#> # A tibble: 5 x 8
#>   var1  var2    cor statistic        p conf.low conf.high method 
#>   <chr> <chr> <dbl>     <dbl>    <dbl>    <dbl>     <dbl> <chr>  
#> 1 mpg   disp  -0.85     -8.75 9.38e-10  -0.923     -0.708 Pearson
#> 2 mpg   hp    -0.78     -6.74 1.79e- 7  -0.885     -0.586 Pearson
#> 3 mpg   drat   0.68      5.10 1.78e- 5   0.436      0.832 Pearson
#> 4 mpg   wt    -0.87     -9.56 1.29e-10  -0.934     -0.744 Pearson
#> 5 mpg   qsec   0.42      2.53 1.71e- 2   0.0820     0.670 Pearson

# Pairwise correlation test between all variables
mydata %>% cor_test(method = "pearson")
#> # A tibble: 36 x 8
#>    var1  var2    cor statistic        p conf.low conf.high method 
#>    <chr> <chr> <dbl>     <dbl>    <dbl>    <dbl>     <dbl> <chr>  
#>  1 mpg   mpg    1       Inf    0.         1          1     Pearson
#>  2 mpg   disp  -0.85     -8.75 9.38e-10  -0.923     -0.708 Pearson
#>  3 mpg   hp    -0.78     -6.74 1.79e- 7  -0.885     -0.586 Pearson
#>  4 mpg   drat   0.68      5.10 1.78e- 5   0.436      0.832 Pearson
#>  5 mpg   wt    -0.87     -9.56 1.29e-10  -0.934     -0.744 Pearson
#>  6 mpg   qsec   0.42      2.53 1.71e- 2   0.0820     0.670 Pearson
#>  7 disp  mpg   -0.85     -8.75 9.38e-10  -0.923     -0.708 Pearson
#>  8 disp  disp   1       Inf    0.         1          1     Pearson
#>  9 disp  hp     0.79      7.08 7.14e- 8   0.611      0.893 Pearson
#> 10 disp  drat  -0.71     -5.53 5.28e- 6  -0.849     -0.481 Pearson
#> # … with 26 more rows

相关矩阵

代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
# Compute correlation matrix
#::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
cor.mat <- mydata %>% cor_mat()
cor.mat
#> # A tibble: 6 x 7
#>   rowname   mpg  disp    hp   drat    wt   qsec
#> * <chr>   <dbl> <dbl> <dbl>  <dbl> <dbl>  <dbl>
#> 1 mpg      1    -0.85 -0.78  0.68  -0.87  0.42 
#> 2 disp    -0.85  1     0.79 -0.71   0.89 -0.43 
#> 3 hp      -0.78  0.79  1    -0.45   0.66 -0.71 
#> 4 drat     0.68 -0.71 -0.45  1     -0.71  0.091
#> 5 wt      -0.87  0.89  0.66 -0.71   1    -0.17 
#> 6 qsec     0.42 -0.43 -0.71  0.091 -0.17  1

# Show the significance levels
#::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
cor.mat %>% cor_get_pval()
#> # A tibble: 6 x 7
#>   rowname      mpg     disp           hp       drat        wt       qsec
#>   <chr>      <dbl>    <dbl>        <dbl>      <dbl>     <dbl>      <dbl>
#> 1 mpg     0.       9.38e-10 0.000000179  0.0000178  1.29e- 10 0.0171    
#> 2 disp    9.38e-10 0.       0.0000000714 0.00000528 1.22e- 11 0.0131    
#> 3 hp      1.79e- 7 7.14e- 8 0            0.00999    4.15e-  5 0.00000577
#> 4 drat    1.78e- 5 5.28e- 6 0.00999      0          4.78e-  6 0.62      
#> 5 wt      1.29e-10 1.22e-11 0.0000415    0.00000478 2.27e-236 0.339     
#> 6 qsec    1.71e- 2 1.31e- 2 0.00000577   0.62       3.39e-  1 0

# Replacing correlation coefficients by symbols
#::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
cor.mat %>%
  cor_as_symbols() %>%
  pull_lower_triangle()
#>   rowname mpg disp hp drat wt qsec
#> 1     mpg                         
#> 2    disp   *                     
#> 3      hp   *    *                
#> 4    drat   +    +  .             
#> 5      wt   *    *  +    +        
#> 6    qsec   .    .  +

