如何计算DataFrame中两组变量的相关性矩阵并获取P值及可视化？

1. 计算指定变量组的相关系数与P值 #

假设你的数据集为df，其中9个目标变量组成group9，80个变量组成group80（可通过变量名或索引提取），以下是几种可行方法：

方法1：用psych包快速生成交叉相关结果 #

psych包的corr.test()可直接返回两组变量的交叉相关系数矩阵和对应P值矩阵，无需额外处理：

library(psych)
# 替换为你的变量子集索引或名称
group9 <- df[, 1:9]
group80 <- df[, 10:89]

# 计算交叉相关性，adjust参数可按需设置多重检验校正（如"bonferroni"）
corr_result <- corr.test(group9, group80, adjust = "none")

# 提取结果矩阵
corr_coeff <- corr_result$r  # 9×80的相关系数矩阵
corr_pvals <- corr_result$p  # 对应P值矩阵

方法2：基础R循环自定义计算 #

若不想依赖第三方包，可通过嵌套循环结合cor.test()实现：

# 初始化空矩阵并设置行列名
corr_coeff <- matrix(NA, nrow = ncol(group9), ncol = ncol(group80))
corr_pvals <- matrix(NA, nrow = ncol(group9), ncol = ncol(group80))
rownames(corr_coeff) <- colnames(group9)
colnames(corr_coeff) <- colnames(group80)
rownames(corr_pvals) <- colnames(group9)
colnames(corr_pvals) <- colnames(group80)

# 循环计算每个变量对的相关系数与P值，method可替换为"spearman"或"kendall"
for (i in seq_along(group9)) {
  for (j in seq_along(group80)) {
    test_res <- cor.test(group9[,i], group80[,j], method = "pearson")
    corr_coeff[i,j] <- test_res$estimate
    corr_pvals[i,j] <- test_res$p.value
  }
}

方法3：扩展corrr包获取P值 #

针对你提到的corrr::correlate()，可结合p_value()函数补充P值：

library(corrr)
# 生成聚焦9个变量的相关系数表
focused_corr <- df %>% 
  correlate(method = "pearson") %>% 
  focus(!!colnames(group9), mirror = FALSE)

# 添加对应P值
corr_with_p <- focused_corr %>% p_value(df)
# 如需矩阵格式，可进一步用as.matrix()转换

2. 用corrplot()可视化相关性矩阵 #

拿到相关系数矩阵后，可通过corrplot包实现多种风格的可视化，还能叠加显著性标记：

library(corrplot)
# 基础彩色热力图，调整标签大小适配变量数量
corrplot(corr_coeff, method = "color", tl.cex = 0.6, tl.col = "black")

# 叠加P值显著性标记（隐藏P>0.05的非显著相关）
corrplot(corr_coeff, method = "circle", tl.cex = 0.6,
         p.mat = corr_pvals, sig.level = 0.05, insig = "blank")

# 同时显示相关系数数值与颜色
corrplot(corr_coeff, method = "color", addCoef.col = "white", tl.cex = 0.6)

内容的提问来源于stack exchange，提问作者Najeha Mohamed