基于R语言的样本聚类-2

1. 概述

上一期的文章基于R语言的样本聚类-1用R语言实现了基于聚类距离的聚类树的实现，最终的结果是得到基于某个表型（比如基因表达趋势变化）的分组，在同一个分支（一类）上的两个样本有更多的相似之处，上一期的最终效果如下图：

而用于检测或发现样本间相似性的方法还有主成分分析法，相关性分析方法等。基于样本件的相关性，也可以将样本进行聚类。主成分分析的原理推荐一篇知乎文章前往学习。今天，我们就利用R语言实现这一个分析过程并且可视化。

2. R语言实现

2.1 加载包及导入数据

本次所用到的包ggcorrplot+openxlsx，不会安装包的戳我学习，里面有安装包的办法，这里就不多说了。

rm(list = ls()) # 清空环境变量
library(ggcorrplot) # 加载包
library(openxlsx) # 加载包

2.1.1导入数据

load('MydataforStringTie.Rdata') # 该数据是我的一个数据集，里面包含很多数据，你不必纠结他是干什么的含有什么的，你只需要知道你需要一个下面的“dat"内容的数据框即可！
dat=GeneCounts # 赋值
head(dat,6) # 查看数据框前6行，其实默认的也是6行
names(dat) # 查看数据框的名字

数据格式如下：

2.1.2 计算相关系数及其显著性

corr=round(cor(dat[,]),2) # Calculate the correlation coefficient
p.mat=cor_pmat(dat)# Calculate the significance of correlation coefficient

样本相关性结果如下：

由于数据量的问题，我的数据没能检验相关额显著性，如下:

2.2 结果可视化

准备好数据后，利用ggcorrplot函数可以对相关性的分析结果进行可视化，代码如下：

ggcorrplot(corr,
           method = 'square',# 显示样式，“circle"是第二张图的样子
           hc.order = TRUE, # 是否聚类
           type = 'lower', # 上下三角
           outline.color = 'gray60', # 框颜色
           colors = c('green','white','blue'), # 图颜色
           lab = TRUE, # 是否显示数字
           lab_col = 'white', # 数字颜色
           lab_size = 3, # 数字大小
           p.mat = p.mat, # 填充
           insig = 'blank',# 显著的黑色填充
           show.diag = TRUE, # 只显示对角线一侧
           digits = 2 #小数保留位数
           )

可视化结果如下，可以看得出来我的样本Q23是有些问题的，如果需要考虑离群值，这个样本可能是候选之一：

由于这个分析基本都是在数据预处理的时候用，花里胡哨的那些我就懒得上了，如果喜欢花里胡哨的可以去看这篇博文。

好了，今天就更新到这儿，下一期我们更新基于PCA分析的样本聚类。

记得打赏哟，白嫖我来你家吃饭！