# Mark significant correlations
#::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
cor.mat %>%
  cor_mark_significant()
#>   rowname       mpg      disp        hp      drat    wt qsec
#> 1     mpg                                                   
#> 2    disp -0.85****                                         
#> 3      hp -0.78****  0.79****                               
#> 4    drat  0.68**** -0.71****   -0.45**                     
#> 5      wt -0.87****  0.89****  0.66**** -0.71****           
#> 6    qsec     0.42*    -0.43* -0.71****     0.091 -0.17


# Draw correlogram using R base plot
#::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
cor.mat %>%
  cor_reorder() %>%
  pull_lower_triangle() %>% 
  cor_plot()
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2020-05-15，如有侵权请联系 cloudcommunity@tencent.com 删除
python

本文分享自 优雅R 微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ，欢迎热爱写作的你一起参与！

python
评论
登录后参与评论
暂无评论
登录 后参与评论
推荐阅读
编辑精选文章
换一批
一篇文搞定消息队列选型
2255
腾讯写码6年，我总结的技术人核心竞争力
3416
醍醐灌顶！异地多活架构设计看这篇就够了
3954
单体架构比微服务架构更落后吗？
2468
万级TPS优惠券系统设计与实践
2850
我独到的技术见解--大型前端项目的常见问题和解决方案
5942
R优雅的进行统计分析(2)自定义添加统计信息
数据可视化https网络安全
❝本节来介绍如何使用R语言来做统计分析，通过「rstatix」包进行统计检验，完全使用tidyverse体系进行数据清洗及可视化，使用add_pvalue,stat_pvalue_manual两个函数来自定义添加p值 ❞ 加载R包 library(tidyverse) library(rstatix) library(ggprism) library(ggpubr) library(ggsci) 数据清洗 df <- ToothGrowth %>% mutate(dose=as.factor(d
R语言数据分析指南
2022/09/21
8020
R优雅的进行统计分析(2)自定义添加统计信息
「R」ggplot2 添加矫正p值
githubhttpsgit开源网络安全
ggpubr 实现了 ggplot2 绘图添加 p 值的良好支持，但读者需要注意它是没有经常矫正的。矫正 p 值需要额外的处理。
王诗翔呀
2020/07/03
1.6K0
「R」ggplot2 添加矫正p值
🤫 linkET | 完美解决ggcor安装失败方案（附教程）
na
最近看了一个出自Science的神图，在网上搜遍教程，踩了好多坑，在这里分享一下完美解决方案~ (•‿•)
生信漫卷
2022/10/31
2K0
🤫 linkET | 完美解决ggcor安装失败方案（附教程）
linkET | 完美解决ggcor安装失败方案（附教程）
r 语言
最近看了一个出自Science的神图，在网上搜遍教程，踩了好多坑，在这里分享一下完美解决方案~ (•‿•)
生信漫卷
2022/10/13
1.7K0
R 相关性分析
其他
R 相关性分析 1. 相关性矩阵计算： 加载mtcars数据 > setwd("E:\\Rwork") > data("mtcars") > head(mtcars) mpg cyl disp hp drat wt qsec vs am gear carb Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4 Mazda RX4 Wag 21.0 6 160 11
用户1359560
2018/08/27
1.3K0
R 相关性分析
R语言中科研绘图神器ggpubr
ggplot2
