框内的数字是行变量和列变量之间的相关系数R，相关系数R绝对值越大，颜色越深（红正，蓝负）。统计学中，P值越小相关性越显著，一般来说 一个*代表显著相关（P值为0.01，选取不同参数可能不一样）、两个**代表极显著相关（P值为0.001）、三个***代表极极显著相关（P值为0.0001）. 图中还可以看出，相关系数R的绝对值0.67（变量P50与T之间）以上的都显著相关，至少一个*。符合一般关于相关系数R值的显著性统计。
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？
文件包含三列数据：来源地、目的地、及call数量
我们都知道可视化网络，需要准备两个数据文件：
接下来基于此数据集准备点和边列表文件
至此，简单的边和点列表已经准备好了，我们接下来通过几个R包来可视化下
这是R中绘制网络图的一个基本R包，这里主要用到 graph_from_data_fram() 函数。更多关于此包绘图的细节可参考这个帖子 Network Analysis and Visualization with R and igraph (kateto.net) ，介绍的十分详细。
这两个R包目前相对比较流行，可以对network数据进行操作和可视化
ggraph包还有更多好玩的样式，详情参考： https://www.data-imaginist.com/2017/ggraph-introduction-layouts/ , 根据个人的数据去选择最合适的展现形式即可。
这两款R包都是基于浏览器的JavaScript可视化库，用于交互式的展示图形，这里我们还用到刚才的示例数据来展示。
常用来快速创建交互式桑基图、和其它种类的网络图等，核心的函数即 forceNetwork()
制作桑基图
该包绘制更加方便，
我们也可以为网络中的边添加方向,用到 layout_with_fr 方式
![[python]统一转换日期格式dateutil.parser.parse](/aiimages/%5Bpython%5D%E7%BB%9F%E4%B8%80%E8%BD%AC%E6%8D%A2%E6%97%A5%E6%9C%9F%E6%A0%BC%E5%BC%8Fdateutil.parser.parse.png)
