相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。相关性分析旨在研究两个或两个以上随机变量之间相互依存关系的方向和密切程度。
一般来讲研究对象（样品或处理组）之间使用距离分析，而元素（物种或环境因子）之间进行相关性分析 。两个变量之间的相关性可以用简单相关系数（例如皮尔森相关系数等）进行表示，相关系数越接近1，两个元素相关性越大，相关系数越接近0，两个元素越独立。
Pearson相关系数是用于表示相关性大小的最常用指标，数值介于-1~1之间，越接近0相关性越低，越接近-1或1相关性越高。正负号表明相关方向，正号为正相关、负号为负相关。适用于两个正态分布的连续变量。
利用两变量的秩次大小来进行分析，属于非参数统计方法。适用于不满足Pearson相关系数正态分布要求的连续变量。也可以用于有序分类变量的之间的相关性测量。
Kendall's Tau相关系数是一种非参数检验，适用于两个有序分类变量。
此外衡量两个变量之间关系的方法还有：卡方检验、Fisher精确检验等。
Pearson、Spearman、Kendall相关系数都可以通过cor函数实现，cov协方差函数参数同cor函数。
ggcorrplot包内只有2个函数，一个cor_pmat()用于计算p值，一个ggcorrplot()用于绘图。ggcorrplot相当于精简版的corrplot包，只有主题更加丰富多样。
This function computes and returns the distance matrix computed by using the specified distance measure to compute the distances between the rows of a data matrix.
这个函数用特定的方法计算矩阵的行之间的距离，并返回距离矩阵。
scale是对矩阵的每一列进行标准化，如果要对行标准化需要先转置。如 heatmapdata <- t(scale(t(heatmapdata)))
相关性分析用于评估两个或多个变量之间的关联性。
皮尔森相关性分析是一种参数相关性检验，检测的是两个变量间的线性关系；应用皮尔森相关性分析的前提是两个变量都是正态分布的，其相关性可以用线性回归曲线表示。
H0: true correlation is equal to 0
cor.test(){stats} 返回一系列参数，主要关注p.value 和 correlation coefficient(ample estimates: cor )；
可以改变cor.test(){stats}中的method 参数进行非参检验，但stats 的作者都表示用上面提到的包更的支持数据种类更多、估计结果准确性更高。
实际上就是每一个变量与其他变量间的相关性检验，因此方法也是上面提到的参数相关和非参相关检验。
多个检验同时进行时，如果对任意单个假设检验问题，p-值小于 α就拒绝原假设，则无法控制总体第一类错误率(family-wise error rate, FWER)；FWER随检验个数 mm增大而增大（ m→∞m→∞时收敛到1）。
总的来说，当同一个数据集有n次（n>=2）假设检验时，就要做多重假设检验校正
p.adjust(){stats}中的参数： p.adjust.methods = c("holm", "hochberg", "hommel", "bonferroni", "BH", "BY","fdr", "none")
Hochberg's and Hommel's ： 适用于假设检验是独立或非负相关的检验结果， Hommel的方法比Hochberg的方法更强大，但差异通常很小，而Hochberg 的计算速度更快。
* BH{aka fdr(False Discovery Rate)} ： 是控制错误发现率，即将假阳性结果和真阳性的比例控制在一定范围内。 错误发现率是一种不如第一类错误率(family-wise error rate, FWER)严格的条件，因此这些方法比其他方法更有效，也是非常常用的方法。
bonferroni ：通过对p值的阈值进行校正来实现消除假阳性结果，是最严格的矫正方法，校正后拒绝的不只是假阳性结果，很多阳性结果也会被它拒绝。bonferroni 通过公式 p*(1/n){其中p为原始阈值，n为总检验次数}，拒绝le所有的假阳性结果发生的可能性。
H0: 两矩阵没有相关关系。
在微生物群落分析中， 免不了分析环境因子与菌落的相关性，此时便需要做CCA 和 Mantel test 分析 。Mantel test 分析是将微生物群落作为一个距离矩阵（如UniFrac distance matrix），环境变量作为另一个距离矩阵（如pH、有机碳、总氮、盐度、温度、地理等），再检验两个矩阵之间的相关性。
mantel.rtest (){ ade4 }
mantel(){ecodist}
mantel(){vegan}
ggcor不仅内置了mental test 函数， 也很好的实现了mental test 可视化。
如果是矩阵相关系数计算，结果可能不怎么好解读。通过热图的方式可以有效的将结果分为多个层次，然后再对每个层次进行专注解读就显得方便多了。
专门为相关矩阵可视化写的R包也不少，包括画风比较粗狂、但结果又比较详细的corrgram， GGally， PerformanceAnalytics等，他们可以将原始数据分布，相关系数，线性回归的回归线，显著性P值等展示在一张画布中；而基于base绘图系统写的 corrplot 应该是最为精美的了，配色清新，功能齐全。对于已经习惯用了grid 图形系统的ggplot2语法的人来说， ggcorrplot 只实现了小部分的corrplot内容，虽然也很精美但是又有些意犹未尽的感觉；还在紧锣密鼓构建中的 ggcor 将满足大部分的相关系数可视化需求。
ggcor不同于常规的ggplot2扩展包，它引入了ggcor函数，目的调用ggplot() 来进行图层初始化，因此很多图层参数是通用的；但它需要相关系数矩阵来进行数据处理、绘图类型、背景、坐标轴、颜色映射、图例设置等，因此矩阵需要在这一步就输入。要么调用作者封装的cor(){stats}或 cor.test(){stats}，要么处理数据后用 as_cor_tbl() 和 fortify_cor()两个函数导入，应该能满足基本需求。
as_cor_tbl()函数 ：
fortify_cor()函数 ：
主要用于处理原始数据表，可以调用cor(){stats}求相关系数，默认使用pearson方法，当然spearman和kendall方法也都支持。但stats 包的作者在cor() 下面提到，如果要用spearman和kendall 的方法，最好用其他的包。而且涉及P值矫正什么的，可能cor() 或者 cor.test() 函数并不能达到要求，最好还是自己做统计分析，最后进行数据格式处理。
几个重要图层：
geom_square()、geom_circle2()、geom_ellipse2()、geom_pie2()、geom_colour()、geom_confbox()、geom_num()、geom_mark()、geom_cross()
基本就是形状、色彩、大小等，值得提出来说的只有geom_cross() 这个是根据阈值，在阈值外的位置打上一个X。