在整理图像的时候会让人觉得苦恼的就是怎么让绘图风格统一、画风高级。今天就跟大家介绍一个画图的神器，据说可以直接赢得主编的好感。此包就是ggpubr，一个联合ggplot2包进行绘图工具包。首先看下包的安装：
一粒沙
2022/11/21
1.8K0
统计绘图 | 一行代码教你绘制顶级期刊要求配图
python编程算法
在分享完即可统计又可可视化绘制的优秀可视化包后(具体内容可看统计绘图 | 既能统计分析又能可视化绘制的技能 。就有小伙伴私信问我“需要绘制出版级别的可视化图表有什么快速的方法？“。鉴于我是一个比较宠粉的小编，几天就给大家推荐一个技巧，让你快速绘制出符合出版要求绘图技能。主要内容如下：
DataCharm
2021/03/11
1.1K0
统计绘图 | 一行代码教你绘制顶级期刊要求配图
统计绘图 | 一行代码添加P值的可视化技巧分享
addboxplotdataformset
在一些常见的统计图表中经常需要在一些图表中添加P值，那么今天小编给大家汇总一下关于统计图表中P值的添加方法。今天推文的主要内容如下：
DataCharm
2021/05/27
1.6K0
R海拾遗-双因素重复测量方差分析
重复测量方差分析 sunqi 2020/7/26 概述 双因素的重复测量资料方差分析 代码 数据获得 library(tidyverse) library(ggpubr) library(rstatix) rm(list=ls()) set.seed(123) data("selfesteem2", package = "datarium") # 抽样 selfesteem2 %>% sample_n_by(treatment, size = 1) ## # A tibble: 2 x 5 ## id
火星娃统计
2020/09/15
1.9K0
R海拾遗-双因素重复测量方差分析
R语言读CSV、txt文件方式以及read.table read.csv 和readr（大数据读取包）
r 语言数据分析数据处理
首先准备测试数据*(mtcars) 分别为CSV.    TXT read.table 默认形式读取CSV（×）与TXT(效果理想) ① > test<-read.table("C:/Users/ad
学到老
2018/03/19
8.3K0
R语言读CSV、txt文件方式以及read.table read.csv 和readr（大数据读取包）
数据分析：假设检验方法汇总及R代码实现
数据分析
显著性检验方法，通常也被称为假设检验方法，是统计学中用于评估样本统计量是否显著不同于某个假设值的一种重要工具。以下是假设检验方法使用时需要考虑的三个条件的书面化表述：
生信学习者
2024/06/20
8410
数据分析：假设检验方法汇总及R代码实现
(文末送书)绘图技巧 | 一行代码实现多图组合和风格主题设置
https网络安全
如果现在你还是将自己制作的图表放在PS或者PPT中进行随意组合的话，那么这篇文章你就得好好看看了，今天小编就给大家安利一个超强的突变自由组合包-patchwork，让你轻松实现多图的自由组合。下面小编结合实例介绍一下该包的主要用法：
DataCharm
2021/04/16
6120
(文末送书)绘图技巧 | 一行代码实现多图组合和风格主题设置
R语言日常笔记（1）filter函数
编程算法
在处理数据时，过滤数据是最基本的操作之一。 如果想删除一部分无效或者根本不感兴趣的数据。 dplyr有filter（）函数来做这样的过滤。 使用dplyr，可以帮助使用者像使用SQL或者传统BI工具以简单且更直观的方式进行过滤。
用户1359560
2019/07/16
23K0
集统计分析数据可视化与一身的利器，这个R包轻松实现
线性回归官方文档lm表格图表
❝本节来介绍一款R包「rempsyc」即可用来进行统计分析又可用来进行图表绘制，内容很是丰富，原文文档链接见下方，各位观众老爷可以去参考官方文档了解具体细节。❞ 原文文档 ❝https://rempsyc.remi-theriault.com/#nice-apa-tables❞ 加载R包 install.packages("rempsyc") library(rempsyc) library(tidyverse) t-test分析 t.tests <- nice_t_test(data = mtcars,
R语言数据分析指南
2022/12/20
4560
集统计分析数据可视化与一身的利器，这个R包轻松实现
「R」基本统计分析
编程算法音视频点播加速
因为书中列举的方法和知识点比较多，没必要全都掌握，会一种，其他的了解即可。我就简要地整理一下我觉得重要的吧。
王诗翔呀
2020/07/06
1.7K0
R海拾遗-单项重复测量方差分析
anovaoutlierspackagetidyverse
对于单项的方差分析，如果不满足上述假设，使用Friedman test进行，对于双向、三向的方差分析没有替代的非参数方法，只能通过装换数据
火星娃统计
2020/09/15
2K0
R海拾遗-单项重复测量方差分析
