将降水数据导入栅格栈中，这个过程可以理解为将降水数据按时间顺序从上到下堆叠。同理，按相同的时间顺序将LAI数据堆叠。值得一提的是，stack（）函数在堆叠栅格数据时是按文件名拼音和数字大小顺序自动堆叠的，具体规则可以亲自尝试。最后，将这两个栅格栈合并成一个。
对相关性分析函数稍作改变。
以上方法是可以推广的，线性回归函数lm（）和相关性分析函数cor（）的输入都可以是向量，因此只要函数支持向量输入，理论上讲都可以类比上述过程实现。但是如果函数只支持数据框输入，如gbm包中的函数gbm（），那就只能另辟蹊径了。
关于相关性，表示数据之间的相互依赖关系。但需要注意，数据具有相关性不一定意味着具有因果关系 。
相关性在组学数据挖掘中应用非常广，如样本的重复检验、基因的共表达分析、微生物群落的共发生网络分析等。
相关性分析其实较为简单，用R语言自带的cor()函数非常容易计算得到两两变量间的相关系数。下面我们就来看下如何用R语言实现相关性计算并绘制带有显著性星标的相关性热图。
以R自带的数据集mtcars为例，直接计算矩阵或数据框对应列之间的相关性系数。
上文的corrplot包是基于R基础绘图函数创建的，那么又没有基于ggplot2的呢？有，比如相对应的ggcorrplot包，不过我这里推荐另一个R包：ggcor 。
方差（Variance）： 每个样本值与全体样本值的平均数之差的平方值的平均数，用于衡量一个变量的数据和期望值离散程度，公式如下，其中，σ2 即D(X)、Var(V)，为总体方差，X为变量，μ为总体均值，N为总体个数。
或
协方差（Covariance）： 用于衡量两个变量的总体误差。而方差可看作是协方差的一种特例，即当两个变量是相同的时候。公式如下：
可以看出，若X，Y正相关（变换趋势相同），则协方差值为正；变化趋势相反则协方差值为负。
相关系数（Pearson）： 相关系数是研究变量之间线性相关程度的指标，而相关关系是一种非确定性的关系，数据具有相关性不能推出有因果关系。相关系数的计算公式如下：
其中，公式的分子为X，Y两个变量的协方差，Var(X)和Var(Y)分别是这两个变量的方差。当X,Y的相关程度最高时，即X,Y趋近相同时，很容易发现分子和分母相同，即r=1。
好啦，本次就分享到这里啦，不知对你有没有启发呢
