R語言中cor函數，只能計算相關系數，如果想要計算顯著性，需要兩兩用cor.test進行，如果是多列數據，操作比較麻煩。這里介紹兩個包，非常方便的進行多列數據的相關系數及其顯著性的檢驗，并且給出可視化。

1. 模擬數據

這里模擬出10列數據，轉化為數據庫，是100行10列的數據，目的是為了計算這10列的相關系數及其顯著性，雖然隨機數沒有顯著性可言，但是作為一個演示，還是很可以說明問題的。

> 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. 計算相關系數及顯著性

首先要載入Hmisc這個包，因為我們要用這個包里面的rcorr函數，如果沒有這個包，那就運行命令install.packages("Hmisc")安裝即可。

?  

題外話，這種藍色的代碼高亮，真是太好看了，我進而想到王者榮耀的皮膚那么多人購買真的是有很多人在乎顏值的，進而推測出我鉆石五星段位的持久性與我沒有氪金有很強的關聯性，因為充錢的快樂只能N連勝的喜悅才可以體會。順便說一句，當你N連跪之后就把游戲卸了洗洗睡吧，我今天都把騰訊的企業微信給投訴了，是截圖投訴的，然后領導告訴我“知道為什么騰訊把你公眾號封一個月吧？打游戲不氪金還瞎比比。。。”

?  

> # 計算相關系數及顯著性
> library(Hmisc)#加載包
> 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. 顯著性的可視化

上面有相關系數，有對應的顯著性，但是R語言做完統計如果沒有可視化，就像吃完飯沒有喝湯，總感覺少了什么，那就可視化吧！

> library(PerformanceAnalytics)#加載包
> chart.Correlation(dd, histogram=TRUE, pch=19)

 

4. 完整代碼

set.seed(123)
dd = as.data.frame(matrix(rnorm(1000),100,10))

head(dd)

# 計算相關系數及顯著性
library(Hmisc)#加載包
res2 <- rcorr(as.matrix(dd))
res2

# 可視化
library(PerformanceAnalytics)#加載包
chart.Correlation(dd, histogram=TRUE, pch=19)