tidyverse：R语言中相当于python中pandas+matplotlib的存在
https网络安全文件存储
tidyverse就是Hadley Wickham将自己所写的包整理成了一整套数据处理的方法，包括ggplot2、dplyr、tidyr、readr、purrr、tibble、stringr、forcats。出版有《R for Data Science》（中文版《R数据科学》），这本书详细介绍了tidyverse的使用方法。
拴小林
2021/01/12
4.8K0
「R」数据可视化13 : 相关性图
数据可视化
在生物信息领域我们常常使用R语言对数据可视化。在对数据可视化的时候，我们需要明确想要展示的信息，从而选择最为合适的图突出该信息。本系列文章将介绍多种基于不同R包的作图方法，希望能够帮助到各位读者。
王诗翔呀
2020/07/06
2.8K0
「R」数据可视化13 : 相关性图
R数据科学-1（dplyr）
编程算法数据分析数据结构pythonr 语言
如今数据分析如火如荼，R与Python大行其道。你还在用Excel整理数据么，你还在用spss整理数据么。
Jamesjin63
2022/10/25
1.8K0
R数据科学-1（dplyr）
R包基础实操—tidyverse包
https网络安全linux
核心软件包是ggplot2、dplyr、tidyr、readr、purrr、tibble、stringr和forcats，它们提供了建模、转换和可视化数据的功能。
生信技能树jimmy
2021/10/11
3.6K0
R包基础实操—tidyverse包
推荐阅读
编辑精选文章
一篇文搞定消息队列选型腾讯写码6年，我总结的技术人核心竞争力醍醐灌顶！异地多活架构设计看这篇就够了单体架构比微服务架构更落后吗？万级TPS优惠券系统设计与实践我独到的技术见解--大型前端项目的常见问题和解决方案
相关讨论
Google Optimize使用指南(2018)？人脸识别2.0版本使用指南？人脸识别3.0版本使用指南？
相关课程
AI驱动的TDSQL-Cserverless实战营C/Python低代码实战营
R优雅的进行统计分析(2)自定义添加统计信息
8020
「R」ggplot2 添加矫正p值
1.6K0
🤫 linkET | 完美解决ggcor安装失败方案（附教程）
2K0
linkET | 完美解决ggcor安装失败方案（附教程）
1.7K0
R 相关性分析
1.3K0
R语言中科研绘图神器ggpubr
1.8K0
统计绘图 | 一行代码教你绘制顶级期刊要求配图
1.1K0
统计绘图 | 一行代码添加P值的可视化技巧分享
1.6K0
R海拾遗-双因素重复测量方差分析
1.9K0
R语言读CSV、txt文件方式以及read.table read.csv 和readr（大数据读取包）
8.3K0
数据分析：假设检验方法汇总及R代码实现
8410
(文末送书)绘图技巧 | 一行代码实现多图组合和风格主题设置
6120
R语言日常笔记（1）filter函数
23K0
集统计分析数据可视化与一身的利器，这个R包轻松实现
4560
「R」基本统计分析
1.7K0
R海拾遗-单项重复测量方差分析
2K0
tidyverse：R语言中相当于python中pandas+matplotlib的存在
4.8K0
「R」数据可视化13 : 相关性图
2.8K0
R数据科学-1（dplyr）
1.8K0
R包基础实操—tidyverse包
3.6K0
相关推荐
R优雅的进行统计分析(2)自定义添加统计信息
更多 >
王诗翔呀0
LV.1
中山大学肿瘤防治中心博士后
文章
448
获赞
945
专栏
1
作者相关精选
换一批
加入讨论
的问答专区 >
毛剑0
相关课程
一站式学习中心 >
AI驱动的TDSQL-Cserverless实战营
1421人在学
云原生数据库 TDSQL-C
C/Python
985人在学
c 语言
python
低代码实战营
271人在学
微搭低代码
领券

腾讯云开发者

扫码关注腾讯云开发者

扫码关注腾讯云开发者

领取腾讯云代金券

热门产品

热门推荐

更多推荐

Copyright © 2013 - 2025 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有 

深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

腾讯云计算（北京）有限责任公司 京ICP证150476号 |  京ICP备11018762号 | 京公网安备号11010802020287

问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档

Copyright © 2013 - 2025 Tencent Cloud.

All Rights Reserved. 腾讯云 版权所有

登录 后参与评论
2
本文部分代码块支持一键运行，欢迎体验
本文部分代码块支持一键运行，欢迎体验