数据
## Ozone Solar.R Wind Temp Month Day
## 1 41 190 7.4 67 5 1
## 2 36 118 8.0 72 5 2
## 3 12 149 12.6 74 5 3
## 4 18 313 11.5 62 5 4
## 5 NA NA 14.3 56 5 5
## 6 28 NA 14.9 66 5 6相关视频：复杂网络分析CNA简介与R语言对婚礼数据聚类（社区检测）和可视化|数据分享
复杂网络分析CNA简介与R语言对婚礼数据聚类（社区检测）和可视化
视频：R语言关联规则模型(Apriori算法)挖掘杂货店的交易数据与交互可视化
关联规则模型、Apriori算法及R语言挖掘杂货店交易数据与交互可视化
，时长07:03
计算相关矩阵
## # A tibble: 6 x 7
## rowname Ozone Solar.R Wind Temp Month Day
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Ozone NA 0.348 -0.602 0.698 0.165 -0.0132
## 2 Solar.R 0.348 NA -0.0568 0.276 -0.0753 -0.150
## 3 Wind -0.602 -0.0568 NA -0.458 -0.178 0.0272
## 4 Temp 0.698 0.276 -0.458 NA 0.421 -0.131
## 5 Month 0.165 -0.0753 -0.178 0.421 NA -0.00796
## 6 Day -0.0132 -0.150 0.0272 -0.131 -0.00796 NA相关性：
## rowname Ozone Solar.R Wind Temp Month Day
## 1 Ozone .35 -.60 .70 .16 -.01
## 2 Solar.R .35 -.06 .28 -.08 -.15
## 3 Wind -.60 -.06 -.46 -.18 .03
## 4 Temp .70 .28 -.46 .42 -.13
## 5 Month .16 -.08 -.18 .42 -.01
## 6 Day -.01 -.15 .03 -.13 -.01创建关联网络
可视化和探索相关性。
该选项min_cor指示要绘制的相关性所需的最小相关值。
每个点代表一个变量。高度相关的变量聚集在一起。
例如，从上面的图可以看出变量Ozone，Wind并且Temp聚集在一起。
每条路径表示它加入的两个变量之间的相关性。蓝色表示正相关，红色表示负相关。
路径的宽度和透明度代表相关的强度。
例如，可以看出，Ozone和之间的正相关性Temp强于Ozone和之间的正相关Solar.R。
清理相关网络
绘制更少的相关路径：
