本篇文章为大家展示了R语言中编辑器的相关性分析是怎样的，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。
创新互联专注为客户提供全方位的互联网综合服务，包含不限于网站建设、网站设计、海北州网络推广、微信小程序定制开发、海北州网络营销、海北州企业策划、海北州品牌公关、搜索引擎seo、人物专访、企业宣传片、企业代运营等，从售前售中售后，我们都将竭诚为您服务，您的肯定，是我们最大的嘉奖；创新互联为所有大学生创业者提供海北州建站搭建服务，24小时服务热线：13518219792，官方网址：www.cdcxhl.com
R语言中cor函数，只能计算相关系数，如果想要计算显著性，需要两两用cor.test进行，如果是多列数据，操作比较麻烦。这里介绍两个包，非常方便的进行多列数据的相关系数及其显著性的检验，并且给出可视化。
1. 模拟数据
这里模拟出10列数据，转化为数据库，是100行10列的数据，目的是为了计算这10列的相关系数及其显著性，虽然随机数没有显著性可言，但是作为一个演示，还是很可以说明问题的。
> set.seed(123)
> dd = as.data.frame(matrix(rnorm(1000),100,10))
> head(dd)
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
1 -0.56047565 -0.71040656 2.1988103 -0.7152422 -0.07355602 -0.60189285 1.07401226 -0.7282191 0.3562833 -1.0141142
2 -0.23017749 0.25688371 1.3124130 -0.7526890 -1.16865142 -0.99369859 -0.02734697 -1.5404424 -0.6580102 -0.7913139
3 1.55870831 -0.24669188 -0.2651451 -0.9385387 -0.63474826 1.02678506 -0.03333034 -0.6930946 0.8552022 0.2995937
4 0.07050839 -0.34754260 0.5431941 -1.0525133 -0.02884155 0.75106130 -1.51606762 0.1188494 1.1529362 1.6390519
5 0.12928774 -0.95161857 -0.4143399 -0.4371595 0.67069597 -1.50916654 0.79038534 -1.3647095 0.2762746 1.0846170
6 1.71506499 -0.04502772 -0.4762469 0.3311792 -1.65054654 -0.09514745 -0.21073418 0.5899827 0.1441047 -0.6245675
2. 计算相关系数及显著性
首先要载入Hmisc这个包，因为我们要用这个包里面的rcorr函数，如果没有这个包，那就运行命令install.packages("Hmisc")安装即可。
❝
题外话，这种蓝色的代码高亮，真是太好看了，我进而想到王者荣耀的皮肤那么多人购买真的是有很多人在乎颜值的，进而推测出我钻石五星段位的持久性与我没有氪金有很强的关联性，因为充钱的快乐只能N连胜的喜悦才可以体会。顺便说一句，当你N连跪之后就把游戏卸了洗洗睡吧，我今天都把腾讯的企业微信给投诉了，是截图投诉的，然后领导告诉我“知道为什么腾讯把你公众号封一个月吧？打游戏不氪金还瞎比比。。。”
❞
> # 计算相关系数及显著性
> library(Hmisc)#加载包
> res2 <- rcorr(as.matrix(dd))
> res2
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
V1 1.00 -0.05 -0.13 -0.04 -0.19 -0.06 -0.03 0.18 -0.02 0.01
V2 -0.05 1.00 0.03 0.04 -0.13 0.11 0.08 -0.03 -0.05 -0.09
V3 -0.13 0.03 1.00 -0.04 -0.02 0.02 0.01 -0.12 -0.05 -0.01
V4 -0.04 0.04 -0.04 1.00 -0.02 -0.09 -0.06 0.17 -0.17 0.25
V5 -0.19 -0.13 -0.02 -0.02 1.00 0.21 -0.01 -0.14 -0.04 -0.02
V6 -0.06 0.11 0.02 -0.09 0.21 1.00 -0.06 0.09 0.07 -0.03
V7 -0.03 0.08 0.01 -0.06 -0.01 -0.06 1.00 0.00 -0.13 -0.02
V8 0.18 -0.03 -0.12 0.17 -0.14 0.09 0.00 1.00 0.00 0.02
V9 -0.02 -0.05 -0.05 -0.17 -0.04 0.07 -0.13 0.00 1.00 -0.02
V10 0.01 -0.09 -0.01 0.25 -0.02 -0.03 -0.02 0.02 -0.02 1.00
n= 100
P
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
V1 0.6246 0.2002 0.6632 0.0547 0.5767 0.7343 0.0706 0.8234 0.9135
V2 0.6246 0.7626 0.6650 0.1952 0.2567 0.4398 0.7435 0.6543 0.3653
V3 0.2002 0.7626 0.6576 0.8061 0.8573 0.9317 0.2544 0.5985 0.8866
V4 0.6632 0.6650 0.6576 0.8492 0.3737 0.5284 0.0950 0.1008 0.0139
V5 0.0547 0.1952 0.8061 0.8492 0.0392 0.9488 0.1628 0.6958 0.8741
V6 0.5767 0.2567 0.8573 0.3737 0.0392 0.5225 0.3515 0.4622 0.8046
V7 0.7343 0.4398 0.9317 0.5284 0.9488 0.5225 0.9979 0.2012 0.8398
V8 0.0706 0.7435 0.2544 0.0950 0.1628 0.3515 0.9979 0.9936 0.8107
V9 0.8234 0.6543 0.5985 0.1008 0.6958 0.4622 0.2012 0.9936 0.8225
V10 0.9135 0.3653 0.8866 0.0139 0.8741 0.8046 0.8398 0.8107 0.8225
3. 显著性的可视化
上面有相关系数，有对应的显著性，但是R语言做完统计如果没有可视化，就像吃完饭没有喝汤，总感觉少了什么，那就可视化吧！
> library(PerformanceAnalytics)#加载包
> chart.Correlation(dd, histogram=TRUE, pch=19)
4. 完整代码
set.seed(123)
dd = as.data.frame(matrix(rnorm(1000),100,10))
head(dd)
# 计算相关系数及显著性
library(Hmisc)#加载包
res2 <- rcorr(as.matrix(dd))
res2
# 可视化
library(PerformanceAnalytics)#加载包
chart.Correlation(dd, histogram=TRUE, pch=19)
上述内容就是R语言中编辑器的相关性分析是怎样的，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注创新互联行业资讯频道。
当前名称：R语言中编辑器的相关性分析是怎样的
标题链接：
http://cdkjz.cn/article/iphcig.html
