我有如下数据表。
data table1:
Cty LR1998 LR1999....LR2018 SM1998 SM1999 ..... SM2018
1 0.1 2.5 .... 5.2 14.52 58.62 ..... 69.2
7 0 50.2 ... 10.6 25.5 80.2 ..... 80.5
.
.
我需要使用该时间段的LR和SM变量查找1998年至2018年这段时间中每个“ Cty”的相关性（皮尔逊）。
我也想创建一个很好的相关图。
有人可以指导我如何使用R执行此操作吗？我知道如何使用“ cor”功能，但不知道如何在大型数据表中使用它。
Example Output:
Cty Cor p-value
1 0.16 0.125
7 0.32 <0.05
非常感谢。
答案 0 :(得分：1)
对于相关图，您可以尝试以下操作：转置数据框并使用“对”功能
pairs（t（table1 [-1]））
答案 1 :(得分：0)
要获得国家之间的相关性，可能有助于重塑数据。尽管有一个基本的reshape函数，但我总是感到困惑，所以我经常使用tidyr（或data.table）来重塑操作。
首先，一些数据：
set.seed(2)
n <- 6
x <- cbind.data.frame(
CTY = LETTERS[seq_len(n)],
sapply(paste0("LR", 2000:2006), function(ign) runif(n)),
stringsAsFactors=FALSE
)
重塑，以使每个国家/地区在垂直方向上都是唯一的（谢谢，我用不必要的tidyr删除了我不必要的t方法）：
y <- `colnames<-`(t(x[-1]), x[[1]])
cor(y)
（我现在删除的gather / spread方法之间的最大区别是，它仍然是matrix，并在需要时用as.data.frame进行了简单转换。在这里是必要的。）
现在，相关性非常简单。
cor(y)
# A B C D E F
# A 1.000 -0.435 -0.1443 -0.2010 0.736 -0.471
# B -0.435 1.000 -0.3825 -0.3493 -0.145 0.279
# C -0.144 -0.382 1.0000 0.0885 -0.426 0.447
# D -0.201 -0.349 0.0885 1.0000 -0.523 -0.128
# E 0.736 -0.145 -0.4261 -0.5232 1.000 -0.121
# F -0.471 0.279 0.4467 -0.1279 -0.121 1.000
使用这种格式的数据，要适应cor.test的使用需要做更多的工作。为此，我将依靠更多的tidyverse：
# library(purrr)
crossing(a=x$CTY, b=x$CTY) %>%
rowwise() %>%
do(bind_cols(.,
purrr::map2_dfc(.$a, .$b,
~ as.data.frame(cor.test(y[,.x], y[,.y])[c("estimate", "p.value")]))
)) %>%
ungroup()
# # A tibble: 36 x 4
# a b estimate p.value
# * <chr> <chr> <dbl> <dbl>
# 1 A A 1 0
# 2 A B -0.435 0.329
# 3 A C -0.144 0.757
# 4 A D -0.201 0.666
# 5 A E 0.736 0.0591
# 6 A F -0.471 0.286
# 7 B A -0.435 0.329
# 8 B B 1 0
# 9 B C -0.382 0.397
# 10 B D -0.349 0.443
# # ... with 26 more rows
由于您的关联测试是关联的（与a,b和b,a相同），因此我们可以删除重复项并运行以下测试：
crossing(a=x$CTY, b=x$CTY) %>%
transmute(a1 = pmin(a,b), b1 = pmax(a,b)) %>%
distinct() %>%
rowwise() %>%
do(bind_cols(.,
purrr::map2_dfc(.$a1, .$b1,
~ as.data.frame(cor.test(y[,.x], y[,.y])[c("estimate", "p.value")]))
)) %>%
ungroup()
# # A tibble: 21 x 4 ...