R语言linkET包绘制相关性组合网络热图
热图就是使用颜色来表示数据相关性的图。能绘制热图的R包很多，既往我们已经介绍了《R语言pheatmap包绘制热图》，今天咱们来介绍一下R语言linkET包绘制相关性组合网络热图。相关性热图的意思热图和其他数据的关联性，比较的是多数据间的内在关系。
linkET包是我们的一个国人写的，目前需要使用devtools::install_github下载，作者对包的描述是万物皆可互联，还挺有意思的。我们先下载包下来，
devtools::install_github(“Hy4m/linkET”, force = TRUE)
有时候Rstudio会提示你要更新其他的包吗？这里选3，不更新就可以了
下载好包后我们把包和数据导入，因为是相关性热图，所以需要导入两个数据
library(linkET)
library(ggplot2)
library(dplyr)
varespec<-read.csv("E:/r/test/varespec.csv",sep=',',header=TRUE)
varechem<-read.csv("E:/r/test/varechem.csv",sep=',',header=TRUE)
这两个数据来自文献Väre, H., Ohtonen, R. and Oksanen, J. (1995) Effects of reindeer grazing on understorey vegetation in dry Pinus sylvestris forests. Journal of Vegetation Science 6, 523–530
varespec 数据框有 24 行 44 列，列是 44 个物种的估计覆盖值。变量名由学名组成，数据介绍说熟悉植被类型的人一看便知，我是不知道是什么植物，反正就是植物名字。varechem 数据框有 24 行 14 列，给出了与 varespec 数据框中相同地点的土壤特性。化学测量值有明显的名称，就是一些金属元素的特征。Baresoil 表示裸土的估计覆盖率，Humdepth 表示腐殖质层的厚度。
linkET包即可绘制单独的热图，也可以绘制相关性的热图，下面咱们一一展示。
它有几个特殊的函数要先介绍一下，correlate函数可以计算数据的相关性
correlate(varechem)
也可以计算不同数据的相关性系数
correlate(varespec[1:30], varechem)
算出了相关性就能生成图形了，先来单个数据的
correlate(varechem) %>%
as_md_tbl() %>%
qcorrplot() +
geom_square()
再来个双数据的
correlate(varespec[1:30], varechem) %>%
qcorrplot() +
geom_square()
进行个性配色修改
correlate(varespec[1:30], varechem) %>%
qcorrplot() +
geom_square() +
scale_fill_gradientn(colours = RColorBrewer::brewer.pal(11, "RdBu"))
Qcorrplot函数能把系数化的矩阵图示化
qcorrplot(correlate(varechem)) +
geom_square() +
scale_fill_gradientn(colours = RColorBrewer::brewer.pal(11, "RdBu"))
Type系数可以控制我们取局部图形，比如我只想取下半截
qcorrplot(correlate(varechem), type = "lower") +
geom_square() +
scale_fill_gradientn(colours = RColorBrewer::brewer.pal(11, "RdBu"))
使用set_corrplot_style()函数和geom_square()函数还可以定制自己的风格，比如我想改方框为圆形，定义颜色为红色、蓝色和白色
set_corrplot_style(colours = c("red", "white", "blue"))
qcorrplot(correlate(varechem), type = "lower") +
geom_shaping(marker = "circle")
想要从新回复成系统自定义颜色可以使用
set_default_style()
下面咱们来进行相关性的网络热图绘制，绘制前要进行一个曼特尔试验，R包作者是这样说的，相异矩阵的Mantel和偏Mantel检验。，这里注意一下spec_select选择分类的是列的引索值，varespec数据刚好44列
mantel <- mantel_test(varespec, varechem,
spec_select = list(Spec01 = 1:7,
Spec02 = 8:18,
Spec03 = 19:37,
Spec04 = 38:44))
得出每个类别的R值和P值后我们对他们进行分段表示
mantel<-mantel %>%
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, breaks = c(-Inf, 0.01, 0.05, Inf),
labels = c("< 0.01", "0.01 - 0.05", ">= 0.05")))
计算好后就可以进一步绘图了
qcorrplot(correlate(varechem), type = "lower", diag = FALSE) +
geom_square() +
geom_couple(aes(colour = pd, size = rd),
data = mantel,
curvature = nice_curvature())
还可以进一步修饰，这个连接线条太粗了，不怎么美观，咱们调整一下
qcorrplot(correlate(varechem), type = "lower", diag = FALSE) +
geom_square() +
geom_couple(aes(colour = pd, size = rd),
data = mantel,
curvature = nice_curvature()) +
scale_fill_gradientn(colours = RColorBrewer::brewer.pal(11, "RdBu")) +
scale_size_manual(values = c(0.5, 1, 2))
自定义线条颜色
qcorrplot(correlate(varechem), type = "lower", diag = FALSE) +
geom_square() +
geom_couple(aes(colour = pd, size = rd),
data = mantel,
curvature = nice_curvature()) +
scale_fill_gradientn(colours = RColorBrewer::brewer.pal(11, "RdBu")) +
scale_size_manual(values = c(0.5, 1, 2)) +
scale_colour_manual(values = color_pal(3))
给图例更改名字
qcorrplot(correlate(varechem), type = "lower", diag = FALSE) +
geom_square() +
geom_couple(aes(colour = pd, size = rd),
data = mantel,
curvature = nice_curvature()) +
scale_fill_gradientn(colours = RColorBrewer::brewer.pal(11, "RdBu")) +
scale_size_manual(values = c(0.5, 1, 2)) +
scale_colour_manual(values = color_pal(3)) +
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))
还有很多细节可以修改，我就不一一介绍了，公众号回复：网络热图数据，可以获得数据。